内存中的用户存储

users_db: List[dict] = []

定义请求体模式

class UserCreate(BaseModel):

username: str

email: EmailStr

password: str

@app.post("/register")

async def register_user(request: UserCreate):

"""注册一个新用户，使用哈希密码。"""

# 检查用户是否已存在

for user in users_db:

    if user["email"] == request.email:

        raise HTTPException(status_code=400, detail="该邮箱已注册")

# 对密码进行哈希处理

hashed_password = bcrypt.hashpw(request.password.encode('utf-8'), bcrypt.gensalt()).decode('utf-8')

# 存储用户记录

user_data = {"username": request.username, "email": request.email, "password": hashed_password}

users_db.append(user_data)

return {"message": f"用户 {request.username} 注册成功"}

此代码可在安装了 FastAPI 和 bcrypt 的 Python 3.11 环境中按原样运行。它包含内联文档，遵循良好的实践，并精确地展示了 Claude 如何利用你提示中的上下文来构建逻辑、验证输入和管理状态。

如果你的提示只是简单地说"创建一个注册 API"，Claude 可能会省略密码哈希或错误处理。每缺失一个细节都会削弱其推理过程。

澄清表

下表总结了有助于 Claude 生成高质量结果的关键提示组件：

| 提示组件 | 用途 | 示例 |
| --- | --- | --- |
| 目标 | 告诉 Claude 要构建什么 | "构建一个 FastAPI /register 端点" |
| 语言/框架 | 指导代码语法和依赖项 | "使用 Python 3.11 配合 FastAPI 和 bcrypt" |
| 行为上下文 | 定义预期逻辑或规则 | "验证输入、对密码进行哈希处理、处理重复项" |
| 输出格式 | 控制输出的结构 | "返回包含成功消息的 JSON 响应" |
| 文档请求 | 提高可读性和可理解性 | "包含文档字符串和内联注释" |

通过遵循此框架，你教会了 Claude 如何思考你的请求，而不是从其训练数据中复制什么。

有效的提示在于通过清晰实现精确。当 Claude Code 不仅理解技术请求，还理解其背后的意图时，它能发挥最佳表现。你提示中的每个字都是一个设计决策：指定行为、引导推理、定义格式。通过实践这种程度的意图性，你可以将 Claude 转变为一个纪律严明的编码伙伴，而非一个通用的助手。

## 3.2 逐步推理与思维链技术

Claude Code 不仅仅是一个代码生成器——它还是一个推理伙伴。当你学会一步步引导它解决问题时，它表现得像一位高级工程师：在写出第一行代码之前会进行思考、规划和验证。这个过程称为思维链提示，它改变了 Claude 处理复杂编码任务的方式。Claude 不会急于输出，而是将你的请求分解为更小的逻辑步骤，对每个部分进行推理，然后生成完整、准确且可维护的代码。理解并应用此技术将使你能够在实际开发中释放 Claude 最先进的推理能力。

概念发展

从技术角度讲，思维链提示指导 Claude 模拟开发人员在解决问题时遵循的相同认知过程。它涉及两个关键阶段：推理和实现。

在推理阶段，Claude 检查请求，概述逻辑方法，并识别依赖关系或潜在的陷阱。在实现阶段，它将推理转化为结构化的、可执行的代码。这种两阶段模式使 Claude 的响应既准确又可解释。

例如，像"编写一个计算复利的 Python 函数"这样的提示可能产生快速可用的代码，但缺乏解释或输入验证。然而，如果你要求 Claude"先解释其推理过程，然后再编写函数"，它会停下来概述公式、预期输入和步骤——从而产生更一致、更稳健的结果。

这种方法反映了一个深思熟虑的开发人员的工作流程。你首先概述逻辑，测试假设，然后才编写实现代码。使用 Claude 时，同样的思维纪律通过仔细的提示得以贯彻。

动手示例

为了实际看到这一点，让我们构建一个计算数字阶乘的小型 FastAPI 服务。我们将构建一个提示，在 Claude 编写实现之前激活其推理过程。

提示

"Claude，在编码之前，请概述你创建 FastAPI 端点的推理过程，该端点接受一个数字作为输入并返回其阶乘。然后，使用输入验证、注释和清晰的错误处理编写完整的实现。"

Claude 的推理（预期响应）

Claude 通常会首先将问题分解为步骤：

1. 定义 FastAPI 应用和输入模式。
2. 使用递归和错误检查实现阶乘函数。
3. 处理无效输入，例如负数。
4. 创建一个 /factorial 端点，用于验证输入并返回 JSON 输出。

完成此大纲后，Claude 生成以下代码。

生成的代码

```python
from fastapi import FastAPI, HTTPException

from pydantic import BaseModel

app = FastAPI()