试着让AI给短文起了个名字，果然不同寻常，走了流量风，不是我等小白所能比拟。
零零散散的看过Google、Anthropic和Microsoft三家关于提示词的白皮书、最佳实践和相关的blog，但一直不是很系统学习比较过。今天同事推了这篇文章：Getting Started – POML Documentation，微软已经就提示词推出了提示工程编排标记语言的开源框架，所以还是先把之前欠的债补一下。
首先是这三家关于提示词的资料，具体链接就不贴了，基于给出的信息，比较容易找的到。
一、三家白皮书相关信息
-
Anthropic (Claude)
-
提示工程教程：GitHub开源项目（含理论+代码示例）
Anthropic Prompt Engineering Tutorial -
核心文档：API最佳实践（XML标签、思考链等）
参考Anthropic官方博客（搜索“Prompt Engineering”）
-
Google
-
Gemini提示词指南：集成于Google Cloud文档
Google Cloud: Prompt Engineering Guide -
Deep Research功能说明：基于RAG的提示优化逻辑
见Bard升级公告（2025年更新） -
Microsoft (Azure OpenAI/Copilot)
-
企业级提示词框架：通过Azure文档发布
Microsoft Azure: Prompt Engineering Techniques
注：微软未单独发布“提示词白皮书”，其方法论嵌入开发工具和Azure文档中。
接下来从三个方面进行整理，第一三家在提示词工程方面核心逻辑和设计要点；其次是关于三家的差异化对比；最后是结合三家的白皮书材料，给出一个普通用户在应用大模型时如何写好提示词的思路。
二、三家提示词方法论核心逻辑
（一）Anthropic (Claude)：结构化思维与安全可控
-
核心逻辑：通过XML标签分割任务要素与思维链（Chain-of-Thought）强制模型分步推理，结合宪法AI（Constitutional AI）实现安全兜底。
术语解释：
宪法AI：Anthropic提出的伦理框架，通过预定义原则（如联合国人权宣言、反歧视条款）引导模型自我修正有害输出，避免依赖人类反馈带来的偏见。 -
关键要点：
-
任务分治：复杂任务拆解为可验证的子步骤（如数学问题分步推导）。
样例：
<problem>求解方程：2x + 5 = 15</problem> <thinking>先减去常数项：2x = 10，再除以系数：x = 5</thinking> <answer>x = 5</answer> -
安全边界：内置拒绝机制拦截敏感请求（如违法内容生成）。
-
语言直白化：禁用填充短语（如"Certainly!"），提升信息密度。
（二）Google：场景化任务分解与工具集成
-
核心逻辑：将问题拆分为子任务+外部工具调用（如RAG检索、代码执行），强化结果准确性。
-
关键要点：
-
深度研究（Deep Research）：多轮搜索+交叉验证减少幻觉（如法律条文分析）。
样例：
"用Google搜索验证2024年GDPR修订案核心条款，对比3个权威来源后输出摘要" -
结构化输出：强制JSON/表格格式，便于程序解析。
-
参数精细化：低温度（0-0.3）确保代码生成稳定性。
（三）Microsoft：工程化部署与低代码协作
-
核心逻辑：通过命令行工具（/help） 和 企业级合规约束 降低交互复杂度。
-
关键要点：
-
Copilot指令集：用
/compact压缩对话历史，/clear重置会话。样例：
"优化Azure SQL查询性能 → 输入/compact保留关键参数 → 输出优化方案" -
合规性嵌入：在提示词中预置企业策略（如“金融数据脱敏规则：
[REDACT_ACCOUNT]”）。 -
知识图谱集成：自动从SharePoint等数据源构建领域知识库，提升响应准确性。
微软推出的POML（Prompt Orchestration Markup Language），正是其“工程化部署与低代码协作”理念的集中体现。它是一种类HTML/XML的标记语言，旨在解决临时文本提示难以维护、复用和协作的问题。
三、三家的差异化对比与案例解析
差异维度与根源
|
对比维度 |
Anthropic |
|
Microsoft |
|---|---|---|---|
|
核心目标 |
过程透明化与安全可控 |
信息准确性与多模态整合 |
无缝嵌入企业工作流 |
|
技术原理 |
XML标签 + 宪法AI |
RAG检索 + 工具调用 |
命令行 + 合规策略引擎 |
|
安全机制 |
动态伦理拦截 |
多源引用验证 |
数据分级管控（DLP） |
▶ 案例对比：医疗诊断支持任务
-
Anthropic：
<task>分析患者症状：头痛、发热3天</task>
<constraints>不提供诊断结论，仅列出可能病因及建议检查项</constraints>
<output>1. 流感（建议血常规） 2. 脑膜炎（建议腰椎穿刺）</output>→ 宪法AI自动拦截诊断结论，降低医疗风险
-
Google：
"检索UpToDate医学数据库与CDC指南，对比‘成人发热头痛’的5种病因，输出概率表"
→ 工具调用确保信息权威性 -
Microsoft：
"在Teams中调用Copilot：根据患者电子病历自动生成会诊摘要模板，符合HIPAA格式"
→ 合规策略引擎自动适配医疗隐私法规
差异化根源：
Anthropic源自前OpenAI团队成员，伦理可控性是基因级需求；
Google依赖搜索技术积累，信息整合能力是核心壁垒；
Microsoft深耕企业生态，工程效率优先于技术创新。
四、我们如何写好提示词？
结合三家大厂的实践，可以采用：角色-任务-边界三角法则，构建我们自己的提示词，让大模型更好的为我们所用。具体如下：
-
角色设定（Role）：明确模型身份："你是一名数据科学家，为技术总监编写报告"。
-
任务分解（Task）
-
结构化描述：用XML/分隔符拆分步骤（借鉴Anthropic）；
-
示例驱动：提供1-2个输入-输出样本（Few-Shot学习）。
边界约束（Boundary）
-
正向：输出长度/格式（如"用Markdown表格"）；
-
负向：禁用领域（如"不涉及医疗诊断"）。
进阶技巧（结合三家优势）
-
预填响应：强制输出结构（如"报告开头需写‘基于数据可知…’"）；
-
思维链触发：复杂问题添加"请分步骤推理…"（提升准确率23%+）；
-
伦理兜底：声明"若不确定需标注来源"（减少幻觉风险）。
实战模板（电商运营场景）：
角色：电商数据分析专家
任务：
1. 从<销售日志>提取安卓用户流失节点
2. 对比iOS用户行为差异
3. 输出PPT大纲（3页，含转化率图表）
约束：不涉及用户隐私，用中文输出
以上为个人学习过程的一些初步理解，仅供参考。
