prompt-eng-interactive-tutorial
prompt-eng-interactive-tutorial 是 Anthropic 官方推出的交互式提示工程教程，旨在帮助用户系统掌握与 Claude 模型高效沟通的技巧。通过这门课程，学习者不仅能理解优质提示词的基本结构，还能识别常见错误并掌握关键的优化方法，从而从零开始构建适用于不同场景的强大提示词。
该教程特别适合希望提升大模型使用效果的开发者、研究人员、产品经理及普通用户。无论你是想避免模型“幻觉”，还是希望为法律、金融或编程等专业领域定制复杂指令，这里都提供了循序渐进的指导。课程共分为九章，涵盖从基础结构到高级应用的完整路径，并配有大量实操练习。
其独特亮点在于“示例实验区”设计：每个章节底部都设有可交互的 Playground，允许用户直接修改提示词并实时观察 Claude 的反应变化，真正实现“边学边练”。此外，教程还提供了一个基于 Google Sheets 的版本，结合 Anthropic 插件使用，体验更加友好直观。课程内容基于轻量级的 Claude 3 Haiku 模型编写，但所学技巧同样适用于更强大的 Sonnet 和 Opus 模型。对于想要深入理解大模型行为逻辑并提升实际应用能力的用户来说，这是一份不可多得的实战指南。
使用场景
某初创公司的产品经理急需利用 Claude 快速构建一个能准确提取合同关键条款并生成风险提示的自动化助手，但初期尝试效果不佳。
没有 prompt-eng-interactive-tutorial 时
- 提示词结构混乱，指令与合同文本混杂，导致模型经常忽略核心要求或产生幻觉。
- 输出格式不统一，每次生成的风险提示风格迥异，无法直接集成到公司内部系统中。
- 遇到模型回答错误时，只能凭直觉盲目修改措辞，缺乏系统性的调试方法，效率极低。
- 不清楚如何引导模型进行“逐步思考”，在处理复杂法律逻辑时经常得出片面结论。
- 对 Claude 的能力边界认知模糊，试图用简单指令解决高难度任务，导致项目反复返工。
使用 prompt-eng-interactive-tutorial 后
- 掌握了“将数据与指令分离”的核心技巧（第 4 章），清晰界定输入内容，显著降低了模型幻觉率。
- 学会通过“代表模型发言”和指定输出格式（第 5 章），确保所有风险提示均以标准化的 JSON 格式输出。
- 运用“预知思维”（第 6 章）引导模型在回答前拆解法律逻辑步骤，大幅提升了复杂条款分析的准确性。
- 利用课程中的"80/20 法则”快速识别并修复常见失败模式，调试时间从数小时缩短至几分钟。
- 参考第 9 章的法律服务案例，从零构建了鲁棒性强的复杂提示词，一次性满足了生产环境需求。
prompt-eng-interactive-tutorial 通过系统化的章节演练，将原本靠运气的提示词编写转化为可复制、可优化的工程化技能，极大提升了 AI 应用落地的成功率。
运行环境要求
未说明
未说明
快速开始
欢迎使用 Anthropic 的提示工程互动教程
课程介绍与目标
本课程旨在为您提供一个全面、循序渐进的指南，帮助您掌握在 Claude 中设计最优提示的方法。
完成本课程后，您将能够：
- 掌握优质提示的基本结构
- 识别常见的失败模式，并学习解决这些问题的“80/20”技巧
- 理解 Claude 的优势与局限
- 针对常见用例从零开始构建强大的提示
课程结构与内容
本课程的设计充分考虑了实践性，为您提供了大量亲自编写和调试提示的机会。课程共分为9 章，并配有相应的练习题，此外还有一个附录，介绍了更为高级的方法。我们建议您按照章节顺序逐步学习。
每节课的底部都设有“示例练习区”，您可以在此自由尝试课中的示例，亲身体验不同提示如何影响 Claude 的回答。此外，我们还提供了一份答案解析。
注意：本教程使用的是我们最小、最快、最经济的模型——Claude 3 Haiku。Anthropic 还有另外两款模型——Claude 3 Sonnet 和 Claude 3 Opus——它们比 Haiku 更加智能，其中 Opus 的智能水平最高。
本教程也以 Google 表格的形式存在，利用 Anthropic 的 Claude for Sheets 插件实现。我们推荐使用该版本，因为它更加友好易用。
当您准备好开始时，请前往 01_基本提示结构 继续学习。
目录
每章由一节课程和一组练习题组成。
初级
- 第 1 章： 基本提示结构
- 第 2 章： 清晰直接
- 第 3 章： 分配角色
中级
- 第 4 章： 数据与指令分离
- 第 5 章： 格式化输出与代 Claude 发言
- 第 6 章： 预知能力（逐步思考）
- 第 7 章： 使用示例
高级
- 第 8 章： 避免幻觉
- 第 9 章： 构建复杂提示（行业用例）
- 从零开始构建复杂提示——聊天机器人
- 面向法律服务的复杂提示
- 练习： 面向金融服务的复杂提示
- 练习： 面向编程的复杂提示
- 恭喜与后续步骤
- 附录： 超越标准提示方法
- 提示链
- 工具使用
- 搜索与检索
常见问题
相似工具推荐
everything-claude-code
everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。 通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。 这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备
NextChat
NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。 这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。 NextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。
ML-For-Beginners
ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。 无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。
funNLP
funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。 面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。 无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。
gpt4all
GPT4All 是一款让普通电脑也能轻松运行大型语言模型（LLM）的开源工具。它的核心目标是打破算力壁垒，让用户无需依赖昂贵的显卡（GPU）或云端 API，即可在普通的笔记本电脑和台式机上私密、离线地部署和使用大模型。 对于担心数据隐私、希望完全掌控本地数据的企业用户、研究人员以及技术爱好者来说，GPT4All 提供了理想的解决方案。它解决了传统大模型必须联网调用或需要高端硬件才能运行的痛点，让日常设备也能成为强大的 AI 助手。无论是希望构建本地知识库的开发者，还是单纯想体验私有化 AI 聊天的普通用户，都能从中受益。 技术上，GPT4All 基于高效的 `llama.cpp` 后端，支持多种主流模型架构（包括最新的 DeepSeek R1 蒸馏模型），并采用 GGUF 格式优化推理速度。它不仅提供界面友好的桌面客户端，支持 Windows、macOS 和 Linux 等多平台一键安装，还为开发者提供了便捷的 Python 库，可轻松集成到 LangChain 等生态中。通过简单的下载和配置，用户即可立即开始探索本地大模型的无限可能。