Anthropic 提升业务性能的提示工程

TL;DR

Anthropic 发布了一份关于提升业务性能的提示工程指南，证明了战略性提示可以显著提高 Claude 的准确性、一致性和成本效率。通过应用诸如 few-shot prompting 和 prompt chaining 等结构化技术，企业可以减少幻觉并降低部署成本，同时保持品牌一致的客户体验。

有效提示的核心优势

在专业环境中，战略性提示工程对于优化生成式 AI 的输出至关重要。Anthropic 确定了精心设计的提示词的四个主要优势：

• 准确性： 有效的提示可以进一步降低输出不准确和产生幻觉的风险。
• 一致性： 深思熟虑的提示可以确保在最终用户体验中保持统一的质量、格式、相关性和语气。
• 有用性： 提示工程允许企业迎合特定的角色和行业特定需求，提供有针对性的体验。
• 成本节约： 优化提示可以最大限度地减少不必要的往复交互，从而降低大规模运行输入和输出的成本。

业务关键提示技术

Anthropic 建议将提示工程视为一门科学——经常进行测试和迭代——并提供清晰、明确的指令，就像 Claude 是入职第一天的实习生一样。

分步推理

引导 Claude "think step by step" 通常会提高响应的准确性。这对于逻辑谜题或复杂的评估特别有效，例如确定保险索赔是否符合特定的保单要求。

Few-Shot Prompting

提供所需输入和理想输出的真实且具体的示例，有助于 Claude 理解预期的格式并处理边缘情况。例如，在脱敏个人身份信息 (PII) 时，提供如何将姓名、电话号码和电子邮件替换为 "XXX" 的合成示例，可以确保模型遵循所需的脱敏标准。

Prompt Chaining

Prompt chaining 涉及将复杂的任务分解为多个较小的提示词。每个后续提示词可以包含之前的提示词-响应对，以构建上下文。一个解释税务情况的工作流示例将涉及：

1. 创建一个相关税务代码的列表。
2. 识别这些文档中的相关章节。
3. 根据收集到的信息向用户生成最终响应。

案例研究：准确性提升 20%

Anthropic 与一家财富 500 强公司合作，使用 Claude Instant 构建了一个面向客户的聊天助手。该公司寻求一种友好、简洁、低延迟且高准确性的聊天机器人，因为他们发现其他市场解决方案过于冗长或生硬。

实施策略

Anthropic 的提示工程师与该公司的领域专家 (SMEs) 合作，实施了以下内容：

• Scratchpads： 引导 Claude 使用 scratchpad（例如，使用 <relevant_quotes> 标签）在内部展示其工作过程。这个过程对客户是隐藏的，但可以提高准确性。
• Few-Shot Examples： 针对公司特定的预期格式和风格对模型进行训练。
• SME Guidance： 引导 Claude 使用领域专家推荐的特定数据点和工作流，例如影响法律情况的特定因素。

结果

通过将提示工程的最佳实践与领域专业知识相结合，该公司 提高了 Claude 的准确性 20%，同时降低了成本并缩短了上市时间。