Prompt 结构：能提升效果的组织方式

好的 prompt 都有清晰可辨的结构：明确的任务、分开的上下文段落、示例，以及规定好的输出格式。

清楚直接

Anthropic prompt 文档里最重要的一条规则：精确说清楚你想要什么。检验方法：把你的 prompt 拿给一个完全不了解背景的同事看。如果他会看糊涂，模型也一样会。当顺序或完整性很重要时，用编号步骤会有帮助。

用 XML 标签分开各个段落

一旦一个 prompt 混合了多种内容（指令、上下文、示例、输入数据），Anthropic 建议使用 XML 标签：<instructions>、<context>、<example>。每种内容类型都有自己的标签——这样模型就能明确区分什么是指令、什么只是示例。关键是标签名要一致、有描述性。

赋予一个角色

哪怕只在 system prompt 里加一句话（“你是一名经验丰富的 Python 开发者”），也能明显聚焦模型的行为和语气。

展示示例（few-shot）

文档指出，示例是控制格式和风格最可靠的手段之一。建议给出 3 到 5 个示例，要和你真实的应用场景相关、彼此之间也要有足够差异，每个示例都放进 <example> 标签里。

规定输出格式

要说模型应该做什么——而不是不该做什么：“用连贯的正文回答”比“不要用 Markdown”效果更好。对于固定结构，一个格式示例或一个专门给答案用的标签会有帮助。

示例

<instructions> 把这段文字总结成 3 条要点。请用中文回答。 </instructions> <context> 目标读者：没有相关背景知识的新手。 </context> <text> [这里放文本] </text>

🛠️ 练习——自己动手试试

找一个你自己写的、没有结构的 prompt，把它重新组织成结构化版本。

找一个你最近用过、把指令、上下文和数据混在一起的 prompt。
用标签把它拆成几个段落：<instructions>、<context>，再加一个给输入数据用的标签。最后说明你想要的输出格式。
把两个版本都发给你的模型，比较回答在准确性和格式遵循度上的差异。

✅ 自查清单

☐ 你的 prompt 里能不能清楚看出指令在哪里结束、数据从哪里开始？
☐ 你有没有用正面表述来规定输出格式（“做 X”），而不是负面表述（“不要 Y”）？
☐ 一个完全不了解背景的同事第一次看到你的 prompt，能看懂吗？

小测验

Anthropic 为什么建议在 prompt 里使用像 <instructions> 和 <context> 这样的 XML 标签？