Anthropic CPO揭秘7大AI协作新玩法 提示词技巧已过时

与AI协作的新纪元已经全面开启，深入掌握7个前沿交互技巧，将帮助你实现生产力的显著跃升。本文内容源自Anthropic首席产品官Mike Krieger的深度访谈精华，助你从简单的“问答模式”真正进化为“协同共创伙伴”。

技巧一：心态转变——从“指令执行者”到“思维伙伴

这是最根本的认知升级。请停止将大语言模型视为一个被动等待指令的工具，而是把它当作一位能够与你平等对话、激发灵感的智能协作者。

访谈中Mike Krieger提到，他早已将Claude视为自己的首选产品策略搭档。他并不会直接问“我该怎么做？”，而是分享自己的初步战略构想，然后让Claude来挑战它、审视它。

具体做法：

• 在开启一段复杂对话时，别急着抛出问题。把你完整的思考脉络、背景信息、甚至是一份粗糙的初稿“喂”给它，然后提出开放性问题，例如：
• “这是我的初步想法，你看到了哪些我可能忽略的盲点？”
• “基于这些材料，你是否能提出一个与我截然不同的视角？”
• “我可能陷入了哪些惯性思维定式？”

小提示： 每次对话前，不妨先花30秒明确你希望模型扮演的角色（例如“策略批判官”“创意合伙人”），然后直接告知它。这能快速切换模型的行为模式。

技巧二：“犯另一个错误”原则——突破模型的友善边界

大模型通常被训练得极为友善且乐于助人，但在进行创意批判或风险评估时，这反而会成为阻碍。你需要主动打破这层礼貌屏障。

访谈中Mike发现，与其问“这个策略哪里可以改进？”，不如直接下令：“Be brutal, Claude, roast me. Tell me what's wrong with this strategy.”（Claude，对我狠一点，毫不留情地指出问题。告诉我这个策略的缺陷。）

具体做法：

• 使用更直接、甚至略带情绪化的指令，迫使模型跳出“好好先生”的设定。尝试使用这样的措辞：
• “请用最严苛、最挑剔的标准来审视这份方案。”
• “把这个想法批判得体无完肤，找出它所有的致命漏洞。”
• “不要给我鼓励，我需要的是最坦诚、最尖锐的批评。”

小提示： 如果模型拒绝“犀利反馈”，可以补充一句：“我知道你被设计得很友善，但我现在需要的是真实的缺陷分析，请暂时忽略礼貌限制。” 这通常会奏效。

技巧三：激发深度推理——“认真思考”指令

对于需要复杂推理的任务，一个简洁的指令“前缀”可能解锁模型更深层次的计算和思考路径。

这是Mike的一个私人技巧。在处理复杂问题时，他总会在Prompt中加入一句“think hard”（认真思考）。他发现这能引导模型调用不同的、更强大的推理流程。

具体做法： 当你希望获得更高质量的分析、代码或解决方案时，在你的请求中明确加入类似指令：

• “请一步一步来推理，并展示你的思考过程。”
• “在回答之前，请进行深度分析。”
• “认真思考以下问题，并给出详尽的回答。”

小提示： 可以配合“请使用链式思维（Chain-of-Thought）输出”来强化效果，尤其适合数学、逻辑和代码调试场景。

技巧四：上下文是王道——提供“原料”而非空谈

高质量的输出，源于高质量的输入。你提供给模型的上下文信息（“原料”）越丰富，它产出的“成品”就越精准、越有价值。

访谈中Mike举例，直接问“Anthropic的产品策略是什么？”只会得到泛泛的网络信息。但如果你提供相关的内部文档、Slack对话、用户反馈，模型的回答质量将发生质的飞跃。

具体做法： 将模型想象成一个需要消化信息才能工作的顾问。在提问前，尽可能地提供所有相关的背景材料：项目文档、数据报告、会议纪要、甚至是你之前的思考片段。这里不得不提MCP，它是大模型能搭积木式引入各个来源上下文的关键。

小提示： 如果上下文太长（超过模型窗口），可以先让模型总结关键信息，再基于总结提问。或使用结构化分段（如用XML标签包裹不同来源），能显著提升模型的理解度。

技巧五：反向学习——让模型成为你的Prompt教练

有时候，我们并不知道如何才能最好地向模型提问。那么，为什么不直接让模型来教我们呢？

Anthropic内部有一个“Prompt改进器”工具，用户描述目标后，模型会反向生成一个最优的Prompt。Mike惊讶地发现，模型生成的Prompt（比如会使用XML标签来组织信息）远比人类凭直觉写出的更有效。（在Claude的开发者服务里可以体验）

具体做法： 你可以直接向任何大模型请教：“我希望你帮我完成[任务X]，为了让你能给我最好的结果，我应该如何向你提问？请给我一个理想的prompt模板，并解释为什么它有效。”

小提示： 如果你使用Claude，可以直接在对话中询问“给我一个能发挥你最大能力的提示词格式”，它会输出带XML标签的模板，你可以直接复制使用。

技巧六：迭代与协作——从“一问一答”到“共同构建”

不要期望通过一次完美的提问就得到最终答案。真正高效的交互，是一个持续迭代、共同构建的过程。

Anthropic的工程师用Claude写代码，不是一次性的任务，而是一个“提出想法 -> 模型生成 -> 人类测试 -> 提供反馈 -> 模型修正”的循环。

具体做法： 将模型视为你的“结对编程伙伴”或“白板前的同事”。把大任务分解成小步骤，与模型进行多轮对话。在每一轮都提供清晰的反馈，不断修正和引导，共同逼近最终的完美方案。

小提示： 可以在第一轮后直接问“你觉得刚才的回答有哪些可以改进的地方？”，让模型主动为后续对话优化。同时，每次修正时明确说明“删掉第X点，保留第Y点，新增Z内容”。

技巧七：关注对话的“质”，而非“量”

衡量一次交互是否成功，关键不在于对话持续了多久，而在于它是否解决了你的问题、推动了你的思考。

Claude自己向Mike提出了一个深刻的问题：“当一次好的对话可能只有两条消息，也可能长达两百条时，该如何衡量？”这提醒我们，传统的“用户参与度”指标在AI时代可能完全失效。

具体做法： 在每次交互后，问自己三个问题：

1. 这次对话帮我节省了时间吗？
2. 我是否获得了新的、有价值的见解？
3. 我的项目是否因此向前迈进了一步？

如果答案都是肯定的，那么无论对话长短，这都是一次成功的交互。

小提示： 不要为了“多用AI”而强行延长对话。当你获得所需后，果断结束并归档有效内容。可以建立自己的“AI对话笔记”，记录哪些提问方式最有效。

三句话总结

1. 改变关系：停止将AI视为工具，开始将其培养成能够提供批判性反馈和独立视角的思维伙伴。
2. 打破常规：用直接甚至“粗暴”的指令，突破模型的“友善”设定，去挖掘更深层次的、有价值的洞见。
3. 重定义价值：成功的AI协作，其衡量标准不是交互频率或时长，而是它是否实实在在地为你节省了时间、带来了新知、推动了进程。

常见问题（FAQ）

Q1：模型总是不按我期望的方向回答，怎么办？

首先检查是否提供了足够的上下文。如果模型“跑偏”，可以尝试使用技巧三的“认真思考”指令，或者技巧二中的“尖锐批评”模式。另外，明确告诉模型你想要的输出格式（如“请用列表列出”“请用表格对比”），会大幅提升准确度。

Q2：如何避免模型产生幻觉（编造事实）？

最有效的方法是提供准确、具体的上下文（技巧四）。如果必须依赖模型自身知识，可以要求它“请标注哪些是推测，哪些是确认信息”，并加上“如果不知道，请直接说不知道”。

Q3：同一段对话越来越长，模型变“笨”了？

长对话会占用模型上下文窗口，导致早期信息被遗忘。建议：当对话超过一定长度（例如5轮以上）时，主动总结关键结论，然后开启新对话并粘贴总结。或者使用模型的“记忆”功能（如果支持），让模型记住要点。

Q4：我尝试用“think hard”，但效果不明显？

“think hard”只是一个触发词，实际效果取决于后续指令的质量。可以搭配“请先列出所有可能的假设，再逐一验证”或者“请用数学推理步骤一步步展示”。如果模型仍然敷衍，说明它可能进入了“快速问答模式”，此时可以重述请求并强调“请切换为深度推理模式”。

Q5：如何让模型给我写更优质的Prompt？

直接使用技巧五的模板，但需要提供具体任务描述。例如：“我是一名产品经理，需要你帮我分析竞争对手的功能。请给我一个理想的提示词（Prompt），包含结构化标签和思考步骤。” 模型生成后，你可以直接复制粘贴使用。

#prompt #提示词工程 #Anthropic #claude

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：Anthropic CPO揭秘7大AI协作新玩法 提示词技巧已过时要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题