Claude Code创造者：好提示词只需三件事

关于怎么给AI写提示词，几乎每个人都有自己的说法。同一周里，你会听到有人建议往提示词里塞尽可能多的上下文，说得含糊一点，让大模型自己去补细节；转头又会看到另一种完全相反的观点：提示词要短，要具体到不能再具体，一点解释空间都别留给AI。

两边都坚称自己的方法才是拿到好结果的关键。这也是为什么我更愿意听那些真正在造模型、造工具的人怎么说——毕竟，还有谁比参与创造某个AI工具的人更懂怎么把它用好？

Claude Code的创造者鲍里斯·切尔尼（Boris Cherny）最近发的一篇帖子，就是这个道理。他没有抛出什么花哨的新提示词框架，也没有给一份长得离谱、必须照做的模板。他说，一条好提示词只需要三样东西。

三件事，没有魔法公式

切尔尼经常在自己的X账号上分享Claude Code的配置心得。他在2026年10月6日发的一篇帖子引来了不少关注。帖子里，他分享了一个用Claude搭建的互动网站，配合一档关于家得宝（Home Depot）的Acquired播客节目。真正引发讨论的不是网站本身，而是他用来做出这个网站的提示词。

他把提示词公开后，不少人惊讶于它竟然如此简单、如此像日常对话。里面没有繁复的指令，没有复杂的提示词框架，也没有什么特殊技巧。他基本上就是用跟同事说话的方式在跟Claude交流，这让相当多的人意识到，自己一直以来其实也是这么给AI写提示词的。

这些反应最终促使切尔尼进一步解释自己的提示词方法，也就是在那时他说明，这件事真的没有什么秘密。在他看来，一条好提示词归结起来只有三点：

• 清楚说明你要它做什么。这一点几乎不言自明，核心是讲明白你想达成什么，而不是让AI去猜你心里想的是什么。你不必写一整段话把每个细节都交代清楚，但模型应该能较好地理解你在要求它做什么、你期望最终结果长什么样。
• 说清楚你希望它投入多少精力。Anthropic近来一直在推动让用户更多控制模型在一项任务上花多少时间和算力，这个概念被称为“effort”（投入度）。道理很直接：不是每个任务都需要同样多的思考。你不会希望Claude为一个简单问题推理好几分钟，但对复杂得多的事情，给它更多思考空间可能会带来差别。
• 给它一个验证自己工作的方式。与其单纯相信AI已经正确完成了你交代的事，不如给它一个检查输出的途径。比如你让Claude Code构建一个应用，可以要求它运行测试，确认一切按预期工作。思路是让模型有明确办法判断自己是否真的完成了任务，而不是想当然地认为完成了。

他自己的提示词就是近乎完美的例子

要演示切尔尼的建议，我本可以用自己写的提示词，但最好的例子莫过于引发这场讨论的那条提示词本身。毕竟，既然在听Claude Code创造者的提示词建议，那不如看看他是怎么把自己的建议落到实处的。

他的提示词大意是：最新一期家得宝的Acquired节目非常精彩，要Claude做一个讲述整期节目的artifact（产物），做得漂亮、可交互，重点传达节目中的商业智慧精华；要做好，多用token，不断迭代直到自己满意；也许可以加入水彩插画和历史照片，追求《纽约客》或《纽约时报》数据可视化的调性，但要更好；还提到可以用OpenCV处理水彩图像。

先看第一条：清楚说明要AI做什么。切尔尼开篇就要求Claude制作一个讲述整期家得宝节目的artifact，随后补充了更多细节——要漂亮、可交互、聚焦传达节目中的商业经验。他甚至给了创作方向，建议加入水彩插画、历史照片，以及受《纽约客》或《纽约时报》启发的视觉风格。他并没有告诉Claude具体怎么搭建这个artifact，而是说明最终结果该是什么样，把更细的部分留给模型。

第二条更容易辨认。他明确让Claude“多用token”，不断迭代直到对结果满意。这实际上是在告诉模型，他希望它在这项任务上投入可观的精力，而不是匆匆做完。

第三条就有点意思了。切尔尼确实要求Claude持续迭代直到满意，但他并没有给出一个具体的验证方式——没有要求运行测试，也没有要求对照某组特定要求检查最终产物。他依赖的是Claude自己评估并改进输出质量。所以，这条提示词清楚体现了前两条原则，第三条则没那么明确。这一点值得指出，因为它说明即便是切尔尼，也未必把这三条当成每条提示词都必须遵循的硬性公式。

过去几天试过他的方法后，我发现切尔尼说的很有道理。与其花大把时间打磨一条完美提示词，或者照着网上看到的复杂框架走，我一直在做的是：清楚说明我想要什么、期望AI投入多少精力、它该如何检查自己的工作。到目前为止，这个简单方法效果出奇地好，而且不管我用的是哪个AI模型。

提示词建议的保质期短得惊人

说句公道话，我说最好的提示词建议来自真正在造这些模型和工具的人，并不是说其他人的建议就一定错。那些在领英上教提示词工程的“大师”也许拿不出多少资历背书，但这并不自动意味着他们的技巧没用。问题在于，提示词建议的保质期短得惊人，今天效果拔群的方法，几个月后可能就没那么好用了。

如果你从OpenAI公开发布第一个模型那天起就在关注这些AI公司的节奏，大概会注意到它们丝毫没有放慢的迹象。几乎每隔一周就有一个新模型出现（至少感觉如此），而这些发布的全部意义就是超越前作。自然，我们与这些模型互动的方式也在不断变化。

在一个模型上效果极佳的方法，换到下一个模型未必同样有效；几个月前还被奉为圭臬的提示词建议，可能已经过时。再加上每家AI厂商的大模型各不相同，一种在Claude上效果奇佳的提示词技巧，用在ChatGPT或Gemini上未必能产生同样结果，哪怕你让三个模型做的是完全相同的任务。

所以，一边是新模型源源不断地发布，一边是各家AI公司模型之间的差异，大家不停琢磨下一个提示词大招，也就不奇怪了。

切尔尼的建议来自他构建和使用Claude Code的经验，但这三条并不专属于Claude。无论你用的是ChatGPT、Gemini还是本地大模型，清楚说明你想要什么、任务需要多少精力、模型该如何验证自己的工作，都能帮你拿到更好的结果。说到底，这些不是依赖某个特定模型或工具的复杂技巧，而是几乎可以套用到任何AI助手身上的简单原则。