Anthropic Claude 提示词最佳实践指南

掌握 Claude 3.5 Sonnet、Claude 3 Opus、Claude 3 Haiku 的提示词技巧，充分发挥Claude在长文本处理和角色扮演方面的优势

1. 模型概述

1.1 模型版本与特点

模型	发布时间	上下文窗口	核心能力	适用场景
Claude 3.5 Sonnet	2024年6月	200K tokens	最强综合能力、性价比高	通用任务、长文档分析、代码开发
Claude 3 Opus	2024年3月	200K tokens	最强推理能力	复杂推理、学术研究、法律分析
Claude 3 Sonnet	2024年3月	200K tokens	平衡性能和成本	中等复杂度任务、客户服务
Claude 3 Haiku	2024年3月	200K tokens	最快速度、低成本	简单任务、实时对话、大规模应用

1.2 核心优势

✅ 超长上下文：200K tokens（约15万字），可处理完整书籍
✅ 优秀的安全对齐：不易产生有害输出，适合敏感场景
✅ 角色扮演自然：擅长模拟各种专业角色
✅ 长文档处理：在 summarization、QA等任务上表现出色
✅ 多语言支持：对中文等非英语语言支持良好

1.3 限制与注意事项

⚠️ 数学计算：在数学和精确计算任务上不如GPT-4
⚠️ 实时信息：训练数据有截止时间，无实时网络访问
⚠️ 成本：Claude 3 Opus的API成本较高
⚠️ 输出冗长：如果不加限制，容易生成过长的输出
⚠️ 幻觉问题：虽然较少，但仍可能产生不准确信息

2. 提示词基础

2.1 Claude提示词的基本结构

Claude使用Human:和Assistant:作为对话标记，也可以使用XML标签来结构化提示词。

基础格式

markdown

Human: [用户的问题或指令]

Assistant: [Claude的回答]

使用XML标签结构化（推荐）

markdown

Human:
<instructions>
你是一个资深的数据科学家。请分析以下数据集，提取关键洞察。
</instructions>

<context>
我们是一家电商平台，想了解上季度的销售情况。
</context>

<data>
[数据集]
</data>

<requirements>
1. 计算关键指标（均值、中位数、标准差）
2. 识别趋势和异常值
3. 提供业务建议
4. 输出格式：Markdown表格
</requirements>

Assistant:

2.2 核心提示词技巧

✅ 技巧1：使用清晰的部分标题

使用XML标签或Markdown标题将提示词分为清晰的部分：

markdown

Human:

# 任务

请撰写一篇产品评测文章。

# 产品信息

- 名称：MacBook Pro 16寸
- 价格：¥18,999起
- 核心特性：[列出3-5个特性]

# 目标读者

科技爱好者、专业创作者

# 文章结构

1. 引言
2. 设计与做工
3. 性能测试
4. 续航表现
5. 优缺点总结
6. 购买建议

# 要求

- 字数：2000-2500字
- 风格：专业、客观、详细
- 包含实际测试数据
- 与使用场景匹配的建议

Assistant:

✅ 技巧2：提供少量示例（Few-Shot）

markdown

Human:
我 will give you examples of sentiment analysis, then you should do the same.

Example 1:
Text: "这个产品真的太棒了，超出我的预期！"
Sentiment: Positive
Reasoning: 用户使用了"太棒了"、"超出预期"等正面词汇。

Example 2:
Text: "质量一般，性价比不高，不推荐购买。"
Sentiment: Negative
Reasoning: 用户明确指出"不推荐购买"，且提到性价比不高。

Now analyze this text:
Text: "还算可以吧，没什么特别的。"
Sentiment and Reasoning:

Assistant:

✅ 技巧3：要求逐步思考（Chain-of-Thought）

markdown

Human:
请解决以下逻辑推理问题。在给出最终答案之前，请先逐步分析。

问题：所有的猫都是动物。有些动物会游泳。问：是否所有的猫都会游泳？

请按以下步骤思考：

1. 列出已知前提
2. 分析逻辑关系
3. 检查是否存在反例
4. 得出最终结论

Assistant:

✅ 技巧4：使用角色提示（Role Prompting）

markdown

Human:
<role>
你是一位拥有15年经验的企业管理顾问，擅长组织变革和战略规化。
你的建议基于扎实的管理学理论和丰富的实战经验。
你善于用简洁、有力的语言传达深刻的见解。
</role>

<task>
我们是一家200人规模的软件公司，目前面临以下挑战：
1. 产品交付周期过长（平均6个月）
2. 团队沟通效率低
3. 技术债务累积严重

请提供改进建议。
</task>

<requirements>
1. 针对每个挑战提供3条具体建议
2. 建议应该可操作、有优先级
3. 引用相关的管理理论或最佳实践
4. 字数：1500-2000字
</requirements>

Assistant:

2.3 Claude特有功能：预填充响应（Pre-filling Response）

Claude支持在Assistant:部分预先填写内容，以引导输出格式。

示例：强制JSON输出

markdown

Human:
请分析以下句子的情感，并以JSON格式输出结果。

句子："这个产品真的很棒，超出我的预期！"

输出格式：
{
"sentiment": "[Positive/Neutral/Negative]",
"confidence": [0-1之间的数值],
"reasoning": "[简要说明]"
}

Assistant:
{
"sentiment": "Positive",

说明：通过在Assistant:后预填{ "sentiment": "Positive",，Claude会继续完成JSON的输出。

2.4 提示词编写原则

原则1：清晰直接

markdown

❌ 不好的提示词：
"帮我看看这个，说说你的想法"

✅ 好的提示词：
"请审查以下Python代码，重点关注：

1. 代码质量（可读性、命名规范）
2. 性能优化空间
3. 潜在bug
4. 最佳实践遵循情况

代码：
[代码内容]

请以Markdown格式输出审查报告。"

原则2：分离数据与指令

将数据与指令明确分开，避免指令被误认为是数据。

markdown

❌ 容易混淆的提示词：
"请将以下文字翻译为英文：不要翻译这段文字"

✅ 清晰的提示词：
<instructions>
请将提供的文字翻译为英文。
</instructions>

<text_to_translate>
不要翻译这段文字
</text_to_translate>

<output_format>
只需输出翻译后的英文文本，不要添加任何解释。
</output_format>

原则3：逐步引导复杂任务

对于复杂任务，将其分解为多个简单步骤。

markdown

Human:
我们将分步完成一篇市场分析报告。

## 步骤1：数据理解

首先，请观察以下数据，并告诉我：

1. 数据包含哪些字段？
2. 数据的时间范围是什么？
3. 有哪些明显的趋势或异常？

数据：
[数据内容]

请只完成步骤1的分析。

Assistant:

（在后续对话中继续引导步骤2、步骤3...）

3. 写作任务提示词

3.1 文章写作

示例1：深度技术分析文章

提示词：

markdown

Human:
<role>
你是一位资深的技术作家，擅长撰写深度技术分析和教程。
你的文章逻辑清晰、例证丰富、适合中级到高级开发者阅读。
</role>

<task>
请撰写一篇关于「微服务架构中的分布式事务管理」的深度技术文章。
</task>

<key_points>
文章应涵盖以下要点：

1. 分布式事务的挑战（CAP定理、网络分区等）
2. 常见解决方案：
   - 两阶段提交（2PC）
   - 补偿事务（Saga模式）
   - 本地消息表
   - 最大努力通知
3. 各方案的优缺点对比
4. 实际案例分析（可以虚构一个电商场景）
5. 方案选择建议
   </key_points>

<structure>
文章结构：
1. 引言（300字）：微服务架构的普及和分布式事务的挑战
2. 核心概念（500字）：事务ACID、分布式事务定义
3. 解决方案详解（1200字）：逐一介绍上述4种方案
4. 对比分析（400字）：表格对比各方案
5. 实战案例（600字）：电商订单系统的分布式事务设计
6. 总结与建议（300字）
</structure>

<requirements>
- 总字数：3000-3500字
- 包含代码示例（Java或Python）
- 包含架构图描述（用文字描述，我会后续绘制）
- 使用表格对比不同方案
- 风格：专业、深入、实用
- 目标读者：有微服务实践经验的开发者
</requirements>

Assistant:

预期输出：

一篇结构完整、深度充足的技术文章
包含代码示例和对比表格
适合发布在技术博客或技术杂志

示例2：商业分析报告

提示词：

markdown

Human:
<role>
你是一位商业分析专家，擅长通过数据洞察业务问题，并提供可操作的建议。
你的报告严谨、客观，注重数据支撑和逻辑推理。
</role>

<task>
请撰写一份关于「2024年Q2电商平台销售业绩」的分析报告。
</task>

<data>
销售数据概要：
- 总销售额：5000万元（Q1：4200万元，环比增长19%）
- 订单数：15万单（Q1：12万单，环比增长25%）
- 客单价：333元（Q1：350元，环比下降5%）
- 退货率：8%（Q1：6%，环比上升2%）
- 主要品类占比：电子数码45%、服装30%、家居25%
</data>

<report_structure>
报告应包含以下部分：

1. 执行摘要（200字）
2. 整体业绩回顾（400字）
3. 关键指标分析（800字）
   - 销售额增长分析
   - 订单数增长分析
   - 客单价下降原因探究
   - 退货率上升预警
4. 品类表现分析（500字）
5. 问题诊断与建议（600字）
6. 下季度展望（300字）
   </report_structure>

<requirements>
- 总字数：2500-3000字
- 使用数据图表描述（用文字说明图表内容和结论）
- 分析问题根源， not just 描述现象
- 提供具体、可执行的建议
- 风格：专业、数据驱动、实用
- 输出格式：Markdown，包含标题、段落、列表、表格
</requirements>

Assistant:

3.2 创意写作

示例1：科幻短篇故事

提示词：

markdown

Human:
<role>
你是一位科幻小说作家，擅长构建引人入胜的未来世界和深刻的哲学思考。
你的故事情节紧凑、角色立体、科技设定严谨。
</role>

<task>
请创作一个关于「记忆交易」的科幻短篇故事。
</task>

<story_elements>
故事应包含以下元素：

- 背景：2150年，记忆已经成为可以交易的商品
- 主角：一个记忆交易商，名叫林远
- 冲突：一个神秘的客人委托他购买一段危险的记忆
- 转折：这段记忆可能涉及一个惊天的秘密
- 主题：探讨记忆、身份、隐私的伦理问题
  </story_elements>

<requirements>
- 字数：2000-2500字
- 视角：第三人称有限视角（主要跟随主角）
- 风格：叙事紧凑，对话自然，描写细腻
- 包含科幻元素的合理设定（不要硬塞技术名词）
- 结尾留有余味和思考空间
- 避免 cliché 的科幻套路
</requirements>

Assistant:

示例2：诗歌创作

提示词：

markdown

Human:
<role>
你是一位现代诗人，擅长用优美的意象和深刻的情感表达复杂的主题。
你的诗歌既有古典的韵味，又有现代的视角。
</role>

<task>
请创作一首关于「时间」的现代诗。
</task>

<requirements>
- 形式：自由诗，不严格押韵
- 长度：20-30行
- 核心意象：流水、沙漏、白发、老照片、四季更替
- 情感：既有对时间流逝的感慨，也有对当下的珍惜
- 风格：唯美、抒情、略带哲理
- 避免陈词滥调（如"时间就是金钱"等）
</requirements>

Assistant:

3.3 文本优化

示例1：学术文本润色

提示词：

markdown

Human:
<role>
你是一位学术写作编辑，擅长提升学术文本的清晰度、准确性和表达力。
你熟悉各个学科的写作规范，能够保持学术风格的同时让文字更加流畅。
</role>

<task>
请润色以下学术论文段落，使其更加学术化、流畅和清晰。
</task>

<original_text>
机器学习在很多领域都有应用。比如图像识别，机器可以识别出图片里有啥。还有自然语言处理，机器能理解和生成人类语言。这些应用都很有用。但是机器学习也有问题，比如需要很多数据，还可能不公平。所以我们要注意这些问题。
</original_text>

<requirements>
1. 保持原意和核心观点
2. 使用学术写作风格（正式、客观、精确）
3. 改善句子结构和段落流畅度
4. 使用恰当的学术词汇
5. 添加逻辑连接词
6. 输出润色后的文本，并附上润色说明（列出主要改进点）
</requirements>

Assistant:

预期输出：

润色后的文本：

机器学习已在诸多领域展现出广泛的应用价值。在计算机视觉领域，深度学习方法在图像分类、目标检测等任务上取得了突破性进展。在自然语言处理领域，大语言模型（LLM）展现出理解和生成人类语言的强大能力。这些技术进展为各行各业带来了实质性的改进。

然而，机器学习技术的应用也面临若干挑战。首先，许多先进模型依赖大规模标注数据进行训练，数据获取成本高昂。其次，算法偏见问题日益凸显，模型可能放大训练数据中的社会偏见，导致不公平的决策。因此，在部署机器学习系统时，必须谨慎考虑数据质量、算法公平性等问题。

润色说明：

将口语化表达改为学术化表达（如"有应用"→"展现出广泛的应用价值"）
添加具体技术名词（深度学习方法、大语言模型、LLM）
改善句子结构，增加复杂句和复合句
使用逻辑连接词（然而、首先、其次、因此）
强化论证， not just 罗列观点

4. 代码开发提示词

4.1 代码生成

示例1：Web API开发

提示词：

markdown

Human:
<role>
你是一位资深的后端开发工程师，擅长Python和FastAPI框架。
你编写的代码遵循PEP 8规范，包含详细注释，注重安全性和性能。
</role>

<task>
请使用FastAPI框架开发一个「用户认证和授权」的RESTful API。
</task>

<requirements>
## 功能需求
1. 用户注册（邮箱+密码）
2. 用户登录（返回JWT token）
3. 刷新token
4. 获取当前用户信息
5. 更新用户信息
6. 基于角色的访问控制（RBAC）

## 技术要求

- Python 3.9+
- FastAPI框架
- SQLAlchemy ORM（SQLite数据库，可配置为其他数据库）
- Pydantic进行数据验证
- JWT认证（使用PyJWT）
- 密码哈希（使用bcrypt）
- 包含单元测试

## 代码组织

app/ ├── main.py # FastAPI应用入口 ├── config.py # 配置管理 ├── models.py # SQLAlchemy模型 ├── schemas.py # Pydantic schemas ├── database.py # 数据库连接 ├── auth/ │ ├── init.py │ ├── routes.py # 认证路由 │ ├── jwt_handler.py # JWT处理 │ └── auth_utils.py # 认证工具函数 ├── users/ │ ├── init.py │ ├── routes.py # 用户路由 │ └── services.py # 用户服务层 └── tests/ ├── init.py ├── test_auth.py └── test_users.py


## 输出要求
1. 所有文件的完整代码
2. 详细的中文注释
3. 文档字符串（docstring）
4. 错误处理
5. 输入验证
6. 安全性考虑（SQL注入、XSS、CSRF等）
7. 单元测试代码
8. README.md（包含安装、运行、API文档说明）
</requirements>

<additional_info>
- 使用async/await异步编程
- 添加请求日志
- 包含API速率限制
- 添加Swagger文档（FastAPI自动生成）
</additional_info>

Assistant:

预期输出：完整的项目代码，包含：

main.py：FastAPI应用入口
models.py：User、Role等SQLAlchemy模型
schemas.py：Pydantic schemas（UserCreate、UserResponse等）
auth/routes.py：注册、登录、刷新token等端点
auth/jwt_handler.py：JWT生成和验证
tests/test_auth.py：单元测试
README.md：项目文档

示例2：数据处理脚本

提示词：

markdown

Human:
<role>
你是一位数据工程师，擅长使用Python进行数据清洗、转换和分析。
你编写的代码高效、可读，善于使用pandas、numpy等库。
</role>

<task>
请编写一个Python脚本，用于处理电商订单数据。
</task>

<data_description>
输入数据（CSV格式）：

- order_id: 订单ID
- user_id: 用户ID
- order_date: 订单日期（YYYY-MM-DD格式）
- product_id: 商品ID
- product_name: 商品名称
- category: 商品类别
- price: 单价
- quantity: 数量
- payment_method: 支付方式
- status: 订单状态（completed/refunded/canceled）

示例数据：

order_id,user_id,order_date,product_id,product_name,category,price,quantity,payment_method,status 1001,501,2024-04-01,P001,Wireless Earbuds,Electronics,899,1,Credit Card,completed 1002,502,2024-04-01,P002,Running Shoes,Sports,599,2,PayPal,completed 1003,503,2024-04-02,P003,Coffee Maker,Home,399,1,Debit Card,refunded ...

</data_description>

<processing_requirements>
请实现以下功能：

1. 数据加载和初步检查
   - 加载CSV文件
   - 检查数据规模、列名、数据类型
   - 检查缺失值、重复值

2. 数据清洗
   - 处理缺失值（根据业务逻辑选择填充或删除）
   - 去除重复订单
   - 标准化payment_method（统一大小写）
   - 转换order_date为datetime类型

3. 特征工程
   - 计算订单总金额（price × quantity）
   - 提取年份、月份、星期几
   - 对用户进行RFM分析（Recency, Frequency, Monetary）

4. 数据分析
   - 销售额趋势分析（按日、按周、按月）
   - 各类别销售额占比
   - 支付方式偏好
   - 退款率和取消率
   - 用户价值分层（基于RFM）

5. 输出结果
   - 清洗后的数据保存为新的CSV
   - 分析结果保存为Excel（多个sheet）
   - 生成数据质量报告（Markdown格式）
   - 使用matplotlib/seaborn生成可视化图表

## 代码要求
- 使用函数式编程，每个功能模块化
- 添加详细注释和docstring
- 添加日志记录
- 异常处理完善
- 使用配置文件（config.yaml）管理参数
- 提供命令行接口（使用argparse或click）

## 文件结构

orderanalysis/ ├── main.py # 主程序入口 ├── config.yaml # 配置文件 ├── src/ │ ├── init.py │ ├── data_loader.py # 数据加载模块 │ ├── data_cleaner.py # 数据清洗模块 │ ├── feature_engine.py # 特征工程模块 │ ├── analyzer.py # 分析模块 │ └── visualizer.py # 可视化模块 ├── tests/ │ └── test*.py # 单元测试 ├── data/ │ ├── raw/ # 原始数据 │ └── processed/ # 处理后数据 ├── reports/ # 分析报告 └── requirements.txt


Assistant:

4.2 代码审查与优化

示例：代码审查

提示词：

markdown

Human:
<role>
你是一位资深代码审查专家，擅长发现代码中的bug、性能问题、安全漏洞和可维护性issue。
你的审查细致、专业，能够提供建设性的改进建议。
</role>

<task>
请审查以下Python代码，并提供详细的审查报告。
</task>

<code>
&#96;&#96;&#96;python
import mysql.connector
import hashlib

def register_user(username, pasword, email): # Connect to database
conn = mysql.connector.connect(
host="localhost",
user="root",
password="password123",
database="user_db"
)
cursor = conn.cursor()

    # Hash the password
    hashed_pwd = hashlib.md5(password.encode()).hexdigest()

    # Insert user into database
    sql = "INSERT INTO users (username, password, email) VALUES ('" + username + "', '" + hashed_pwd + "', '" + email + "')"
    cursor.execute(sql)
    conn.commit()

    cursor.close()
    conn.close()

    return "User registered successfully"

def login_user(username, password):
conn = mysql.connector.connect(
host="localhost",
user="root",
password="password123",
database="user_db"
)
cursor = conn.cursor()

    hashed_pwd = hashlib.md5(password.encode()).hexdigest()

    sql = "SELECT * FROM users WHERE username = '" + username + "' AND password = '" + hashed_pwd + "'"
    cursor.execute(sql)
    result = cursor.fetchone()

    cursor.close()
    conn.close()

    if result:
        return "Login successful"
    else:
        return "Login failed"

# Main program

if **name** == "**main**":
print(register_user("john", "pass123", "john@example.com"))
print(login_user("john", "pass123"))
&#96;&#96;&#96;
</code>

<review_criteria>
请从以下维度审查代码：

1. **安全性**
   - SQL注入漏洞
   - 密码哈希方法的安全性
   - 敏感信息硬编码
   - 其他安全漏洞

2. **代码质量**
   - 命名规范
   - 代码重复
   - 函数设计
   - 注释和文档

3. **错误处理**
   - 异常处理
   - 边界条件
   - 资源管理

4. **性能**
   - 数据库连接的效率
   - 是否有明显的性能瓶颈

5. **最佳实践**
   - Python最佳实践遵循情况
   - 数据库操作最佳实践
   - 密码存储最佳实践

## 输出格式

请提供以下内容的审查报告：

1. 执行摘要（总体评价）
2. 详细问题列表（按严重程度排序）
3. 改进建议（针对每个问题）
4. 重构后的完整代码
5. 改进说明
   </review_criteria>

Assistant:

预期输出：

markdown

# 代码审查报告

## 1. 执行摘要

❌ **总体评价**：代码存在严重的安全和设计问题，不建议在生产环境使用。

**主要问题**：

- 🔴 严重的SQL注入漏洞
- 🔴 不安全的密码哈希方法（MD5）
- 🔴 敏感信息硬编码
- 🟡 缺乏异常处理
- 🟡 数据库连接管理不当
- 🟢 代码结构简单，易于理解（唯一优点）

## 2. 详细问题列表

### 🔴 严重问题

#### 问题1：SQL注入漏洞

**位置**：`register_user()`和`login_user()`中的SQL语句拼接

**问题描述**：

```python
# 不安全的代码
sql = "INSERT INTO users (username, password, email) VALUES ('" + username + "', '" + hashed_pwd + "', '" + email + "')"
```

如果攻击者输入 username = "admin'; DROP TABLE users; --"，将执行恶意SQL。

修复建议：使用参数化查询（prepared statements）

问题2：不安全的密码哈希（MD5）

问题描述：MD5已被证明不安全，容易被彩虹表攻击破解。

修复建议：使用bcrypt、argon2或至少SHA-256。

问题3：敏感信息硬编码

问题描述：数据库密码password123直接写在代码中。

修复建议：使用环境变量或配置文件。

🟡 中等问题

问题4：缺乏异常处理

问题描述：数据库操作、文件IO等可能抛出异常，但代码中没有try-except块。

修复建议：添加异常处理，优雅地捕获和处理异常。

问题5：数据库连接未使用上下文管理器

问题描述：如果cursor.execute()抛出异常，conn.close()可能不会执行，导致连接泄露。

修复建议：使用with语句（上下文管理器）自动管理资源。

🟢 轻微问题

问题6：函数命名不规范

问题描述：register_user和login_user应该使用下划线命名（snake_case），这个做得对，但pasword参数名拼写错误。

修复建议：修正拼写错误为password。

3. 改进建议

建议1：使用参数化查询防止SQL注入

python

# 不安全
sql = "SELECT * FROM users WHERE username = '" + username + "'"

# 安全
sql = "SELECT * FROM users WHERE username = %s"
cursor.execute(sql, (username,))

建议2：使用bcrypt哈希密码

python

import bcrypt

# 哈希密码
hashed = bcrypt.hashpw(password.encode(), bcrypt.gensalt())

# 验证密码
bcrypt.checkpw(password.encode(), hashed)

建议3：使用环境变量管理敏感信息

python

import os
from dotenv import load_dotenv

load_dotenv()  # 从.env文件加载环境变量

conn = mysql.connector.connect(
    host=os.getenv("DB_HOST"),
    user=os.getenv("DB_USER"),
    password=os.getenv("DB_PASSWORD"),
    database=os.getenv("DB_NAME")
)

4. 重构后的完整代码

python

import mysql.connector
import bcrypt
import os
from dotenv import load_dotenv
from mysql.connector import pooling
from contextlib import contextmanager

load_dotenv()

# 创建数据库连接池
connection_pool = pooling.MySQLConnectionPool(
    pool_name="user_pool",
    pool_size=5,
    pool_reset_session=True,
    host=os.getenv("DB_HOST", "localhost"),
    user=os.getenv("DB_USER"),
    password=os.getenv("DB_PASSWORD"),
    database=os.getenv("DB_NAME")
)

@contextmanager
def get_db_connection():
    """上下文管理器：自动管理数据库连接。"""
    conn = connection_pool.get_connection()
    try:
        yield conn
    finally:
        conn.close()

def register_user(username: str, password: str, email: str) -> str:
    """
    注册新用户。

    Args:
        username: 用户名
        password: 密码（明文）
        email: 邮箱

    Returns:
        成功或错误消息
    """
    try:
        # 哈希密码（使用bcrypt）
        hashed_pwd = bcrypt.hashpw(password.encode(), bcrypt.gensalt())

        with get_db_connection() as conn:
            with conn.cursor() as cursor:
                # 使用参数化查询防止SQL注入
                sql = "INSERT INTO users (username, password, email) VALUES (%s, %s, %s)"
                cursor.execute(sql, (username, hashed_pwd, email))
                conn.commit()

        return "User registered successfully"

    except mysql.connector.IntegrityError:
        return "Error: Username or email already exists"
    except Exception as e:
        return f"Registration failed: {str(e)}"

def login_user(username: str, pasword: str) -> str:
    """
    用户登录。

    Args:
        username: 用户名
        password: 密码（明文）

    Returns:
        成功或错误消息
    """
    try:
        with get_db_connection() as conn:
            with conn.cursor() as cursor:
                # 查询用户
                sql = "SELECT password FROM users WHERE username = %s"
                cursor.execute(sql, (username,))
                result = cursor.fetchone()

                if result:
                    # 验证密码
                    hashed_pwd = result[0]
                    if bcrypt.checkpw(password.encode(), hashed_pwd.encode()):
                        return "Login successful"
                    else:
                        return "Login failed: Incorrect password"
                else:
                    return "Login failed: User not found"

    except Exception as e:
        return f"Login error: {str(e)}"

if __name__ == "__main__":
    # 注意：实际生产环境中，不要硬编码测试数据
    print(register_user("john", "pass123", "john@example.com"))
    print(login_user("john", "pass123"))

5. 改进说明

安全性改进

✅ 使用参数化查询，防止SQL注入
✅ 使用bcrypt哈希密码，提升安全性
✅ 使用环境变量管理敏感信息
✅ 添加异常处理，避免信息泄露

代码质量改进

✅ 使用数据库连接池，提升性能
✅ 使用上下文管理器，自动管理资源
✅ 添加函数文档字符串（docstring）
✅ 类型提示（type hints）
✅ 修正拼写错误（pasword → password）

可维护性改进

✅ 分离配置和代码
✅ 使用连接池，便于扩展
✅ 更清晰的错误处理和消息

结论：原代码存在严重安全漏洞，绝对不能用于生产环境。重构后的代码解决了主要问题，符合安全最佳实践。


---

## 5. 数据分析提示词

### 5.1 数据解读

#### 示例：销售数据分析

**提示词**：

```markdown
Human:
<role>
你是一位数据分析师，擅长从数据中提取业务洞察，并提供可操作的建议。
你的分析严谨、客观，注重数据驱动的决策。
</role>

<task>
请分析以下电商平台的销售数据，并提取关键洞察。
</task>

<data>
2024年Q2销售数据（CSV格式）：

日期,销售额,订单数,客单价,活跃用户数,退货率,广告支出
2024-04-01,150000,500,300,1200,5.2%,15000
2024-04-08,165000,550,300,1250,5.0%,18000
2024-04-15,170000,520,327,1300,4.8%,20000
2024-04-22,180000,600,300,1350,5.5%,22000
2024-04-29,190000,650,292,1400,6.0%,25000
2024-05-06,210000,700,300,1500,5.8%,30000
2024-05-13,205000,680,301,1480,5.5%,28000
2024-05-20,215000,720,299,1520,5.3%,32000
2024-05-27,220000,750,293,1550,5.7%,35000
2024-06-03,225000,770,292,1580,6.2%,38000
2024-06-10,230000,790,291,1600,6.5%,40000
2024-06-17,228000,780,292,1590,6.3%,39000
2024-06-24,235000,800,294,1620,6.8%,42000
</data>

<analysis_requirements>
请完成以下分析：

1. **数据概览**
   - 数据时间范围
   - 核心指标的变化趋势

2. **关键指标分析**
   - 销售额增长率（按周）
   - 订单数增长率
   - 客单价变化趋势
   - 活跃用户增长
   - 退货率趋势
   - 广告支出回报率（ROAS）分析

3. **相关性分析**
   - 广告支出与销售额的关系
   - 活跃用户数与销售额的关系
   - 退货率与销售额/客单价的关系

4. **异常检测**
   - 识别数据中的异常值或突变点
   - 分析可能的原因

5. **业务洞察**
   - 至少提取5个关键洞察
   - 每个洞察都应该有数据支撑

6. **建议**
   - 提供至少3条可操作的业务建议
   - 建议应该基于数据分析结果

## 输出格式
请以Markdown格式输出分析报告，包含：
- 标题和章节结构
- 表格（用于展示数据和对比）
- 要点列表
- 结论和建议

Assistant:

预期输出：

markdown

# 2024年Q2电商销售数据分析报告

**数据时间范围**：2024年4月1日 - 2024年6月24日（12周）

---

## 1. 数据概览

### 核心指标变化趋势

| 指标       | 期初值（4月1日） | 期末值（6月24日） | 增长率  |
| ---------- | ---------------- | ----------------- | ------- |
| 销售额     | 150,000元        | 235,000元         | +56.7%  |
| 订单数     | 500单            | 800单             | +60.0%  |
| 客单价     | 300元            | 294元             | -2.0%   |
| 活跃用户数 | 1,200人          | 1,620人           | +35.0%  |
| 退货率     | 5.2%             | 6.8%              | +1.6pp  |
| 广告支出   | 15,000元         | 42,000元          | +180.0% |

**初步观察**：销售额和订单数均显著增长，但客单价略有下降，退货率上升，广告支出增长过快。

---

## 2. 关键指标分析

### 2.1 销售额增长率

**周环比增长率**：

- 4月：平均周增长率 +6.7%
- 5月：平均周增长率 +4.8%
- 6月：平均周增长率 +2.3%

**趋势**：销售额持续增长，但增速放缓。

### 2.2 订单数 vs 销售额增长

| 月份 | 订单数增长率 | 销售额增长率 | 分析                 |
| ---- | ------------ | ------------ | -------------------- |
| 4月  | +30.0%       | +40.0%       | 订单和销售额同步增长 |
| 5月  | +15.4%       | +15.8%       | 订单和销售额同步增长 |
| 6月  | +6.7%        | +6.8%        | 订单和销售额同步增长 |

**洞察**：订单数增长与销售额增长高度相关（斜率≈1），说明增长主要来自订单量增加，而非客单价提升。

### 2.3 客单价变化趋势

**趋势图描述**：

客单价（元） 310 ┤ 300 ┤ ══════════════════╗ 290 ┤ ║ 280 ┤ ╚════════════════════════ 270 ┤ └───────────────────────────────────────── 4月1日 4月15日 5月1日 5月15日 6月1日 6月24日


**分析**：
- 客单价在4月中旬达到峰值（327元），之后持续下降
- 6月客单价稳定在291-294元，下降趋缓

**可能原因**：
1. 促销活动中，用户倾向于购买低价商品
2. 新用户占比增加，首次购买倾向于低价商品
3. 商品结构变化（更多低价商品被推广）

### 2.4 广告支出回报率（ROAS）分析

**ROAS计算公式**：销售额 / 广告支出

| 日期 | 销售额 | 广告支出 | ROAS | 评估 |
|------|--------|---------|------|------|
| 4月1日 | 150,000 | 15,000 | 10.0 | 优秀 |
| 4月15日 | 170,000 | 20,000 | 8.5 | 良好 |
| 5月1日 | 190,000 | 25,000 | 7.6 | 良好 |
| 5月15日 | 210,000 | 30,000 | 7.0 | 可接受 |
| 6月1日 | 225,000 | 38,000 | 5.9 | 偏低 |
| 6月24日 | 235,000 | 42,000 | 5.6 | 偏低 |

**趋势**：ROAS持续下降，从10.0降至5.6。

**问题分析**：
- 广告支出增长（+180%）远高于销售额增长（+56.7%）
- 可能存在广告投放效率下降、受众疲劳、竞争加剧等问题

---

## 3. 相关性分析

### 3.1 广告支出与销售额

**相关系数**：r ≈ 0.97（高度正相关）

**回归分析**：

销售额 = 106,52 + 3.01 × 广告支出


**解释**：每增加1元广告支出，销售额增加约3.01元。但近期边际效益递减。

### 3.2 活跃用户数与销售额

**相关系数**：r ≈ 0.99（高度正相关）

**分析**：活跃用户数是销售额增长的主要驱动因素。

### 3.3 退货率与客单价

**观察**：
- 客单价较高的时期（4月中旬），退货率较低（4.8%）
- 客单价下降后，退货率上升（6.8%）

**可能解释**：低价商品的质量或用户期望值可能更低，导致退货率上升。

---

## 4. 异常检测

### 异常点1：5月6日订单数激增

**观察**：5月6日当周，订单数从600单激增至700单（+16.7%），但客单价从300元降至292元。

**可能原因**：
- 五一假期促销活动
- 季节性需求（夏季商品开始热销）

**建议**：分析5月6日当周的具体促销活动，复制成功策略。

### 异常点2：6月退货率持续上升

**观察**：6月退货率从5.5%上升至6.8%，超过行业平均水平（通常5%）。

**可能原因**：
1. 商品质量问题
2. 描述与实物不符
3. 用户期望值管理不当

**紧急建议**：立即审查6月退货商品，识别质量问题或描述不符的商品。

---

## 5. 业务洞察

### 洞察1：增长质量下降
虽然销售额持续增长，但增长质量在下降：
- 客单价下降（从327元降至291元）
- 广告效率下降（ROAS从10.0降至5.6）
- 退货率上升（从5.2%升至6.8%）

**建议**：不应只关注GMV增长，应关注增长质量和利润率。

### 洞察2：新用户获取成本高企
广告支出增长180%，但销售额仅增长56.7%，说明新用户获取成本（CAC）在上升。

**建议**：
1. 优化广告投放策略（受众定向、创意优化）
2. 提高复购率，降低对广告的依赖

### 洞察3：客单价下降需要警惕
客单价下降可能意味着：
1. 用户消费能力下沉
2. 商品结构不合理（低价商品占比过高）
3. 促销过度，用户习惯了折扣

**建议**：推出高客单价商品的营销策略（捆绑销售、满减、会员专享等）。

### 洞察4：退货率是红色信号
退货率超过6.5%需要立即关注，可能导致：
1. 利润侵蚀（物流成本、商品损耗）
2. 用户体验下降
3. 品牌声誉受损

**建议**：建立退货原因分析机制，区分质量问题、描述不符、用户主观原因等。

### 洞察5：活跃用户增长是亮点
活跃用户数增长35%，说明用户获取和留存策略有效。

**建议**：
1. 继续投资用户增长
2. 但同时提高用户生命周期价值（LTV）

---

## 6. 建议

### 建议1：优化广告投放，提升ROAS（紧急）

**行动**：
1. 暂停低效广告渠道（ROAS < 4.0）
2. A/B测试不同广告创意和受众定向
3. 引入归因分析，了解各渠道的真实贡献
4. 设置广告支出上限，避免过度烧钱

**预期效果**：ROAS提升至7.0+

### 建议2：客单价提升计划（重要）

**行动**：
1. 推出捆绑销售（Bundle）策略
2. 设置满减门槛（如满399减50）
3. 推广高客单价商品（专题页、推荐位）
4. 会员专享折扣（仅限高客单价商品）

**预期效果**：客单价回升至310元+

### 建议3：退货率控制计划（紧急）

**行动**：
1. 立即审查退货率TOP 20的商品
2. 对质量问题商品下架或改进
3. 优化商品描述和图片，避免过度美化
4. 引入"试穿/试用"服务，降低退货意愿
5. 设置退货政策（如"7天无理由退货"但用户承担运费）

**预期效果**：退货率降至5.5%以下

### 建议4：提升用户复购率（重要）

**行动**：
1. 建立用户分层体系（新用户、活跃用户、沉睡用户）
2. 针对沉睡用户（30天未购买）推送个性化优惠
3. 引入订阅模式或会员计划
4. 优化推荐算法，提升交叉销售（Cross-sell）和向上销售（Up-sell）

**预期效果**：复购率提升15%+

---

## 7. 结论

Q2数据显示，平台在用户增长和销售额增长上取得了显著成绩，但增长质量存在隐患：
1. 广告效率下降
2. 客单价下降
3. 退货率上升

**核心建议**：从"追求GMV增长"转向"追求利润增长"，优化广告投放、提升客单价、控制退货率。

**下一步**：建议每周跟踪核心指标，建立预警机制（如退货率>6%自动报警）。

6. 推理任务提示词

6.1 逻辑推理

示例：演绎推理

提示词：

markdown

Human:
<role>
你是一位逻辑推理专家，擅长演绎推理、归纳推理和批判性思维。
你的推理严谨、清晰，能够让读者轻松跟随你的思路。
</role>

<task>
请解决以下逻辑推理问题，并详细展示推理过程。
</task>

<problem>
所有的哺乳动物都是脊椎动物。
所有的猫都是哺乳动物。
请问：所有的猫都是脊椎动物吗？
</problem>

<reasoning_steps>
请按以下步骤推理：

1. **理解问题**：重述问题，确保准确理解。
2. **列出已知前提**：清晰列出所有给定的前提。
3. **分析逻辑关系**：识别前提之间的逻辑关联。
4. **应用推理规则**：使用演绎推理（如三段论）。
5. **检查有效性**：验证推理过程是否符合逻辑规则。
6. **得出结论**：给出明确的最终答案。
7. **反思**：思考是否存在反例或边界情况。
   </reasoning_steps>

<output_format>
请以清晰的Markdown格式输出推理过程，包含：

- 标题和分节
- 逻辑符号（如⊆表示包含于）
- 示范性解释
  </output_format>

Assistant:

预期输出：

markdown

# 逻辑推理分析

## 1. 理解问题

**问题重述**：给定两个前提："所有的哺乳动物都是脊椎动物"和"所有的猫都是哺乳动物"，问是否"所有的猫都是脊椎动物"。

**问题类型**：演绎推理（三段论）

---

## 2. 列出已知前提

**前提1（Premise 1）**：所有的哺乳动物都是脊椎动物。  
符号化表示：若 X 是哺乳动物，则 X 是脊椎动物。  
∀X: Mammal(X) → Vertebrate(X)

**前提2（Premise 2）**：所有的猫都是哺乳动物。  
符号化表示：若 X 是猫，则 X 是哺乳动物。  
∀X: Cat(X) → Mammal(X)

**待证结论（Conclusion to Prove）**：所有的猫都是脊椎动物。  
符号化表示：若 X 是猫，则 X 是脊椎动物。  
∀X: Cat(X) → Vertebrate(X)

---

## 3. 分析逻辑关系

### 关系图

Cat (猫) │ │ ⊆ (包含于) ▼ Mammal (哺乳动物) │ │ ⊆ (包含于) ▼ Vertebrate (脊椎动物)


### 逻辑链

前提2建立了"猫"和"哺乳动物"的包含关系：
Cat ⊆ Mammal

前提1建立了"哺乳动物"和"脊椎动物"的包含关系：
Mammal ⊆ Vertebrate

根据包含关系的传递性（Transitivity）：
如果 A ⊆ B 且 B ⊆ C，则 A ⊆ C

因此：
Cat ⊆ Vertebrate

---

## 4. 应用推理规则

### 三段论（Syllogism）

这是一个典型的三段论结构：

- **大前提（Major Premise）**：所有的哺乳动物都是脊椎动物。
- **小前提（Minor Premise）**：所有的猫都是哺乳动物。
- **结论（Conclusion）**：所有的猫都是脊椎动物。

### 形式化证明

1. ∀X: Cat(X) → Mammal(X) 【前提2】
2. ∀X: Mammal(X) → Vertebrate(X) 【前提1】
3. 取任意个体 a
4. 假设 Cat(a) 【假设a是猫】
5. Mammal(a) 【4, 1, 假言推理（Modus Ponens）】
6. Vertebrate(a) 【5, 2, 假言推理】
7. Cat(a) → Vertebrate(a) 【4-6, 条件引入】
8. ∀X: Cat(X) → Vertebrate(X) 【7, 全称引入】

**证毕（QED）**

---

## 5. 检查有效性

### 有效性标准

一个推理是**有效的（Valid）**，当且仅当：如果所有前提为真，则结论必然为真。

### 验证

- 假设前提1为真（所有哺乳动物都是脊椎动物）
- 假设前提2为真（所有猫都是哺乳动物）
- 在这些假设下，结论（所有猫都是脊椎动物）**必然为真**

✅ **推理有效**

### 是否可靠（Sound）？

一个推理是**可靠的（Sound）**，当且仅当：
1. 推理有效
2. 所有前提实际上为真

在现实中：
- 前提1为真（哺乳动物确实是脊椎动物）
- 前提2为真（猫确实是哺乳动物）
- 因此，这个推理既是有效的，也是可靠的

✅ **推理可靠**

---

## 6. 得出结论

**最终答案**：✅ **是的，所有的猫都是脊椎动物。**

**推理总结**：
- 因为所有的猫都是哺乳动物（前提2）
- 且所有的哺乳动物都是脊椎动物（前提1）
- 所以，所有的猫都是脊椎动物（传递性）

---

## 7. 反思

### 可能的误区

❌ **误区1**：混淆"所有A是B"与"所有B是A"
- "所有的猫都是哺乳动物" ≠ "所有的哺乳动物都是猫"
- 包含关系是单向的，不是双向的

✅ **正确理解**：猫是哺乳动物的子集，哺乳动物是脊椎动物的子集。

### 边界情况

❓ **问题**：如果存在一个"非典型猫"（如基因突变），结论是仍然成立？
✅ **答案**：是的。前提中"所有的猫"指的是猫这个物种的定义，而不是个体差异。如果一个动物不满足"哺乳动物"的定义，它就不会被分类为"猫"。

### 逻辑规则总结

这个推理应用了以下逻辑规则：
1. **假言推理（Modus Ponens）**：如果 P→Q 且 P，则 Q
2. **传递性（Transitivity）**：如果 A⊆B 且 B⊆C，则 A⊆C
3. **全称量化（Universal Quantification）**：∀X 表示"对于所有X"

---

## 8. 拓展思考

### 逆命题、否命题、逆否命题

对于给定的命题："所有的猫都是脊椎动物"（Cat → Vertebrate）

1. **逆命题**：所有的脊椎动物都是猫。（❌ 错误）
2. **否命题**：不是猫的动物不是脊椎动物。（❌ 错误）
3. **逆否命题**：不是脊椎动物的动物不是猫。（✅ 正确）

**逻辑等价性**：原命题 ↔ 逆否命题

---

## 总结

通过严谨的演绎推理，我们证明了"所有的猫都是脊椎动物"这一结论。推理过程有效且可靠，符合逻辑规则。

**核心要点**：
- 使用三段论结构
- 应用包含关系的传递性
- 验证推理的有效性和可靠性
- 避免常见的逻辑误区

7. 高级技巧

7.1 思维链（Chain-of-Thought）在Claude中的应用

Claude特别擅长长链条推理，可以通过以下方式激活：

示例：复杂数学问题

提示词：

markdown

Human:
<instructions>
请解决以下数学问题。在给出最终答案之前，你必须：

1. **理解问题**：重述问题，确保理解
2. **识别已知和未知**：列出已知条件和待求量
3. **制定解题策略**：选择适当的解题方法
4. **逐步计算**：展示每一步计算过程
5. **验证答案**：检查答案的合理性
6. **总结**：用一句话概括答案

非常重要：不要跳过任何步骤，即使你认为很简单。
</instructions>

<problem>
一个农场有鸡和兔子共35只，共有94只脚。请问鸡和兔子各有多少只？
</problem>

Assistant:

预期输出：

markdown

# 解题过程

## 1. 理解问题

**问题重述**：一个农场里共有35只动物，这些动物要么是鸡，要么是兔子。已知这些动物总共有94只脚。问：鸡有多少只？兔子有多少只？

**关键信息**：

- 总动物数：35只
- 总脚数：94只
- 鸡的脚数：2只/只
- 兔子的脚数：4只/只

---

## 2. 识别已知和未知

**已知条件**：

- 鸡的数量 + 兔子的数量 = 35
- 鸡的脚数 + 兔子的脚数 = 94
- 每只鸡有2只脚
- 每只兔子有4只脚

**未知量**：

- 鸡的数量（设为 x）
- 兔子的数量（设为 y）

---

## 3. 制定解题策略

**方法选择**：建立二元一次方程组

**理由**：

- 有两个未知量（鸡的数量、兔子的数量）
- 有两个等量关系（总数量、总脚数）
- 可以使用代入法或消元法求解

---

## 4. 逐步计算

### 步骤1：建立方程

根据已知条件，可以建立以下方程组：

\[
\begin{cases}
x + y = 35 & \text{(1) 总数量方程} \\
2x + 4y = 94 & \text{(2) 总脚数方程}
\end{cases}
\]

其中：

- \(x\) = 鸡的数量
- \(y\) = 兔子的数量

### 步骤2：化简方程

观察方程(2)，可以两边同时除以2，化简得：

\[
x + 2y = 47 \quad \text{(3)}
\]

### 步骤3：使用消元法

现在我们有：
\[
\begin{cases}
x + y = 35 & \text{(1)} \\
x + 2y = 47 & \text{(3)}
\end{cases}
\]

用方程(3)减去方程(1)：

\[
(x + 2y) - (x + y) = 47 - 35
\]

化简：

\[
x + 2y - x - y = 12
\]
\[
y = 12
\]

### 步骤4：求解 x

将 \(y = 12\) 代入方程(1)：

\[
x + 12 = 35
\]
\[
x = 35 - 12
\]
\[
x = 23
\]

### 步骤5：得出答案

- 鸡的数量：23只
- 兔子的数量：12只

---

## 5. 验证答案

### 验证1：总数量

\[
x + y = 23 + 12 = 35 \quad ✓
\]

符合题目条件。

### 验证2：总脚数

鸡的脚数：\(23 \times 2 = 46\)  
兔子的脚数：\(12 \times 4 = 48\)  
总脚数：\(46 + 48 = 94\) ✓

符合题目条件。

### 验证3：合理性检查

- 鸡和兔子的数量都是正整数 ✓
- 数量在合理范围内（没有负数或过大）✓
- 脚数计算正确 ✓

**结论**：答案合理。

---

## 6. 总结

**最终答案**：农场有**23只鸡**和**12只兔子**。

**解题关键**：

- 将实际问题转化为数学模型（方程组）
- 使用消元法求解方程组
- 验证答案的合理性

---

## 拓展：其他解题方法

### 方法2：假设法（算术方法）

**思路**：假设所有动物都是鸡，然后计算差值。

**步骤**：

1. 假设35只都是鸡，总脚数 = \(35 \times 2 = 70\)
2. 实际总脚数 = 94
3. 差值 = \(94 - 70 = 24\)
4. 每将1只鸡替换为1只兔子，脚数增加 \(4 - 2 = 2\)
5. 需要替换的次数 = \(24 \div 2 = 12\)
6. 因此，兔子数量 = 12只，鸡数量 = \(35 - 12 = 23\)只

**答案一致** ✓

---

## 最终结论

通过多种方法验证，确认答案正确：

\[
\boxed{鸡 = 23 \text{只}, \quad 兔子 = 12 \text{只}}
\]

7.2 思维树（Tree of Thoughts）在Claude中的应用

对于需要探索多个可能性的问题，可以让Claude生成和评估多个思路。

示例：复杂决策问题

提示词：

markdown

Human:
<task>
我们需要决定是否投资一个新的AI创业公司。请使用思维树（Tree of Thoughts）方法，生成和评估多个决策思路。
</task>

<company_info>
创业公司信息：

- 业务：开发企业级AI客服平台
- 阶段：种子轮，寻求500万美元投资
- 团队：3位创始人（2位技术，1位销售），均无创业经验
- 产品：MVP已完成，有3个付费客户
- 市场：企业AI客服市场预计2027年达到300亿美元
- 竞争：已有数家成熟竞争对手（如Intercom、Zendesk AI）
- 估值：2000万美元（Pre-money）
  </company_info>

<requirements>
请完成以下分析：

1. **生成3个不同的投资策略**
   - 策略1：全额投资500万美元
   - 策略2：部分投资（如200万美元）+ 后续跟投权
   - 策略3：不投资，但提供资源和指导

2. **对每种策略进行评估**
   评估维度：
   - 潜在回报（ROI）
   - 风险水平
   - 团队能力匹配
   - 市场时机
   - 竞争格局

3. **决策树分析**
   对每种策略，分析：
   - 最佳情况（概率、回报）
   - 一般情况（概率、回报）
   - 最差情况（概率、回报）
   - 风险调整后预期回报

4. **最终建议**
   基于以上分析，给出明确的投资建议，并解释理由。

<output_format>
请以Markdown格式输出，包含：

- 每个策略的详细描述
- 评估表格
- 决策树图（用ASCII艺术或文字描述）
- 最终建议和理由
  </output_format>

Assistant:

7.3 使用Claude的长文档处理能力

Claude的200K上下文窗口使其能够处理非常长的文档。可以通过以下方式充分利用：

示例：长文档摘要和分析

提示词：

markdown

Human:
<task>
我将会提供一份很长的研究报告（约2万字）。请你：

1. 提取核心观点和结论
2. 总结每个章节的要点
3. 识别报告中的数据和证据
4. 评估论证的逻辑性和完整性
5. 提供关键引用（如果有的话）
   </task>

<document>
[在此粘贴长篇文档，可能包含数万字]
</document>

<output_requirements>
请以以下格式输出：

1. **执行摘要**（300字以内）
   - 报告的核心结论
   - 主要发现和观点

2. **章节摘要**
   对每个章节，提供：
   - 章节标题
   - 核心论点（1-2句话）
   - 关键证据或数据

3. **数据和证据清单**
   列出报告中的所有重要数据，包含：
   - 数据描述
   - 数值
   - 来源（如果报告中有提及）

4. **论证评估**
   - 论证是否逻辑严密？
   - 是否有数据支撑？
   - 是否存在逻辑漏洞或偏见？

5. **关键引用**
   如果报告引用了其他研究或专家观点，列出最重要的3-5条。

<tone>
客观、简洁、准确。不要添加报告中没有的信息。
</tone>

Assistant:

8. 配置参数建议

8.1 Max Tokens（最大生成长度）

Claude的max_tokens参数控制模型生成的最大token数。

建议设置：

任务类型	推荐Max Tokens	说明
简单问答	500 - 1,000	足够输出简洁答案
文章写作	2,000 - 4,000	约1500-3000字
长文档分析	4,096 - 8,192	处理长文档摘要
代码生成	2,000 - 4,000	完整代码文件
数据分析报告	3,000 - 5,000	详细分析报告

注意：Claude 3.5 Sonnet支持最多8192 tokens的输出。

示例：

python

import anthropic

client = anthropic.Anthropic(api_key="your-api-key")

message = client.messages.create(
    model="claude-3-5-sonnet-20240620",
    max_tokens=4096,  # 限制输出长度
    messages=[
        {"role": "user", "content": "请撰写一篇关于AI伦理的长篇文章..."}
    ]
)

8.2 Temperature（温度）

Claude的temperature参数控制生成文本的随机性。

建议设置：

任务类型	推荐Temperature	说明
事实性任务（摘要、翻译、问答）	0.0 - 0.3	低温度使输出更确定、一致
通用对话和解释	0.3 - 0.7	平衡创造性和连贯性
创意写作（故事、诗歌）	0.7 - 1.0	高温度增加多样性和创意
代码生成	0.2 - 0.5	较低温度确保语法正确

示例：

python

message = client.messages.create(
    model="claude-3-5-sonnet-20240620",
    max_tokens=4096,
    temperature=0.3,  # 事实性任务，使用低温度
    messages=[
        {"role": "user", "content": "请将以下文章翻译为英文：[文章内容]"}
    ]
)

8.3 Top P（核采样）

Claude也支持top_p参数，控制生成时考虑的token范围。

建议设置：

场景	推荐Top P	说明
高质量输出	0.9	默认设置，平衡质量和多样性
需要更多创造性	0.95 - 0.99	从高概率token中采样
需要更确定性输出	0.8 - 0.9	缩小采样范围

注意：通常只需要调整temperature或top_p中的一个，不要同时调整两个。

8.4 Stop Sequences（停止序列）

stop_sequences参数可以指定模型在生成到某个序列时停止。

使用场景：

强制JSON输出

python

message = client.messages.create(
    model="claude-3-5-sonnet-20240620",
    max_tokens=1000,
    stop_sequences=["```\n\n"],  # 遇到```\n\n时停止
    messages=[
        {"role": "user", "content": "请以JSON格式输出结果：\n\n```json\n"}
    ]
)

控制输出长度

python

# 在生成到一定长度后停止
message = client.messages.create(
    model="claude-3-5-sonnet-20240620",
    max_tokens=2000,
    stop_sequences=["\n\n---\n\n"],  # 遇到分隔线时停止
    messages=[
        {"role": "user", "content": "请写一篇文章，在适当位置用---\n\n分隔章节"}
    ]
)

8.5 推荐配置组合

配置1：精准翻译任务

python

{
    "model": "claude-3-5-sonnet-20240620",
    "max_tokens": 2000,
    "temperature": 0.2,  # 低温度确保翻译准确
    "top_p": 0.9
}

配置2：创意写作

python

{
    "model": "claude-3-5-sonnet-20240620",
    "max_tokens": 4096,
    "temperature": 0.85,  # 高温度增加创意
    "top_p": 0.95
}

配置3：代码生成

python

{
    "model": "claude-3-5-sonnet-20240620",
    "max_tokens": 3000,
    "temperature": 0.3,  # 较低温度确保代码正确
    "top_p": 0.9,
    "stop_sequences": ["\n\n```\n"]  # 代码块结束后停止
}

配置4：长文档分析

python

{
    "model": "claude-3-5-sonnet-20240620",
    "max_tokens": 8192,  # 使用最大输出长度
    "temperature": 0.4,  # 适度创造性
    "top_p": 0.9
}

9. 常见错误与解决方案

9.1 输出过于冗长

问题描述：Claude容易生成过长的输出，超出预期长度。

解决方案：

方法1：明确指定字数要求

markdown

Human:
请撰写一篇产品评测文章。

要求：

- **字数：1500-1800字**（严格遵守）
- 结构：[列出结构]
- 风格：[描述风格]

非常重要：请确保字数在要求范围内，不要超出。

方法2：设置max_tokens限制

python

message = client.messages.create(
    model="claude-3-5-sonnet-20240620",
    max_tokens=2500,  # 1800字约需2500 tokens（中文）
    messages=[...]
)

方法3：在提示词中强调简洁

markdown

Human:
<instructions>
你是一位简洁高效的助手。回答问题时：

1. 直击要点，避免冗长的铺垫
2. 删除不必要的重复
3. 使用简洁的语言表达复杂的概念
4. 如果可以用一句话说清楚，不要用一段话
   </instructions>

<task>
请解释什么是区块链。
</task>

9.2 角色扮演不够自然

问题描述：Claude在角色扮演时，输出不够自然或不符合角色设定。

解决方案：

方法1：提供详细的角色设定

markdown

Human:
<role>
你是一位拥有20年经验的心理咨询师，专注于认知行为疗法（CBT）。
你的咨询风格：

- 同理心强，善于倾听
- 引导式提问，而非直接给出建议
- 使用开放式问题鼓励客户自我探索
- 保持专业边界，不超越咨询师职责
- 语言温和、 supportive，但不过度亲密

在咨询中，你会：

- 反射客户的情感（"我听到你感到..."）
- 正常化客户的体验（"很多人面对类似情况时会有相同感受..."）
- 布置小而可行的行动作业
- 避免评判或指责
  </role>

<scenario>
客户是一位28岁的年轻专业人士，因为工作压力感到焦虑，前来咨询。
</scenario>

<task>
请以咨询师的身份，开始第一次咨询对话。
</task>

方法2：提供角色扮演示例

markdown

Human:
我将给你展示心理咨询师与客户的对话示例，然后请你扮演咨询师继续对话。

<example>
客户："我最近工作压力很大，感觉快撑不住了。"
咨询师："听起来你最近承受了很多压力，能具体说说是什么让你感到'快撑不住了吗？"（反射情感 + 开放式提问）

客户："每天都有开不完的会，回不完的邮件，感觉根本没时间做实际工作。"
咨询师："我理解，那种一直'救火'却无法专注真正重要的工作的感觉确实很frustrating。你提到'实际工作'，能告诉我你认为最重要的工作是什么吗？"（正常化 + 探索价值观）
</example>

现在，请继续以下对话：

客户："我觉得自己一直让团队失望。项目进度落后，我感觉很自责。"
咨询师：（请你回答）

9.3 输出格式不符合要求

问题描述：期望JSON或其他结构化输出，但Claude输出纯文本。

解决方案：

方法1：预填充响应（Pre-filling）

markdown

Human:
请分析以下句子的情感，并以JSON格式输出。

句子："这个产品真的很棒，超出我的预期！"

输出格式：
{
"sentiment": "[Positive/Neutral/Negative]",
"confidence": [0-1],
"reasoning": "[解释]"
}

Assistant:
{
"sentiment": "Positive",

（Claude会继续完成JSON）

方法2：使用XML标签结构化输出

markdown

Human:
请分析以下文章的要点，并按以下XML格式输出：

<analysis>
  <summary>[摘要]</summary>
  <key_points>
    <point>[要点1]</point>
    <point>[要点2]</point>
    ...
  </key_points>
  <sentiment>[情感倾向]</sentiment>
</analysis>

文章：
[文章内容]

方法3：明确输出格式要求

markdown

Human:
<task>
分析以下数据，并以JSON格式输出结果。
</task>

<data>
[数据内容]
</data>

<output_format>
输出必须严格符合以下JSON Schema：

{
"type": "object",
"properties": {
"summary": {"type": "string"},
"key_points": {
"type": "array",
"items": {"type": "string"}
},
"sentiment": {
"type": "string",
"enum": ["positive", "neutral", "negative"]
}
},
"required": ["summary", "key_points", "sentiment"]
}

非常重要：

1. 输出必须是合法的JSON
2. 不要添加任何JSON以外的内容
3. 使用双引号，不要使用单引号
   </output_format>

9.4 推理错误或不完整

问题描述：Claude在复杂推理任务中出错，或推理步骤不完整。

解决方案：

方法1：强制逐步推理

markdown

Human:
<instructions>
在解决以下数学问题之前，你必须：

1. **列出已知条件**：将所有已知信息清晰列出
2. **建立数学模型**：将问题转化为数学语言
3. **分步计算**：展示每一步计算过程，不要跳步
4. **验证答案**：检查答案的合理性

非常重要：如果有任何步骤不清晰，请停下来解释，不要继续。
</instructions>

<problem>
[数学问题]
</problem>

方法2：使用"Let's think step by step"

markdown

Human:
请解决以下逻辑推理问题。让我们逐步思考：

问题：[问题内容]

步骤1：[Claude会开始逐步推理]

方法3：要求自我检查

markdown

Human:
<task>
请解决以下复杂问题。
</task>

<requirements>
在完成解答后，你必须：

1. **自我检查**：回顾你的解答，检查是否有错误
2. **验证答案**：使用不同方法验证（如果可能）
3. **指出不确定性**：如果有任何步骤你不确定，请明确指出来
4. **提供改进方向**：如果答案可能不完美，提供改进的思路

不要直接给出答案，然后就结束。自我检查是强制性的。
</requirements>

10. 实用提示词模板

模板1：长文档分析

markdown

Human:
<role>
你是一位[角色，如：法律分析师/医学研究者/商业顾问]，擅长阅读和分析长篇文档。
你的分析严谨、客观，能够提取关键信息并识别潜在风险。
</role>

<task>
请分析以下[文档类型，如：合同/研究报告/商业计划书]，并提供详细分析。
</task>

<document>
[在此粘贴长篇文档]
</document>

<analysis_requirements>
请完成以下分析：

1. **执行摘要**（300字以内）
   - 文档的核心内容
   - 主要结论或建议

2. **详细分析**
   对每个主要部分，提供：
   - 章节标题
   - 核心论点
   - 支持证据
   - 你的评估（逻辑性、完整性、偏见等）

3. **关键发现**
   列出3-5个最重要的发现或洞见。

4. **风险评估**（如果适用）
   识别文档中的潜在风险或问题。

5. **建议**
   基于你的分析，提供可操作的建议。

<output_format>
请以Markdown格式输出，包含标题、段落、列表和表格（如果需要）。
</output_format>

Assistant:

模板2：角色扮演对话

markdown

Human:
<role>
你是一位[角色名称，如：心理咨询师/职业顾问/技术导师]，具有以下特征：

- 背景：[描述角色的背景和经验]
- 性格：[描述性格特点，如：耐心、严格、幽默等]
- 沟通风格：[描述沟通风格，如：温和但坚定/直接且不客气/鼓励式]
- 专业领域：[列出专业领域]
  </role>

<scenario>
[描述具体场景，如：客户前来咨询职业转型/学生请教编程学习路径]
</scenario>

<task>
请以角色的 identity，与用户进行对话。在对话中：

1. **保持角色一致性**：所有回复都应该符合角色设定
2. **使用角色的口吻**：包括用词、句式、语气
3. **展现角色的专业知识**：提供专业、可信的建议
4. **适度展现角色的性格**：让对话更真实、有温度

<dialogue_format>
对话格式：

[角色名]：[对话内容]

如果用户没有指定回复，你可以主动提问或引导对话。
</dialogue_format>

Assistant:

模板3：数据分析和可视化建议

markdown

Human:
<role>
你是一位数据分析师和可视化专家，擅长从数据中提取洞察，并选择最合适的图表类型展示数据。
</role>

<task>
我有以下数据，请帮我分析并推荐合适的可视化方案。
</task>

<data_description>
数据描述：

- 数据来源：[描述数据来源]
- 数据规模：[行数、列数]
- 字段列表：[列出字段名和含义]
- 示例数据：[提供几行示例数据]
  </data_description>

<analysis_requirements>
请完成以下任务：

1. **数据理解**
   - 各字段的数据类型
   - 数据质量评估（缺失值、异常值等）
   - 数据分布特征

2. **分析目标**
   基于数据特点，我可能想要了解：
   - [分析目标1，如：趋势分析]
   - [分析目标2，如：对比分析]
   - [分析目标3，如：相关性分析]

3. **可视化推荐**
   对每个分析目标，推荐：
   - 最佳图表类型（如：折线图、柱状图、散点图等）
   - 推荐理由
   - 设计建议（颜色、标签、图例等）
   - 需要避免的常见错误

4. **分析建议**
   - 除了可视化，还可以进行哪些统计分析？
   - 如何深入挖掘数据价值？

<output_format>
请以Markdown格式输出，包含：

- 标题和分节
- 表格（用于对比不同图表类型）
- 图表描述（用文字描述预期的图表效果）
- 代码示例（如果使用Python/R，提供代码框架）
  </output_format>

Assistant:

模板4：代码审查和重构

markdown

Human:
<role>
你是一位资深代码审查专家，擅长发现代码中的bug、性能问题、安全漏洞和可维护性问题。
你的审查细致、专业，能够提供建设性的改进建议，并能够重构代码。
</role>

<task>
请审查以下[语言]代码，并提供详细的审查报告和重构建议。
</task>

<code>
[在此粘贴需要审查的代码]
</code>

<review_criteria>
请从以下维度审查代码：

1. **正确性**
   - 是否有bug？
   - 边界条件是否处理？
   - 算法是否正确？

2. **安全性**
   - 是否有安全漏洞（如SQL注入、XSS、缓冲区溢出等）？
   - 是否有敏感信息泄露？
   - 输入验证是否充分？

3. **性能**
   - 是否有性能瓶颈？
   - 时间复杂度和空间复杂度是否合理？
   - 是否有优化空间？

4. **可维护性**
   - 命名是否规范？
   - 代码是否易于理解？
   - 是否有适当的注释和文档？
   - 是否遵循语言和行业的编码规范？

5. **可扩展性**
   - 代码是否易于扩展？
   - 是否遵循SOLID原则？
   - 是否有适当的抽象和模块化？

<output_format>
请提供以下内容的审查报告：

1. **执行摘要**（总体评价）
2. **详细问题列表**（按严重程度排序：🔴严重 / 🟡中等 / 🟢轻微）
3. **改进建议**（针对每个问题）
4. **重构后的代码**（完整的、可运行的）
5. **改进说明**（列出主要改进点）

格式：Markdown，包含代码块、表格、列表等。
</output_format>

Assistant:

模板5：决策分析

markdown

Human:
<role>
你是一位决策分析专家，擅长使用结构化方法（如决策树、SWOT分析、成本效益分析等）帮助人们做出复杂决策。
你的分析客观、全面，能够权衡利弊，并提供明确的建议。
</role>

<task>
我面临一个重要的决策，请帮我分析并给出建议。
</task>

<decision_context>
决策背景：
[描述你面临的决策，如：选择哪个工作offer/是否投资某个项目/选择哪种技术方案]

可选方案：

- 方案A：[描述]
- 方案B：[描述]
- 方案C：[描述]（如果有）

决策约束：

- 时间约束：[如有]
- 预算约束：[如有]
- 其他限制：[如有]
  </decision_context>

<analysis_framework>
请使用以下框架进行分析：

1. **SWOT分析**（对每个方案）
   - Strengths（优势）
   - Weaknesses（劣势）
   - Opportunities（机会）
   - Threats（威胁）

2. **成本效益分析**
   对每个方案，评估：
   - 直接成本
   - 间接成本
   - 预期收益
   - intangible收益（如品牌、声誉等）

3. **风险评估**
   对每个方案，识别：
   - 主要风险
   - 风险发生概率
   - 风险影响程度
   - 风险缓解措施

4. **决策矩阵**
   建立决策矩阵，对不同方案打分（1-10分）：
   - 成本（越低越好）
   - 收益（越高越好）
   - 风险（越低越好）
   - 可行性（越高越好）
   - 战略性（越高越好）

5. **敏感性分析**
   如果关键假设发生变化，决策是否会改变？

<output_format>
请以Markdown格式输出分析报告，包含：

- SWOT表格
- 成本效益对比表
- 风险矩阵
- 决策矩阵（打分表）
- 最终建议（明确、有理由支撑）

<tone>
客观、数据驱动、实用。避免模糊的表述，给出明确的建议。
</tone>

Assistant:

11. 参考资料

官方文档

Anthropic Documentation
https://docs.anthropic.com/
Claude的官方API文档，包含模型介绍、API参考、最佳实践。
Claude Prompt Engineering Guide
https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering
Anthropic官方的提示词工程指南，详细介绍Claude的提示词技巧。
Claude 3 Model Card
https://www-cdn.anthropic.com/de8ba9b01c9ab7cbabf5c33b80b7bbc618857627/Model_Card_Claude_3.pdf
Claude 3系列的模型卡片，包含模型能力、限制、安全评估等信息。
Anthropic Cookbook
https://github.com/anthropics/anthropic-cookbook
丰富的Claude使用案例和代码示例。

社区资源

Awesome Claude Prompts
https://github.com/anthropics/awesome-claude-prompts
Claude提示词示例集合，涵盖各种场景。
Prompt Engineering for Claude
https://www.promptingguide.ai/models/claude
PromptingGuide.ai上的Claude提示词指南。
Anthropic Community Forum
https://community.anthropic.com/
官方社区论坛，可以提问、分享经验、获取帮助。

视频教程

Anthropic YouTube Channel
https://www.youtube.com/@AnthropicAI
官方视频教程，包含产品介绍、使用案例等。
DeepLearning.AI - ChatGPT Prompt Engineering for Developers
https://www.deeplearning.ai/short-courses/chatgpt-prompt-engineering-for-developers/
虽然是针对ChatGPT的，但很多技巧也适用于Claude。

📝 更新日志

2026-05-18：初始版本发布，完成Claude 3系列提示词指南
包含Claude 3.5 Sonnet/Opus/Haiku的详细提示词技巧
涵盖写作、代码、数据分析、推理等主流场景
提供丰富的实用示例和可复用模板

🤝 贡献与反馈

如果你发现任何错误或有改进建议，欢迎：

提交Issue进行讨论
提交Pull Request贡献内容
分享你的提示词使用技巧

📄 许可证

本文档采用 MIT 许可证。可自由使用、修改和分发。

最后更新时间：2026年5月18日
作者：AI Engineering Team
版本：v1.0

Anthropic Claude 提示词最佳实践指南 ​

1. 模型概述 ​

1.1 模型版本与特点 ​

1.2 核心优势 ​

1.3 限制与注意事项 ​

2. 提示词基础 ​

2.1 Claude提示词的基本结构 ​

基础格式 ​

使用XML标签结构化（推荐） ​

2.2 核心提示词技巧 ​

✅ 技巧1：使用清晰的部分标题 ​

✅ 技巧2：提供少量示例（Few-Shot） ​

✅ 技巧3：要求逐步思考（Chain-of-Thought） ​

✅ 技巧4：使用角色提示（Role Prompting） ​

2.3 Claude特有功能：预填充响应（Pre-filling Response） ​

示例：强制JSON输出 ​

2.4 提示词编写原则 ​

原则1：清晰直接 ​

原则2：分离数据与指令 ​

原则3：逐步引导复杂任务 ​

3. 写作任务提示词 ​

3.1 文章写作 ​

示例1：深度技术分析文章 ​

示例2：商业分析报告 ​

3.2 创意写作 ​

示例1：科幻短篇故事 ​

示例2：诗歌创作 ​

3.3 文本优化 ​

示例1：学术文本润色 ​

4. 代码开发提示词 ​

4.1 代码生成 ​

示例1：Web API开发 ​

示例2：数据处理脚本 ​

4.2 代码审查与优化 ​

示例：代码审查 ​

问题2：不安全的密码哈希（MD5） ​

问题3：敏感信息硬编码 ​

🟡 中等问题 ​

问题4：缺乏异常处理 ​

问题5：数据库连接未使用上下文管理器 ​

🟢 轻微问题 ​

问题6：函数命名不规范 ​

3. 改进建议 ​

建议1：使用参数化查询防止SQL注入 ​

建议2：使用bcrypt哈希密码 ​

建议3：使用环境变量管理敏感信息 ​

4. 重构后的完整代码 ​

5. 改进说明 ​

安全性改进 ​

代码质量改进 ​

可维护性改进 ​

6. 推理任务提示词 ​

6.1 逻辑推理 ​

示例：演绎推理 ​

7. 高级技巧 ​

7.1 思维链（Chain-of-Thought）在Claude中的应用 ​

示例：复杂数学问题 ​

7.2 思维树（Tree of Thoughts）在Claude中的应用 ​

示例：复杂决策问题 ​

7.3 使用Claude的长文档处理能力 ​

示例：长文档摘要和分析 ​

8. 配置参数建议 ​

8.1 Max Tokens（最大生成长度） ​

8.2 Temperature（温度） ​

8.3 Top P（核采样） ​

8.4 Stop Sequences（停止序列） ​

8.5 推荐配置组合 ​

配置1：精准翻译任务 ​

配置2：创意写作 ​

配置3：代码生成 ​

配置4：长文档分析 ​

9. 常见错误与解决方案 ​

9.1 输出过于冗长 ​

方法1：明确指定字数要求 ​

方法2：设置max_tokens限制 ​

方法3：在提示词中强调简洁 ​

9.2 角色扮演不够自然 ​

方法1：提供详细的角色设定 ​

方法2：提供角色扮演示例 ​

9.3 输出格式不符合要求 ​

Anthropic Claude 提示词最佳实践指南

1. 模型概述

1.1 模型版本与特点

1.2 核心优势

1.3 限制与注意事项

2. 提示词基础

2.1 Claude提示词的基本结构

基础格式

使用XML标签结构化（推荐）

2.2 核心提示词技巧

✅ 技巧1：使用清晰的部分标题

✅ 技巧2：提供少量示例（Few-Shot）

✅ 技巧3：要求逐步思考（Chain-of-Thought）

✅ 技巧4：使用角色提示（Role Prompting）

2.3 Claude特有功能：预填充响应（Pre-filling Response）

示例：强制JSON输出

2.4 提示词编写原则

原则1：清晰直接

原则2：分离数据与指令

原则3：逐步引导复杂任务

3. 写作任务提示词

3.1 文章写作

示例1：深度技术分析文章

示例2：商业分析报告

3.2 创意写作

示例1：科幻短篇故事

示例2：诗歌创作

3.3 文本优化

示例1：学术文本润色

4. 代码开发提示词

4.1 代码生成

示例1：Web API开发

示例2：数据处理脚本

4.2 代码审查与优化

示例：代码审查

问题2：不安全的密码哈希（MD5）

问题3：敏感信息硬编码

🟡 中等问题

问题4：缺乏异常处理

问题5：数据库连接未使用上下文管理器

🟢 轻微问题

问题6：函数命名不规范

3. 改进建议

建议1：使用参数化查询防止SQL注入

建议2：使用bcrypt哈希密码

建议3：使用环境变量管理敏感信息

4. 重构后的完整代码

5. 改进说明

安全性改进

代码质量改进

可维护性改进

6. 推理任务提示词

6.1 逻辑推理

示例：演绎推理

7. 高级技巧

7.1 思维链（Chain-of-Thought）在Claude中的应用

示例：复杂数学问题

7.2 思维树（Tree of Thoughts）在Claude中的应用

示例：复杂决策问题

7.3 使用Claude的长文档处理能力

示例：长文档摘要和分析

8. 配置参数建议

8.1 Max Tokens（最大生成长度）

8.2 Temperature（温度）

8.3 Top P（核采样）

8.4 Stop Sequences（停止序列）

8.5 推荐配置组合

配置1：精准翻译任务

配置2：创意写作

配置3：代码生成

配置4：长文档分析

9. 常见错误与解决方案

9.1 输出过于冗长

方法1：明确指定字数要求

方法2：设置max_tokens限制

方法3：在提示词中强调简洁

9.2 角色扮演不够自然

方法1：提供详细的角色设定

方法2：提供角色扮演示例

9.3 输出格式不符合要求