# 控制台提示词工具

---

Claude 控制台提供了一套工具，帮助您构建和完善提示词。本页按照您通常使用的顺序介绍它们：生成初稿、添加模板和变量，然后改进现有提示词。

---

## 提示词生成器

<Note>
提示词生成器与所有 Claude 模型兼容，包括具有扩展思考能力的模型。有关扩展思考模型的特定提示词技巧，请参阅[扩展思考提示词技巧](/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices#leverage-thinking-and-interleaved-thinking-capabilities)。
</Note>

有时，使用 AI 模型最困难的部分是弄清楚如何有效地提示它。提示词生成器引导 Claude 创建针对您特定任务的高质量提示词模板，遵循我们的许多提示词工程最佳实践。

提示词生成器对于解决"空白页问题"特别有用——它为您提供了一个进一步测试和迭代的起点。

<Tip>现在就在[控制台](/dashboard)上试试提示词生成器。</Tip>

如果您有兴趣分析底层提示词和架构，请查看我们的[提示词生成器 Google Colab 笔记本](https://anthropic.com/metaprompt-notebook/)。要运行 Colab 笔记本，您需要一个 [API 密钥](/settings/keys)。

---

## 提示词模板和变量

在使用 Claude 部署基于 LLM 的应用程序时，您的 API 调用通常包含两种类型的内容：
- **固定内容：** 在多次交互中保持不变的静态指令或上下文
- **变量内容：** 随每次请求或对话变化的动态元素，例如：
    - 用户输入
    - 检索增强生成 (RAG) 的检索内容
    - 对话上下文，如用户账户历史
    - 系统生成的数据，如从其他独立 Claude 调用传入的工具使用结果

**提示词模板**将这些固定和可变部分组合在一起，使用占位符表示动态内容。在 [Claude 控制台](/)中，这些占位符用 **\{\{双括号\}\}** 表示，使其易于识别并允许快速测试不同的值。

当您预期提示词的任何部分将在另一次 Claude 调用中重复时（通过 API 或 [Claude 控制台](/)。[claude.ai](https://claude.ai/) 目前不支持提示词模板或变量），应使用提示词模板和变量。

提示词模板提供以下好处：
- **一致性：** 确保您的提示词在多次交互中保持一致的结构
- **效率：** 轻松替换变量内容而无需重写整个提示词
- **可测试性：** 通过仅更改变量部分来快速测试不同的输入和边缘情况
- **可扩展性：** 随着应用程序复杂性的增长简化提示词管理
- **版本控制：** 通过仅跟踪提示词的核心部分（与动态输入分开）来轻松跟踪提示词结构随时间的变化

控制台使用提示词模板和变量来驱动其工具：
- **提示词生成器：** 决定您的提示词需要哪些变量，并将其包含在输出的模板中
- **提示词改进器：** 接收您现有的模板（包括所有变量），并在输出的改进模板中维护它们
- **[评估工具](/docs/en/test-and-evaluate/eval-tool)：** 通过将提示词模板的可变和固定部分分开，让您轻松测试、扩展和跟踪提示词版本

### 示例提示词模板

考虑一个将英文文本翻译为西班牙文的简单应用程序。翻译的文本将是可变的，因为它在用户或 Claude 调用之间会发生变化。您可以使用以下提示词模板：

```text
Translate this text from English to Spanish: {{text}}
```

<Tip>要提升您的提示词变量，请将它们包装在 [XML 标签](/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices#structure-prompts-with-xml-tags)中以获得更清晰的结构。</Tip>

---

## 提示词改进器

<Note>
提示词改进器与所有 Claude 模型兼容，包括具有扩展思考能力的模型。有关扩展思考模型的特定提示词技巧，请参阅[扩展思考提示词技巧](/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices#leverage-thinking-and-interleaved-thinking-capabilities)。
</Note>

提示词改进器通过自动分析和增强帮助您快速迭代和改进提示词。它擅长使提示词对于需要高准确性的复杂任务更加健壮。

<Frame>
  ![Image](/docs/images/prompt_improver.png)
</Frame>

### 开始之前

您需要：
- 提示词模板（请参阅上面的[提示词模板和变量](#prompt-templates-and-variables)）
- 关于 Claude 当前输出问题的反馈（可选但推荐）
- 示例输入和理想输出（可选但推荐）

### 提示词改进器的工作原理

提示词改进器通过 4 个步骤增强您的提示词：

1. **示例识别**：从您的提示词模板中定位和提取示例
2. **初稿**：创建带有清晰部分和 XML 标签的结构化模板
3. **思维链改进**：添加和改进详细的推理指令
4. **示例增强**：更新示例以展示新的推理过程

您可以在改进模态框中实时观看这些步骤的发生。

### 您将获得什么

提示词改进器生成的模板包含：
- 详细的思维链指令，指导 Claude 的推理过程并通常提高其性能
- 使用 XML 标签清晰组织不同组件
- 标准化的示例格式，展示从输入到输出的逐步推理
- 引导 Claude 初始响应的策略性预填充

<Note>
虽然示例在工作台 UI 中单独显示，但在实际 API 调用中，它们被包含在第一条用户消息的开头。通过点击"**\<\/\> Get Code**"查看原始格式，或通过示例框以原始文本形式插入示例。
</Note>

### 如何使用提示词改进器

1. 提交您的提示词模板
2. 添加关于 Claude 当前输出问题的任何反馈（例如，"摘要对专家受众来说太基础了"）
3. 包含示例输入和理想输出
4. 审查改进后的提示词

### 生成测试示例

还没有示例？使用[测试用例生成器](/docs/en/test-and-evaluate/eval-tool#creating-test-cases)来：
1. 生成样本输入
2. 获取 Claude 的响应
3. 编辑响应以匹配您的理想输出
4. 将精炼的示例添加到您的提示词中

### 何时使用提示词改进器

提示词改进器最适合：
- 需要详细推理的复杂任务
- 准确性比速度更重要的情况
- Claude 当前输出需要显著改进的问题

<Note>
对于延迟或成本敏感的应用程序，请考虑使用更简单的提示词。提示词改进器创建的模板会产生更长、更彻底但更慢的响应。
</Note>

### 改进示例

以下是提示词改进器如何增强基本分类提示词：

<section title="原始提示词">

```text
From the following list of Wikipedia article titles, identify which article this sentence came from.
Respond with just the article title and nothing else.

Article titles:
{{titles}}

Sentence to classify:
{{sentence}}
```

</section>

<section title="改进后的提示词">

```text
You are an intelligent text classification system specialized in matching sentences to Wikipedia article titles. Your task is to identify which Wikipedia article a given sentence most likely belongs to, based on a provided list of article titles.

First, review the following list of Wikipedia article titles:
<article_titles>
{{titles}}
</article_titles>

Now, consider this sentence that needs to be classified:
<sentence_to_classify>
{{sentence}}
</sentence_to_classify>

Your goal is to determine which article title from the provided list best matches the given sentence. Follow these steps:

1. List the key concepts from the sentence
2. Compare each key concept with the article titles
3. Rank the top 3 most relevant titles and explain why they are relevant
4. Select the most appropriate article title that best encompasses or relates to the sentence's content

Wrap your analysis in <analysis> tags. Include the following:
- List of key concepts from the sentence
- Comparison of each key concept with the article titles
- Ranking of top 3 most relevant titles with explanations
- Your final choice and reasoning

After your analysis, provide your final answer: the single most appropriate Wikipedia article title from the list.

Output only the chosen article title, without any additional text or explanation.
```

</section>

注意改进后的提示词如何：
- 添加清晰的逐步推理指令
- 使用 XML 标签组织内容
- 提供明确的输出格式要求
- 引导 Claude 完成分析过程

### 故障排除

常见问题和解决方案：

- **示例未出现在输出中：** 检查示例是否正确使用 XML 标签格式化，并出现在第一条用户消息的开头
- **思维链过于冗长：** 添加关于期望输出长度和详细程度的具体指令
- **推理步骤不符合您的需求：** 修改步骤部分以匹配您的特定用例

***

## 后续步骤

<CardGroup cols={2}>
  <Card title="开始提示词工程" icon="link" href="/docs/en/build-with-claude/prompt-engineering/claude-prompting-best-practices">
    通过实际示例学习核心技术。
  </Card>
  <Card title="测试您的提示词" icon="link" href="/docs/en/test-and-evaluate/eval-tool">
    使用评估工具测试您改进后的提示词。
  </Card>
  <Card title="GitHub 提示词教程" icon="link" href="https://github.com/anthropics/prompt-eng-interactive-tutorial">
    一个包含示例的教程，涵盖我们文档中的提示词工程概念。
  </Card>
</CardGroup>