13.6 迭代式提示词调优的启示

提示词调优并非一次性的任务——它是一个涉及实验、测量和优化的迭代过程。正如开发人员为了效率而重构代码一样，AI 实践者也会为了清晰度、一致性和性能而优化提示词。通过 Claude Code 进行迭代式提示词调优，可以将通用指令转化为可靠的工具，从而持续产出准确、具有上下文感知能力且成本高效的结果。

本节将解释开发人员如何利用结构化的迭代流程来持续优化 Claude 的响应。你将学习调优提示词时的关注要点、如何从失败的运行中收集反馈，以及如何设计可复用的框架以实现持续改进。

概念阐述

在实践中，大多数提示词的改进都来自由反馈循环引导的细微而审慎的调整。当 Claude 给出意外或不完整的响应时，原因很少在于模型"出错"。相反，这通常反映了它如何理解你的指令。迭代式调优通过应用以下三项原则来弥合这一差距：

1. 观察：仔细分析模型的输出。哪些部分有效？哪些部分失败了？它是否理解了任务？
2. 修改：调整提示词的措辞——添加上下文、约束或澄清性指令。
3. 验证：使用相同的输入重新测试并比较输出。在质量、完整性和一致性方面衡量改进效果。

随着时间推移，这些小循环会累积成精通——经过调优的提示词将成为一个可复用的工具，在各种输入和条件下都能表现出色。

实践示例：迭代改进提示词

让我们通过一个实际示例来演示迭代式调优如何将不一致的响应转化为可靠的响应。

from anthropic import Anthropic

client = Anthropic(api_key="your_api_key_here")

def ask_claude(prompt):
    """用于向 Claude 发送请求的工具函数。"""
    response = client.messages.create(
        model="claude-3.5-sonnet",
        max_tokens=500,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.content[0].text.strip()

步骤 1：初始的模糊提示词

prompt_v1 = "Explain how caching works."

response_v1 = ask_claude(prompt_v1)

print("V1 输出：\n", response_v1)

其结果可能过于笼统——类似于：

"缓存会临时存储数据，以加速检索并减少计算。"

虽然有用，但并不实用。让我们一步步来改进它。