Anthropic 提升業務績效的提示工程指南

TL;DR

Anthropic 發布了一份關於提升業務績效的提示工程指南，證明了策略性的提示可以顯著提高 Claude 的準確性、一致性與成本效益。透過應用結構化技術，例如 few-shot prompting 與 prompt chaining，企業可以減少幻覺並降低部署成本，同時維持符合品牌形象的客戶體驗。

有效提示的核心優勢

在專業環境中，策略性的提示工程對於優化生成式 AI 的輸出至關重要。Anthropic 指出了精心設計的提示所帶來的四大主要優勢：

準確性： 有效的提示能進一步降低輸出不準確與產生幻覺的風險。
一致性： 深思熟慮的提示可確保在終端用戶體驗中，品質、格式、相關性與語氣保持統一。
實用性： 提示工程讓企業能夠迎合特定的角色設定與產業需求，提供具針對性的體驗。
成本節省： 優化提示可以減少不必要的來回互動，進而降低大規模運行輸入與輸出的成本。

業務關鍵提示技術

Anthropic 建議將提示工程視為一門科學——頻繁進行測試與迭代——並提供清晰、明確的指令，就像 Claude 是一位剛入職的第一天實習生一樣。

逐步推理 (Step-by-Step Reasoning)

引導 Claude 「逐步思考」通常能提高回應的準確性。這對於邏輯謎題或複雜的評估特別有效，例如判斷保險理賠是否符合特定的保單要求。

Few-Shot Prompting

提供期望輸入與理想輸出的真實且具體的範例，有助於 Claude 理解預期的格式並處理邊緣案例。例如，在遮蔽個人識別資訊 (PII) 時，提供姓名、電話號碼與電子郵件應如何被替換為 "XXX" 的合成範例，可確保模型遵循要求的遮蔽標準。

Prompt Chaining

Prompt chaining 涉及將複雜任務拆解為多個較小的提示。每個後續的提示都可以包含先前的提示與回應對，以建立上下文。一個解釋稅務狀況的工作流程範例包括：

建立相關稅務法規的列表。
識別文件中相關的章節。
根據收集到的資訊，為用戶生成最終回應。

個案研究：準確性提升 20%

Anthropic 與一家財星 500 強企業合作，使用 Claude Instant 建立了一個面向客戶的聊天助手。該公司尋求的是一個友善、簡潔、低延遲且高準確度的聊天機器人，因為他們發現市場上的其他解決方案過於冗長或生硬。

實施策略

Anthropic 的提示工程師與該公司的領域專家 (SMEs) 合作，實施了以下內容：

Scratchpads： 引導 Claude 使用 scratchpad（例如使用 <relevant_quotes> 標籤）來在內部展示其思考過程。這個過程對客戶是隱藏的，但能提高準確性。
Few-Shot Examples： 針對公司特定的期望格式與風格對模型進行訓練。
SME Guidance： 引導 Claude 使用領域專家建議的特定數據點與工作流程，例如影響法律狀況的特定因素。

結果

透過將提示工程的最佳實踐與領域專業知識相結合，該公司提升了 Claude 的準確性達 20%，同時降低了成本並加速了產品上市時間。