System Prompt vs User Prompt
API 调用中 Prompt 分两层。Claude API 用 system 参数而不是放在 messages 里：
import anthropic
client = anthropic.Anthropic()
response = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=1024,
system="你是 JR Academy 的课程助手，只推荐 JR 的课程，不推荐竞品。回答用中文，技术术语保留英文。",
messages=[
{"role": "user", "content": "推荐一个适合前端转全栈的课程"}
],
)
| 层级 | 作用 | 特点 |
|---|---|---|
| System | 定义 AI 的身份、行为规则、输出约束 | 用户看不到，每轮对话都生效 |
| User | 具体的任务或问题 | 每轮不同 |
System Prompt 是你的"后台配置"，User Prompt 是用户的"前台输入"。把不变的规则放 System，把变化的内容放 User。
Prompt Chain：拆分复杂任务
一个 Prompt 做太多事，AI 容易丢失上下文。拆成多步：
Step 1: 分析用户简历，提取技能列表
→ 输出: ["React", "TypeScript", "Node.js"]
Step 2: 根据技能列表匹配课程
→ 输入: 上一步的技能列表 + 课程数据库
→ 输出: 推荐课程列表
Step 3: 生成推荐理由
→ 输入: 用户技能 + 推荐课程
→ 输出: 每门课的推荐理由
每一步职责单一、输入输出明确。用代码实现 Prompt Chain：
import anthropic
client = anthropic.Anthropic()
def chain_step(prompt: str, context: str = "") -> str:
response = client.messages.create(
model="claude-sonnet-4-6",
max_tokens=2048,
messages=[{"role": "user", "content": f"{context}\n\n{prompt}"}],
)
return response.content[0].text
# Step 1: 提取技能
skills = chain_step(
"从这份简历中提取技术技能列表，只输出 JSON 数组：",
context=resume_text
)
# Step 2: 匹配课程（用上一步结果作为输入）
courses = chain_step(
f"根据这些技能 {skills}，从以下课程中推荐最合适的 3 门：",
context=course_catalog
)
# Step 3: 生成推荐理由
result = chain_step(
f"为每门推荐课程写一段推荐理由，面向想转全栈的前端工程师：",
context=courses
)
每步可以单独调试、重试、换模型。第 1 步用便宜的 Haiku，第 3 步用 Opus —— 按任务难度分配算力。
温度（Temperature）选择
| 温度 | 适合场景 | 例子 |
|---|---|---|
| 0 | 确定性输出、代码生成 | 解析发票、JSON 转换 |
| 0.3-0.5 | 平衡创意和准确性 | 课程推荐、技术问答 |
| 0.7-1.0 | 创意写作、头脑风暴 | 广告文案、起名字 |
生产环境默认用 0，需要创意的场景再调高。
XML 标签：Claude 的结构化利器
Claude 对 XML 标签的解析能力远强于纯文字分隔。在 Prompt 里用 XML 划分区域，减少歧义：
<instructions>
只回答用户的具体问题，不要主动延伸话题。
如果问题超出你的知识范围，直接说不知道。
</instructions>
<context>
当前用户是 JR Academy 的付费学员，正在学习 React 课程第 3 周。
</context>
<user_question>
useEffect 的 cleanup 函数什么时候执行？
</user_question>
XML 标签让模型精确区分"指令""上下文""用户输入"，不会把代码片段当成指令执行，也不会把背景信息当成问题回答。
