你写的Prompt，真的被AI理解了吗？
上周Anthropic发布了一篇重磅文章——《Claude 5 generation models的上下文工程新规则》。Hacker News上160+点赞，讨论热度直接爆了。
很多人以为"上下文工程"就是写长一点的Prompt。错了。
上下文工程的核心是：你如何组织信息，决定了AI如何理解信息。
这篇文章把官方指南拆解成6个可落地的技巧。每个技巧都附带可直接复制的模板。看完你就能用。
什么是上下文工程？
简单说，上下文工程（Context Engineering）就是你给AI的信息组织方式。
同样的问题，换一种问法，答案质量可能差十倍。
比如你让AI写一段代码：
差的问法：
帮我写一个Python爬虫
好的问法：
任务：抓取某网站公开数据
技术栈：Python + requests + BeautifulSoup
目标页面：https://example.com/data
频率限制：每秒不超过2次请求
输出格式：CSV文件，包含标题、日期、正文三列
错误处理：网络超时重试3次，遇到403跳过
第二个Prompt多花了两分钟写，但结果几乎不需要二次修改。这就是上下文工程的价值。
技巧一：用角色锚定+约束条件
Anthropic的研究发现，给AI设定明确的角色边界，能显著减少"废话输出"。
关键不是喊一句"你是一个专家"，而是给出具体的行为约束。
模板：
你是[具体角色]，负责[具体任务]。
你的工作原则：
1. [约束1]
2. [约束2]
3. [约束3]
当遇到[某种情况]时，你应该[具体行动]。
实战示例：
你是资深Python后端工程师，负责Code Review。
你的工作原则：
1. 只指出影响正确性或性能的改动
2. 每条建议必须附带代码示例
3. 不评论变量命名风格，除非严重影响可读性
当发现安全漏洞时，标记为P0并说明修复方案。
这个模板比"你是一个严格的代码审查员"有效得多。因为它告诉AI什么该管、什么不该管。
技巧二：分层交付信息
人类习惯一次说完所有要求。但AI处理信息的方式不同——它需要结构化的输入。
Anthropic推荐的"分层交付"方法，就是把信息按优先级排序：
第一层：任务定义（最重要）
你要完成的核心任务是：______
成功标准是：______
第二层：上下文信息
背景信息：______
相关资源：______
第三层：格式约束
输出格式：______
长度限制：______
语言要求：______
完整示例：
【任务】生成一份API接口文档，包含5个端点的请求参数和响应示例。
【背景】这是内部用户管理系统的REST API，使用JSON格式。
【格式】Markdown表格，每行一个字段，标注必填/选填。
分层交付的本质是：把最重要的信息放在最前面，让AI在截断前看到关键内容。
技巧三：用分隔符隔离指令和内容
这是最简单也最有效的技巧之一。
当你需要AI处理一段文本时，用明确的分隔符把"指令"和"待处理内容"分开。
推荐的分隔符组合：
"""— 包裹大块文本---— 分隔指令区域[INPUT]/[OUTPUT]— 标记区域
模板：
请分析以下用户反馈，提取关键问题并按严重程度排序。
---
"""
{这里放用户反馈原文}
"""
---
输出格式：JSON数组，包含severity（high/medium/low）、category、summary三个字段。
Anthropic的实验数据显示，使用分隔符后，AI对指令遵循的准确率提升了约23%。原因很简单——模型不再混淆"你要做什么"和"你要处理什么"。
技巧四：提供正反面示例
“少样本学习”（Few-shot Learning）不是新概念，但Claude 5时代有了更具体的用法。
关键是：示例要覆盖边界情况，而不只是展示"正确答案"。
模板：
请按照以下示例的格式输出：
【正面示例】
输入：...
输出：...
【反面示例 - 避免这种格式】
输入：...
输出：...（错误原因：...）
实战——分类任务：
请将以下评论分类为正面/负面/中性。
【正面示例】
输入："这个功能太棒了，比之前版本好用很多！"
输出：{"sentiment": "positive", "confidence": 0.95}
【反面示例】
输入："还行吧，没什么特别的。"
输出：{"sentiment": "neutral", "confidence": 0.88}
注意：不要强行分类为正面或负面。
提供反面示例特别重要——它告诉AI什么是不该做的，这比只给正面示例有效得多。
技巧五：用思维链引导推理过程
Claude 5在处理复杂任务时，如果直接要求最终答案，容易出现逻辑跳跃和幻觉。
正确的做法是：引导AI先展示推理过程，再给出结论。
模板：
请按以下步骤思考：
1. 首先，识别问题的核心需求
2. 然后，列出可能的解决方案
3. 接着，评估每个方案的优缺点
4. 最后，给出推荐方案和理由
不要跳步，每一步都要写清楚。
对比实验：
- 直接问：“这段代码有什么问题？” → 经常漏掉次要bug
- 分步问：“请先解释这段代码的功能，然后逐行检查潜在问题，最后总结所有风险” → 覆盖率提升约40%
注意：思维链不等于把Prompt写得很长。核心是结构化你的思考路径，让AI沿着你设计的路线走。
技巧六：迭代式对话管理
最后一个技巧是关于怎么跟AI聊天。
很多人犯的错误是一次性把所有要求塞进一个Prompt里，然后对结果不满意就重新写一个全新的。
更好的方式是迭代式对话：
第一轮： 明确任务范围和成功标准 第二轮： 基于第一轮输出，提出改进意见 第三轮： 微调格式和细节
实战示例：
第1轮：「帮我写一个用户注册流程的API设计」
第2轮：「好的，但缺少密码强度校验和邮箱验证步骤，请补充」
第3轮：「现在加上JWT token的过期时间和刷新机制」
第4轮：「格式调整一下，用OpenAPI 3.0规范输出」
每一轮都在上一轮的基础上叠加，而不是推倒重来。Anthropic称之为"增量式上下文构建"，能大幅减少Token浪费。
一张图总结
| 技巧 | 核心价值 | 适用场景 |
|---|---|---|
| 角色锚定+约束 | 减少废话输出 | 任何任务 |
| 分层交付信息 | 确保关键信息不被忽略 | 复杂任务 |
| 分隔符隔离 | 提高指令遵循率 | 内容处理类 |
| 正反示例 | 明确期望和边界 | 格式化输出 |
| 思维链引导 | 减少逻辑跳跃 | 分析/推理类 |
| 迭代式对话 | 节省Token，精准控制 | 多轮交互 |
下一步行动
今天就可以试试这些技巧。从一个具体的任务开始——比如你最近让AI写过最失败的一次Prompt。
用上面的模板重写一遍，看看效果有什么不同。
你会发现，好Prompt和好代码一样，都是改出来的，不是一次写成的。
如果你对这些技巧有实践经验，或者有更好的模板，欢迎分享。