XNews

Claude Code 系统提示词优化:来自 Anthropic 的经验教训

Claude Code 系统提示词优化:来自 Anthropic 的经验教训

Anthropic 将 Claude Code 用于 Fable 5 和 Opus 4.8 的系统提示词缩减了 80%,发现删除少量示例和硬性约束可提升性能。关键经验:删除示例非常有效,因为模型在没有示例时更具创造性;避免使用“不要做 X”的禁令,因为它们会与用户指令产生冲突;确保每条指令 100% 正确,无例外;对于高能力模型,依赖其自身判断。该方法采用通过技能集渐进式披露、自动记忆和丰富参考(代码、HTML、测试)的方式,而非预先设定规则。Claude Tag 是一个集成 Slack 的 Claude,目前负责 Anthropic 65% 的产品工程 PR。非核心领域的代码审查已实现自动化,通过六个月的时间将失败案例添加到评估套件中建立信任。团队强调,这种提示词哲学取决于模型:较小的模型仍需要详细提示词。这一转变反映了从刚性规则向灵活、上下文驱动的指导的广泛趋势。

Key insights

删除少量示例和硬性约束可提升前沿模型性能

Anthropic 发现,从系统提示词中删除示例“非常有效”,因为像 Fable 5 这样的模型比给出的示例更具创造性。同样,减少“不要做 X”的禁令可避免与用户指令冲突,因为此类禁令会产生强烈的冲动,与后续请求相抵触。结果是提示词减少了 80%,且编码基准测试没有损失。

“100% 正确”规则消除模糊指令

团队仔细审查了系统提示词的每一行,询问是否存在任何例外。许多指令只有 90% 的正确——例如,“始终验证前端更改”对于简单的文本编辑就不适用。新的标准是软化措辞,直到指令普遍成立,或者让模型自行判断,因为提示词每次都会 100% 地输入给模型。

通过技能集和渐进式披露实现模块化上下文,防止过载

并非一次性加载所有上下文,而是将独立信息(如代码审查规则、验证步骤)放入单独的技能集文件中,模型可按需搜索。这避免了模型过载,并允许在相关时才获取上下文,符合“渐进式披露”原则。

Claude Tag 自动化 65% 的 PR,展示生产影响力

Anthropic 的内部 Slack 机器人 Claude Tag 处理常规编码任务、监控仓库并提交 PR。目前它负责产品工程团队 65% 的 PR。复杂任务仍使用交互式 Claude Code,但常规工作正日益自动化,非核心领域的代码审查在经过六个月的信任建立后已完全交给 AI。

提示词哲学取决于模型;较小模型仍需详细信息

精简提示词方法仅适用于具有强判断力的前沿模型。像 Haiku 这样的较小模型仍然需要详细且规定性的提示词。这就是为什么 Anthropic 为每个模型层级维护独立的系统提示词,团队指出,前沿智能“几乎总是值得的”,即使它有时在难题上使用更少的 token。

上下文工程从手动规则转向自动记忆和丰富参考

Anthropic 从手动编写的 claude.md 记忆转向自动模型生成的记忆,并从简单的文本规则转向丰富参考,如 HTML 模板、测试文件和评分标准。这使得模型能够从实际代码和工件中推断模式,而非从抽象指令中学习。

Source posts