Claude 101 第一课：Getting Better Results——让 AI 输出质量倍增的技巧

学习目标

学完本节后，你将能够：

• 理解什么是"Few-shot"提示以及如何使用它
• 掌握让 Claude 逐步思考的技巧
• 学会用示例来引导 AI 的输出风格和格式
• 了解如何通过迭代来获得越来越好的结果
• 理解 AI 的思考过程，知道什么时候该让它"慢下来"

这节课解决什么问题

很多人并不是不会用 Claude，而是经常遇到这几类挫败感：

• 明明已经说了需求，结果回答还是偏题。
• 内容大体对，但格式、语气和详细程度完全不合用。
• 第一次回答一般，第二次追问又把前面的优点改没了。

这节课的核心，不是教你写“更玄学的提示词”，而是教你一套可重复、可解释、可迭代的提问与修正方法，让 Claude 的输出更贴近你的真实目标。

适用场景

场景一：Claude 总能回答，但总离你想要的还差一点

这是最典型的使用场景。你会发现它“不是完全错”，但就是不够可用。这通常不是能力问题，而是你还没有把约束、示例和结构说清楚。

场景二：你在反复做相似任务

比如润色邮件、生成摘要、写 README、整理会议纪要、比较方案。这类任务最适合用本课的方法做成稳定模板，而不是每次临场发挥。

场景三：你需要的是“更稳定”，不是“更惊艳”

本课更适合希望提高一致性和可控性的用户，而不是单纯追求一次性“神回答”。

从"答非所问"到"精准命中"

很多人在使用 AI 时会遇到这种情况：

你想要的是 A，但 AI 给了你 B、C、D，就是没有 A。

这不是 AI 的问题——而是你的提示词还不够精准。好消息是，有一套成熟的技巧可以解决这个问题。

下面介绍几种最有效的提升输出质量的技巧。

技巧一：Few-shot Examples（用示例引导）

什么是 Few-shot？

Few-shot 的字面意思是"少数例子"，它的核心思想是：

与其用语言描述你想要的，不如直接给它看例子。

对比一下

没有例子：

用户：把以下句子改得更简洁：
1. "我今天去了超市，买了一些蔬菜和水果。"
2. "他非常快速地跑完了整个马拉松。"

Claude：
1. 我今天去超市买了蔬菜水果。
2. 他跑完了马拉松。

有例子：

用户：把以下句子改得更简洁。示例：
输入："那个女孩非常非常漂亮"
输出："那个女孩美若天仙"

输入："我今天去了超市，买了一些蔬菜和水果。"
输出：？

Claude：
输出：我今天去超市买了蔬菜水果。

为什么 Few-shot 有效？

因为：

1. 语言描述有歧义，但示例没有
2. AI 从示例中学习模式，比从规则中学习更准确
3. 示例能传达微妙的风格偏好

使用 Few-shot 的最佳场景

• 需要特定格式输出时
• 需要特定写作风格时
• 任务比较主观（比如"写得更有趣"）
• 反复执行类似任务时

技巧二：Chain of Thought（思维链）

什么是思维链？

思维链是一种让 AI 先思考再回答的技巧。它利用了 AI 的推理能力，让它分步骤处理问题，而不是直接给出一个可能粗糙的答案。

方法一：加一句"think step by step"

用户：一个人买了一个东西花了 200 元，又卖了 350 元，然后又
用 400 元买了回来，最后以 450 元卖出。他赚了多少？

先列出你的计算步骤，再给出答案。

Claude：
第一步：第一次交易：买 200，卖 350，赚 350 - 200 = 150 元
第二步：第二次交易：买 400，卖 450，赚 450 - 400 = 50 元
第三步：总利润 = 150 + 50 = 200 元

答案：他赚了 200 元。

方法二：显式要求分步骤思考

用户：分析一下为什么 Netflix 能成功，内容策略、市场定位、
技术架构三个维度。

请按以下步骤回答：
1. 首先，说明 Netflix 的核心业务模式
2. 然后，分别分析三个维度
3. 最后，总结成功的关键因素

Claude：[按步骤输出]

什么时候用思维链？

技巧三：指定输出结构

为什么结构很重要？

没有结构约束时，AI 的输出可能是：

• 太长或太短
• 缺少你想看的部分
• 格式不统一

常用结构技巧

技巧 A：明确要求长度

❌ "介绍一下 Python"
✅ "用 100 字介绍 Python，适合程序员，字数误差 ±10 字"

❌ "给我一些建议"
✅ "给我 5 条建议，每条不超过 20 字"

技巧 B：用 XML 标签包裹

用户：将以下内容总结为 3 个要点，用 <要点> 标签包裹：

<要点>原始内容...</要点>

Claude：
<要点>要点 1：……</要点>
<要点>要点 2：……</要点>
<要点>要点 3：……</要点>

技巧 C：指定输出格式

用户：给我推荐 5 本书，用这个 JSON 格式输出：
{
  "books": [
    {"title": "书名", "author": "作者", "reason": "推荐理由"}
  ]
}

技巧四：控制长度和详细程度

有时候短更好

用户：用一句话解释什么是机器学习，不超过 20 个字。

Claude：机器学习是让计算机通过数据自动学习和改进的技术。

有时候需要详细

用户：我是一个完全不懂 AI 的小白，请详细解释什么是大语言模型，
包括：
1. 基本原理（用比喻的方式）
2. 为什么它能生成文字
3. 它是怎么训练的

要求：每部分至少 200 字，尽可能通俗易懂。

控制长度的魔法词

技巧五：迭代优化

什么是迭代？

迭代就是不指望一次就完美，而是：

1. 先让 AI 给一个初步版本
2. 指出需要改进的地方
3. 让它修正
4. 重复直到满意

迭代模板

第一轮：
用户：[初始问题]

第二轮：
用户：在上一轮回答的基础上，补充 [补充要求]

第三轮：
用户：现在改成 [新要求]，保持其他部分不变

实际例子

第一轮：
用户：帮我写一个 README 文档

Claude：[一个通用版本的 README]

第二轮：
用户：很好，但加一个"快速开始"部分，包含 3 个步骤

Claude：[加了快速开始部分的 README]

第三轮：
用户：把安装部分改成用 Docker 方式，而不是 pip

Claude：[改成了 Docker 安装方式的 README]

技巧六：利用 AI 的自我纠错

让他先检查再输出

用户：如果下面这段代码有 bug，请先指出 bug 在哪里，
然后再给出修正后的代码。

def calculate_average(numbers):
    total = sum(numbers)
    average = total / len(numbers)
    return average

# 如果列表为空会怎样？

要求它解释自己的推理

用户：你说这个方案最好，请解释为什么另外两个方案不如它。

技巧七：Negative Prompting（负面提示）

告诉它你不想要什么

用户：写一篇影评评价最近上映的科幻电影 X，
- 要有实质性分析，不是泛泛而谈
- 不要透露关键剧情转折
- 不要使用"总的来说""从多个角度来看"这类套话

负面提示的常见场景

高级技巧组合

组合一：完整任务规范

你是一个资深技术博主，写作风格幽默风趣但不肤浅。

任务：写一篇关于 [主题] 的技术博客

要求：
1. 标题要吸引人，引发好奇心
2. 用一个生活化的比喻引入主题
3. 解释核心概念（不超过 3 个专业术语）
4. 包含一个完整的代码示例
5. 最后给出 3 个实践建议

长度：800-1000 字

目标读者：有一定编程经验但不了解这个领域的人

组合二：角色 + 格式 + 约束

角色：你是一个毒舌但有用的编程导师

任务：审查以下代码的问题

格式：先列出问题（用编号），然后给出修正后的代码

约束：
- 不要只说"这是个 bug"
- 要解释为什么这是个问题
- 要给出具体怎么改

[粘贴代码]

练习

练习一：Few-shot 实践

让 Claude 用"……是因为……“的句式改写以下句子：

1. “外面下雨了，所以我迟到了。”
2. “他很努力，所以他成功了。”
3. “我不喜欢吃蔬菜。"（改写成因果形式）

先不给示例让它做，再给一个示例让它做，对比结果。

练习二：思维链训练

让 Claude 解决这个逻辑题，要求它展示思考过程：

“一个自行车店有 30 辆车，上午卖了一半，下午又卖了剩下的三分之一。 最后还剩多少辆？”

练习三：迭代优化

让 Claude 帮你写一封拒绝 offer 的邮件，然后：

1. 第一轮：让它改成更正式的版本
2. 第二轮：让语气更温和但依然坚定
3. 第三轮：把长度压缩到 100 字以内

什么时候这些技巧最有效

常见误区

误区一：技巧越多越好

不是。很多简单问题，直接问反而更快。技巧的作用是提升复杂任务的稳定性，而不是把每个问题都变成“提示词工程项目”。

误区二：只要提示词写得足够好，就不需要迭代

现实里，大多数高质量结果都来自“第一版 + 修正 + 再修正”。真正高效的使用方式不是追求一步到位，而是学会如何低成本迭代。

误区三：让 Claude 展开推理一定更好

并不总是这样。简单问题上过度要求分步骤思考，往往只会让回答更慢、更啰嗦，甚至让重点被淹没。

行动建议：把技巧变成自己的模板

读完本课后，最有价值的动作不是继续收藏技巧，而是把它们转成你自己的高频模板。

例如：

1. 为“总结会议纪要”做一个固定模板。
2. 为“写专业邮件”做一个固定模板。
3. 为“让 Claude 解释代码并给出改进建议”做一个固定模板。

当一个任务你已经连续做过 3 次以上，就值得把它从“临时提问”升级成“稳定模板”。

FAQ

Q1：Few-shot 和直接描述需求，哪个更重要？

答： 如果你的任务对格式、风格或口吻要求很强，Few-shot 往往更有效；如果任务更偏事实解释或简单问答，直接描述需求通常已经够用。

Q2：是不是所有复杂问题都应该加“step by step”？

答： 不是。它更适合逻辑分析、数学推理、多维比较和复杂决策。对简单问题强行加推理要求，常常只会增加冗余。

Q3：我已经会写提示词了，为什么结果还是不稳定？

答： 很多时候问题不在“不会写”，而在于缺少示例、输出结构和迭代机制。把提示词当成一次性交付，通常不如把它当成可逐步调优的工作流。

下一步

当你掌握了“怎么拿到更好结果”，下一步就不是继续堆技巧，而是把这些技巧放进更完整的工作流里：

• 用 Projects 组织长期上下文
• 用 Artifacts 管理结构化输出
• 用 Skills 固化高频模式
• 在更复杂任务里组合使用这些技巧

你也可以继续阅读：

• Claude 桌面应用：在电脑上安装 Claude，开始实操
• Projects 和 Artifacts：Claude 的两个强大功能，让你的工作更有条理

文档元信息 难度：⭐⭐ | 类型：核心概念 | 更新日期：2026-04-04 | 预计阅读时间：18 分钟