Berryxia.AI@berryxia · XAI 摘要
Anthropic应用AI工程师Margot Van Laar在Code with Claude分享提示词工程实战手册。核心观点：维护已有提示词比从零写更常见，最佳起点是评估（Eval）而非直接改提示词。两个场景：客服机器人需用XML标签结构化，移除旧模型冗余指令，为精确计算提供工具；零售排班Agent应拆分成生成-评估-修复循环，使用更强推理模型（Opus）+自适应思考。强调评估是判断改动有效性的唯一严谨方式。
睡前来一发，这个视频还是挺完美的。
Anthropic的应用AI工程师Margot Van Laar在Code with Claude分享了提示词工程的实战手册。
核心观点是：我们很少从零写提示词，大部分时间都在调试和维护已有的生产提示词。
最好的起点永远是评估（Eval），而不是直接改提示词。
她用两个真实场景演示了最佳实践：
- 维护已有提示词**（客服机器人）
- 先做通用清理：用XML标签结构化（角色/政策/语气/指南分开）、移除冗余补丁、明确输出格式。
- 常见陷阱：以前为旧模型加的"禁止列表"指令，在新模型上会过度拟合，导致模型隐瞒它其实能提供的信息。
- 当模型需要做精确计算时，指令没用，要给它工具。
- 升级/转人工的决策，要把代价和收益两面都说清楚，否则模型会过度优化某一边。
- 从零构建新Agent（零售排班）
- 单一复杂提示词容易失败。