示例错误调用

13.3 澄清模糊或不完整的回答

像任何大型语言模型一样，Claude 偶尔会产生模糊、部分不完整或在逻辑上不一致的回答。这种行为并非缺陷——它反映了提示中的不确定性、上下文不完整或相互矛盾的信号。对于构建实际应用程序的开发人员来说，关键不是完全消除模糊性，而是系统地检测并纠正它。

本节重点介绍如何识别 Claude 的回答何时不清楚，如何引导其给出更好的补全，以及如何通过结构化提示、上下文强化和程序化验证来自动化澄清过程。

概念发展

模糊或不完整的回答通常源于以下三个潜在问题之一：

1. 上下文不足：模型缺少生成明确答案所需的关键信息。
2. 提示过于笼统：指令过于模糊或不够具体，导致通用或不相关的回复。
3. 中断或截断：由于 token 限制或提前停止信号，回答在思考过程中被截断。

模糊性的解药是明确性。开发人员可以通过添加澄清性约束——具体指令、结构化输出格式，或让 Claude 重新评估其自身输出的迭代反馈循环——来缓解不清晰的回答。

动手示例：优化模糊的回答

from anthropic import Anthropic

client = Anthropic(api_key="your_api_key_here")

def ask_claude(prompt):
    """用于向 Claude 发送提示的简单辅助函数。"""
    response = client.messages.create(
        model="claude-3.5-sonnet",
        max_tokens=400,
        messages=[{"role": "user", "content": prompt}],
    )
    return response.content[0].text.strip()