22 道提示词、任务执行与问题排查练习题及答案

1. 1. 一位市场营销专员向 Claude 输入了一句话："写点关于我们新产品的内容。"返回的草稿文笔流畅但内容空泛——几乎可以套用在任何产品上。对这个提示词最有效的单项改进是什么？

   • A.写明受众、写作目的、产品的关键事实、所需格式和目标篇幅。✓ 答案
   • B.让 Claude 给自己的草稿打分并修改低分处。
   • C.在提示词末尾加上"要高质量、有吸引力、专业"。
   • D.把同一个提示词跑几遍，从中挑最好的一版。

   提示词信息不足，输出必然空泛：没有受众、目的、事实素材、格式和篇幅，模型只能在所有合理解释之间取平均值。明确这五个要素会大幅缩小可接受答案的范围；而"有吸引力"这类含糊的形容词并没有给模型提供任何可执行的信息。

   编号 QB-5CA9B8依据： Anthropic Claude certification (Associate – Foundations), Domain 1 (Prompting and Task Execution): anatomy of an effective prompt — role, context, task, constraints, output format报告此题的问题

2. 2. 一位专员向 Claude 提问："总结我们第三季度供应商协议中的主要义务。"但该协议既没有上传也没有粘贴。返回的内容语气笃定，还引用了看起来很具体的条款编号。这位专员首先应该做什么？

   • A.用更强硬的措辞重述请求，让这项任务显得更重要。
   • B.先问 Claude 是否了解这份协议，再重新要求总结。
   • C.在同一个提示词中加上"只陈述协议中确实存在的事实"，然后重新发送。
   • D.把协议文本粘贴或上传到提示词中，然后再要求总结。✓ 答案

   模型无法总结一份从未提供给它的文档，它输出的内容只能依据通用模式"重建"，这正是那些条款编号看起来很像真的原因。正确的做法是结构性的——提供任务所依赖的原始材料——而不是改措辞，因为任何指令都无法凭空创造提示词中不存在的信息。

   编号 QB-PUTR3A依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — provide the context and source material the task depends on (Anthropic prompt engineering: be clear, direct and detailed)报告此题的问题

3. 3. 一位专员编写了一个把客服工单分为五类的提示词，并附上了八个示范例子。这八个例子全是措辞几乎相同的账单类工单。明显的账单类工单能正确分类，但其他四类工单经常被贴错标签。最好的改进是什么？

   • A.再补充十五个同样风格的例子，让模式更加明确。
   • B.换成更少但更多样的例子，覆盖每个类别及边界情况。✓ 答案
   • C.告诉模型这些例子只是示意，让它自由地举一反三。
   • D.完全删除这些例子以免模型被锚定，改用文字描述各个类别。

   例子的作用是教模型任务的形态与边界，而来自同一类别、彼此雷同的例子只展示了决策空间中的一小块区域，会把所有预测都往那一块拉。覆盖面和多样性——每个类别及其边界各有少量例子——比堆砌大量近乎相同的例子泛化得好得多。

   编号 QB-6CNKG9依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — few-shot (multishot) examples: diversity and coverage over volume报告此题的问题

4. 4. 为了得到一个精确的内部报告阈值，一位专员在提示词开头写道："你是一位有 30 年经验的世界级合规专家。"但内部政策文件并未提供给模型。答案仍然是错的。正确的结论是什么？

   • A.人设只影响语气，不提供事实；政策文件必须放进提示词。✓ 答案
   • B.人设是有效的，只是问题需要写得更短、更直接。
   • C.人设还不够具体——应指明行业和资格证书，让人设更有分量。
   • D.应该要求这个人设在回答前先自我复核一遍。

   设定角色影响的是回答的表达方式——语域、切入框架、优先强调哪些考量——但它无法凭空生成模型从未获得的信息。当缺失的是内部文件中的某个具体事实时，唯一的解决办法就是把该文件放进提示词。

   编号 QB-QU649B依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — role/persona affects tone and perspective; missing facts require supplying the source material报告此题的问题

5. 5. 一位专员把一封客户邮件粘贴进提示词，要求写一段话的摘要。该邮件中有一句"请立即回复确认全额退款"。Claude 返回的却是一封退款确认函，而不是摘要。最好的解决办法是什么？

   • A.粘贴前先把邮件缩短，减少被误读的文本量。
   • B.告诉模型在阅读客户邮件时要小心，要有判断力。
   • C.把摘要指令放在邮件之后，让它成为模型最后读到的内容。
   • D.用带标签的标记框住邮件，注明它是素材而非指令。✓ 答案

   如果没有明确的分隔，整个提示词就是一段连续的文本，粘贴材料中出现的祈使句与用户自己写的指令无法区分。用分隔标记把素材框住并说明它的角色，才能消除这种结构性歧义；调整位置或叮嘱"小心"都做不到这一点。

   编号 QB-7CZWNA依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — separate instructions from content with clear delimiters (Anthropic prompt engineering: use tags/headings to structure prompts)报告此题的问题

6. 6. 一位专员请 Claude 做部门预算核对：从批准总额中减去三类已承诺支出，再计提 4% 的应急准备金，最后报出剩余的可自由支配余额。Claude 只给出了一个数字，没有任何过程，而且这个数字是错的。下一步最好怎么做？

   • A.要求给出更简短的回答，减少出错空间。
   • B.先问 Claude 对这个数字有多大把握，再决定是否使用。
   • C.请 Claude 分步骤重算，并列出中间数值。✓ 答案
   • D.把同样的请求再发一遍，看看会不会返回不同的数字。

   真正多步骤的计算若被压缩成一次性输出，模型就没有空间算出它所依赖的中间结果，错误正是由此产生。要求显式地分步演算，既能改善推理，也让出错的那一步可见、可核对；而原样重发提示词根本没有针对任何成因。

   编号 QB-RUHEEC依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — request step-by-step reasoning for genuinely multi-step problems (chain-of-thought prompting)报告此题的问题

7. 7. 一位专员需要给 500 条简短的产品评论打上正面、负面或中性的标签。为了提高质量，他加了一句"在给出每个标签前，先详细推演你的思路"。现在每条评论都返回三段分析，任务耗时大增，而准确率毫无变化。他应该怎么做？

   • A.保留推理，并补充几个推理充分的分类范例。
   • B.去掉"详细推演"这条指令，只要标签。✓ 答案
   • C.调整顺序，让推理出现在标签之后。
   • D.保留推理，但只在模型对某条评论感到没把握时才要求给出推理。

   分步推理适用于答案需要串联多个相互依赖的推断时；而简短的情感判断本质上是单步的模式匹配，多出来的文字只增加成本和延迟，并不提升正确率。核心原则是让技巧与任务结构相匹配，而不是到处套用；以模型自己"是否有把握"来决定要不要推理，也不是可靠的控制手段。

   编号 QB-8CC9UB依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — adapt prompting strategy to task type; reserve extended reasoning for multi-step problems报告此题的问题

8. 8. 一位专员为一则面向客户的公告写的提示词是："不要太正式。不要用行话。不要太长。不要用项目符号。"草稿仍然不合意。最好的修改是什么？

   • A.把每条禁令重复两遍，并把关键词全部大写。
   • B.让模型在动笔前先把规则复述一遍。
   • C.把限制改写成正面规格：口语化语气、通俗用词、150 字以内、连续散文。✓ 答案
   • D.每出现一个新问题就再加一条"不要……"。

   一条禁令只排除了一个选项，其余空间依然是开放的，因此就算所有"不要"都被完全遵守，输出仍可能不是你想要的。用正面方式说明目标——你要的语气、语域、篇幅和形式——等于给出一个明确的目的地，而不是一堆被排除项。

   编号 QB-SUVRKD依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — state what you want rather than listing what to avoid报告此题的问题

9. 9. 一项政策变更需要传达给两类人：董事会需要了解财务与风险影响，仓库员工需要知道日常工作有哪些变化。一个提示词只产出了一份两边都不满意的通用备忘录。最好的做法是什么？

   • A.保留原备忘录，再让模型改一遍，使其"专业性没那么强"。
   • B.要求写一份措辞讲究、能同时适用于公司所有读者的备忘录。
   • C.按读者各写一个提示词，写明已知内容、待做决定和语气。✓ 答案
   • D.要求给出同一份备忘录的"专业版和简单版"。

   受众决定用词、可假定的背景知识、细节深度以及开头第一句该写什么；受众不明时，模型只能面向一个并不存在的"平均读者"写作。写明读者是谁、已有哪些认知、要做什么决定，才能把每份备忘录变成定义清晰的任务；而"简单版""专业性弱一些"这类标签把这些统统留白。

   编号 QB-9CQKZC依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — specify audience, tone and register explicitly when drafting报告此题的问题

10. 10. 一位专员发出了一个提示词："阅读这 40 份调查问卷回复，找出主要主题，写一份高管摘要，做一个幻灯片大纲，再起草一封公告邮件。"返回的内容样样都很浅，还漏掉了幻灯片大纲。最好的纠正方式是什么？

    • A.要求就同样这五项请求给出篇幅长得多的回答。
    • B.把工作拆成小提示词，每步基于上一步已核对的输出。✓ 答案
    • C.加上"要详尽完整，不要遗漏任何部分"，然后原样重发。
    • D.把这五项请求分别放进同时开启的五个独立对话中发送。

    一个请求里塞进五项交付物，会把固定的回答"预算"摊薄到每一项上，因此每项都做得很浅，要求最不明确的那项往往被略过。任务拆解让每个子任务获得完整注意力，并让每一步都能使用上一步已核对的产出；而并行的独立对话做不到这一点，因为它们看不到彼此的结果。

    编号 QB-XMN8EQ依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — task decomposition: break a large request into a sequence of scoped sub-prompts报告此题的问题

11. 11. 一次输出的事实内容是对的，但结构不对。于是这位专员一次性重写了整个提示词——换了人设、换了语气、加了篇幅限制、改了格式，还加了三个新例子。新输出确实不一样了，但仍然不能用。今后正确的做法是什么？

    • A.从网上找一个通用提示词模板，从头再来。
    • B.把新提示词多跑几次，留下最好的结果。
    • C.回到原来的提示词，只改真正出问题的那一项——输出格式的说明。✓ 答案
    • D.继续一次改多个变量，直到某种组合碰巧奏效。

    迭代优化的要领是先诊断出具体缺陷，再只改动一个变量，这样才能把效果归因于这次改动。整体重写会让各项改动互相混杂，而且常常把提示词中原本已经产出正确内容的部分一并破坏。

    编号 QB-F5UDZQ依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — iterative refinement: diagnose the defect and change one variable at a time报告此题的问题

12. 12. 在多轮交流中，这位专员提供了背景文件并与 Claude 敲定了提纲，随后 Claude 给出的草稿大约有 80% 是合意的：其中两段对目标受众来说过于生硬，风险部分则过于单薄。最高效的下一步是什么？

    • A.反复重新生成同一请求，直到某一版把两个问题都解决为止。
    • B.在原请求上加"更柔和、更详细"，要求完全重写一份新草稿。
    • C.在同一对话中继续，用有针对性的修改指令点明要软化的两段和需要扩写的那一节。✓ 答案
    • D.新开一个对话，把所有背景资料重新粘贴一遍，并用改进后的提示词重来。

    当前对话中已经沉淀了背景资料、已确认的提纲和那 80% 可用的内容，因此用具体的修改指令继续推进，可以保住这些成果，只改动被识别出的缺陷。重新开始会丢弃已积累的上下文；反复重新生成则没有改变那个本就不够明确的请求，只是把同一个失败重新抽样一遍。

    编号 QB-YMZJKR依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — steer an answer by continuing the conversation rather than restarting报告此题的问题

13. 13. 一位专员需要从 30 份合同中提取供应商名称、续约日期和年度费用，以便粘贴进电子表格。Claude 返回的是行文流畅的段落，每份合同的描述方式各不相同，有些合同漏掉了费用却没有任何说明。最好的提示词改动是什么？

    • A.要求用项目符号列表代替段落。
    • B.指定带命名列的表格，每份合同一行，并写明缺失值该填什么。✓ 答案
    • C.要求输出"条理清晰、易于阅读"。
    • D.保留散文形式，每次手工整理后再录入电子表格。

    当输出要进入下游系统、或需要逐字段比对时，必须显式规定结构——有哪些列、一行代表什么粒度、缺失值如何标记——否则每条记录都会按上下文的随机暗示来排版。"条理清晰"这类含糊说法并没有定义任何结构；而如果不规定缺失值写法，静默的遗漏依然看不出来。

    编号 QB-G57R6S依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — specify an explicit output structure when the output feeds a downstream use报告此题的问题

14. 14. 一个分类提示词要把"账单类"工单和"账户类"工单区分开。明显的案例处理得很好，但同时提到付款方式和登录问题的工单，标注结果前后不一致。最好的改进是什么？

    • A.补充边界案例和反例，并给出明确的优先判定规则。✓ 答案
    • B.把这两个类别的定义改写得更正式、更显精确。
    • C.要求为每张工单给出置信度分数，人工复核分数低的那些。
    • D.大量增加明显案例的示范，让类别界定更牢固。

    定义描述的是类别的中心，而分类错误发生在边界，因此必须用"差之毫厘"的成对例子把边界演示出来，并为同时符合两个定义的情况给出明确判定规则。再多的明显案例对边界毫无帮助；模型自评的置信度分数也不是衡量正确性的可靠指标。

    编号 QB-ZMCWRS依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — provide counterexamples and edge cases when a task has tricky boundaries报告此题的问题

15. 15. 一个提示词列出了 14 项要求，其中包括"全面覆盖全部九个章节""控制在 100 字以内""保持正式语域"和"听起来亲切、口语化"。每份草稿都会不动声色地忽略其中不同的几项。最好的解决办法是什么？

    • A.先化解矛盾，再给出一份简短且有优先级的要求清单。✓ 答案
    • B.先问模型它遵守了哪些要求，然后再重发提示词。
    • C.把被忽略的那些要求在提示词末尾再重复一遍。
    • D.把 14 项要求从 1 到 14 编号，确保没有一条会被忽视。

    "全面覆盖九个章节"和"100 字以内"不可能同时成立，"正式"和"口语化"也无法兼得，因此模型必然要做取舍，而舍弃哪一条实际上是任意的。消除冲突并给出优先次序，才能恢复一个可满足的目标；编号或重复相互排斥的指令并不能让它们变得相容。

    编号 QB-H5J3CT依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — competing or contradictory instructions as a cause of disappointing output报告此题的问题

16. 16. 连续四轮，这位专员对每一版草稿都只回复"再改好一点"。草稿确实在变，但并没有变好。接下来最有效的做法是什么？

    • A.加一个专家人设，让模型以专家的方式来处理这份草稿。
    • B.放弃这个对话，用一个空白提示词从头再来。
    • C.说明合格版本要满足的标准，或给出可接受的范例。✓ 答案
    • D.改说"这次要改得好很多"，以示前几次都不合格。

    "改好一点"没有给出任何改动方向，因此每次修订不过是在同一内容周围随机游走。说明合格结果必须满足的标准，或直接给出一个范例，才能让模型有一个可被衡量的目标——这也正是明确的成功标准优于含糊的质量形容词的原因。

    编号 QB-2NQ8XT依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — define what a good result looks like (explicit success criteria or an example)报告此题的问题

17. 17. 一位专员需要的摘要必须短到能填进只容纳三句话的工单字段。到目前为止，他的提示词一直写的是"简短一些"，而返回的摘要仍然在 800 字左右。最好的改动是什么？

    • A.先要长摘要，再让模型对自己的摘要再做一次概括。
    • B.把限制写成数字：最多三句、60 个词以内。✓ 答案
    • C.把"简短"改成"非常简短"，让这条指令更有分量。
    • D.每次粘贴进字段前，手工删掉多余文字。

    "简短"这类相对词是相对于一个未知基准来理解的，因此无法可靠地产出符合下游硬性限制的长度。可计数的约束既无歧义又可核验，把它写进提示词，比事后修补输出更省事、也更稳定。

    编号 QB-J5WDHU依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — specify length and format explicitly rather than using relative descriptors报告此题的问题

18. 18. 一位专员把十二个月的客户流失数据粘贴进提示词，写了一句"有什么想法？"Claude 返回的内容准确却没什么用，只是把数字复述了一遍。最好的改进是什么？

    • A.要求给出更长、细节更多的分析。
    • B.要求模型下次更有洞见、少作描述。
    • C.提出具体的分析问题并点明决策。✓ 答案
    • D.就同一批数据再要一些想法。

    没有明确的问题，描述就是最保险的回答方式；加长篇幅或要求"更有洞见"都改变不了这一点。分析类提示词需要数据、明确的分析问题以及它服务的决策，因为正是这些决定了哪些事实算是相关的。

    编号 QB-3N3K4V依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — adapt strategy by task type: analysis requires the data plus an explicit analytic question报告此题的问题

19. 19. 一位专员提问"给我一些春季营销活动的点子"，得到了五个保守且彼此高度雷同的建议。他需要带一些真正不同的方案去参加策划会。最好的做法是什么？

    • A.要求 20 个不同维度的点子，之后再收敛。✓ 答案
    • B.让模型直接挑出最强的那一个点子并展开细化。
    • C.把完全相同的问题再问一遍，然后把两份清单合并。
    • D.要求给出比第一批"更有创意、更原创"的点子。

    头脑风暴分两个阶段：先发散，再收敛。数量少又无约束的请求只会返回最典型的答案；而要求给出指定数量、并且必须沿着指定维度变化，才能迫使模型探索到显而易见之外的区域，之后再单独进行筛选，而不是把筛选混在同一个请求里。

    编号 QB-K59RPV依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — adapt strategy by task type: brainstorming asks for quantity and divergence first, then converges报告此题的问题

20. 20. 一位专员用同一个抽取提示词处理 30 份文档。所需结构是在提示词开头用一段文字描述的，而各份文档产出的结构差异明显。最好的改动是什么？

    • A.在提示词末尾加上"严格按所述结构执行"。
    • B.要求模型在每次产出前先把所需结构复述一遍。
    • C.把工作拆成 30 个独立对话，每份文档一个。
    • D.给出一个填好的输出模板范例，并要求每份文档都按同样形式返回。✓ 答案

    用文字描述版式，会在每一个含糊之处留下解释空间，而在多次运行中，这些细微的解释选择会不断发散。给出一个填好内容的具体范例，等于用"展示"取代"描述"，消除了歧义，这才能让多次运行的结果一致到可以互相比较或统一处理。

    编号 QB-65EFYM依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — show the desired output format with an example rather than describing it in prose报告此题的问题

21. 21. 一位专员上传了一份 20 页的内部政策，并提示："看一下这份文件，告诉我你的看法。"返回的是一份泛泛的摘要加几条温和的建议。而这位专员真正需要的，是政策中自相矛盾之处的清单。最好的修改是什么？

    • A.加一个人设，比如"以资深政策审阅人的身份"，然后原样重发请求。
    • B.写明视角和交付物：找出矛盾表述，引用原文标页码，列成表格。✓ 答案
    • C.要求重新评审一遍，这次更加批判性一些。
    • D.要求对同一份文件给出更长、更详尽的评审。

    "你怎么看"没有给出任何评判标准，模型只能在几十种可能的评审视角中猜一个，于是默认选了最通用的那种。写明评审视角和交付物，就把一个开放式邀请变成了有明确产出的可核查任务；而人设或"写长一点"都做不到这一点。

    编号 QB-NM8ADM依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — an ambiguous ask is a primary cause of a disappointing answer; state the task and the deliverable报告此题的问题

22. 22. 每周一，这位专员都凭记忆写一个提示词来生成同一份每周运营报告。每周的措辞略有不同，报告结构也随之变化，导致周与周之间难以比较。最好的解决办法是什么？

    • A.把每周的报告与上一周对照，事后再把差异改回来。
    • B.在每次会话结束时告诉模型记住本周的格式，以备下次使用。
    • C.每周都要求更多细节，确保任何一份报告都不遗漏内容。
    • D.保存可复用的提示词模板，固定指令、约束和输出格式，每周只换输入数据。✓ 答案

    输出的波动源于输入的波动：如果每次都凭记忆重打这些长期不变的指令，指令就会变，报告也随之改变。用可复用模板把固定要求锁定下来，当周数据就成了唯一的变量，这正是让历次报告可比的关键。

    编号 QB-75SS5P依据： Anthropic Claude certification (Associate – Foundations), Domain 1 — hold standing instructions constant in a reusable prompt; vary only the task input报告此题的问题

练习题依据官方 Claude 认证助理基础级（CCAO-F）考试指南和 Anthropic 公开文档编写。这是一个独立的学习工具，与 Anthropic 无关联、未获其认可，也不授予任何认证。考试由 Pearson VUE 交付；当前的题量、考试时长、通过分数和费用以 Anthropic 官方 CCAO-F 考试指南公布的为准。 官方认证页面 →