用法示例

# 自我澄清的示例

unclear_answer = "使用缓存来加速 API。"
clearer_version = clarify_response(initial_prompt, unclear_answer)
print("\n改进后的响应：\n", clearer_version)

这种方法有效地将 Claude 转变为自己的审阅者，帮助检测遗漏并填补逻辑空白，无需人工监督。

表格：歧义的常见迹象及修复策略

症状	原因	修复策略	示例调整
响应模糊或泛泛	提示过于宽泛	添加约束、上下文或目标受众	"解释生产环境中 Flask API 的缓存"
缺少步骤或不完整的代码	模型令牌用尽或未被指示完成	增加 max_tokens 或包含"提供完整的代码解决方案"	添加完成指令
相互矛盾的信息	指令冲突或优先级不明确	简化并按顺序重新表述提示	分离"总结"和"评估"任务
不相关的响应	基础上下文不足	包含参考内容或项目描述	提供文件片段或系统背景
不完整的逻辑推理	模型过早停止或跳过细节	使用续接提示（"从第 X 行继续"）	通过链式调用实现完整推理

澄清响应的最佳实践

1. 要求 Claude 进行反思。使用后续提示，例如"审查你的答案是否准确，并填补缺失的部分。"
2. 强制结构化输出。使用 JSON、Markdown 表格或 Claude 可以在内部验证的项目符号架构。
3. 分解大型任务。将复杂问题拆分为更小的、明确的子提示。
4. 强化上下文。在后续提示的开头重申关键约束以避免偏离。
5. 使用自动化检查。对于代码响应，运行输出并将错误反馈回来进行修正。

动手实践：续接示例

假设 Claude 为 Flask API 路由输出了不完整的代码。你可以检测截断并自动请求续接：

def ensure_complete_code(prompt):
    """自动检测并补全被截断的代码输出。"""
    result = ask_claude(prompt)
    if not result.strip().endswith(")"):
        print("⚠️检测到响应不完整。正在请求续接...")
        continuation = ask_claude("从最后一行继续并完成代码。")
        result += "\n" + continuation
    return result

prompt = "编写一个返回 JSON 数据并包含错误处理的 Flask 路由。"
print(ensure_complete_code(prompt))

这项技术确保开发人员在自动化工作流程中永远不会收到未完成或含糊的结果。

歧义是生成式 AI 中不可避免的现实——但通过清晰的提示和结构化反馈循环，它也是可以管理的。通过设计强制清晰度的提示、教导 Claude 进行自我审查，以及以编程方式检测不完整的响应，你将不确定性转化为可预测、可改进的过程。

在下一节中，我们将在此基础上展开，探讨提示评估和质量保证技术，展示如何衡量提示可靠性并在不同项目和开发人员之间保持一致性。

13.4 维护可复用的提示库

随着开发人员越来越精通 Claude Code，他们自然会积累一系列提示——这些代码片段能持续产生可靠且高质量的结果。有效地管理这些提示与源代码的管理同样重要。可复用的提示库能够在项目间实现一致性，减少重复工作，并改善团队协作。在专业环境中，这个库成为了一个活的知识库：每个成功的提示都成为一个经过测试的组件，可随时被复用、改进或自动化。

本节将介绍如何设计、存储和维护一个有序的提示库，使其能够无缝集成到你的工作流程中——包括命名约定、元数据以及版本控制技术。

概念开发

一个结构良好的提示库就像一个代码仓库。每个提示都被视为一个可复用的函数——其用途、参数和输出都有明确定义。关键设计原则包括：

• 一致性：每个提示都遵循标准模板，具有明确的意图和预期行为。
• 可追溯性：提示被版本化并标记，以便开发人员能够识别它们针对哪个项目或模型进行了优化。
• 可复用性：常见提示（用于重构、调试、文档编写等）可以在多个上下文中进行改编，而无需重写。
• 可扩展性：随着新模型或工作流程的添加，库可以扩展，而不会产生混乱或重复。

你可以将提示存储为具有占位符的结构化模板，用于动态内容，而无需反复重写相同的请求。

动手实践：构建提示注册表

让我们在 Python 中构建一个轻量级的提示注册表，以编程方式存储和复用提示。

import json
from pathlib import Path

PROMPT_FILE = Path("prompt_library.json")

def load_prompts():
    """从库中加载所有已存储的提示。"""
    if PROMPT_FILE.exists():
        with open(PROMPT_FILE, "r", encoding="utf-8") as f:
            return json.load(f)
    return {}

def save_prompts(prompts):
    """将更新后的提示保存到库中。"""
    with open(PROMPT_FILE, "w", encoding="utf-8") as f:
        json.dump(prompts, f, indent=4)

def add_prompt(name, category, template, notes=""):
    """将可复用的提示模板添加到库中。"""
    prompts = load_prompts()
    prompts[name] = {
        "category": category,
        "template": template,
        "notes": notes
    }
    save_prompts(prompts)
    print(f"✅提示 '{name}' 已成功保存！")

def get_prompt(name, kwargs):
    """检索并格式化已保存的提示。"""
    prompts = load_prompts()
    prompt_data = prompts.get(name)
    if not prompt_data:
        raise KeyError(f"提示 '{name}' 未找到。")
    return prompt_data["template"].format(**kwargs)

现在，让我们动态地添加和重用提示：

# 存储一个可重用的重构提示
add_prompt(

    name="refactor_code",

    category="refactoring",

    template=(

        "你是一位专家级开发者。请重构以下 {language} 代码，以提高性能、可读性和可维护性：\n\n{code_block}\n\n"

        "只返回优化后的代码，并附带内联注释。"

    ),

    notes="用于改进函数结构或优化算法。"

)