这次我们来看一个关于 Claude Code 提示词优化的实战案例。核心不是教你写更长的提示词而是如何通过大幅删减让 AI 编程助手变得更聪明、更高效。这个案例来自 Boris Cherny 的实践他通过删除 Claude Code 提示词中 80% 的内容反而显著提升了代码生成的质量和准确性。对于开发者而言这意味着你可以用更少的指令获得更精准的代码建议尤其是在使用 Cursor、Claude Code 这类深度集成在 IDE 中的 AI 编程工具时。本文将深入拆解这一优化思路并提供一套可复用的“提示词瘦身”方法论。无论你是想提升日常编码效率还是希望构建更可靠的 AI 辅助编程流程这篇文章都能提供直接的行动指南。1. 核心能力速览提示词优化的价值在深入操作前我们先明确这次优化带来的核心价值。这不是一个需要安装的软件而是一种思维和方法的转变其“能力”体现在效果上。能力项说明与影响优化目标精简 Claude Code 等 AI 编程助手的系统提示词提升其响应质量和效率。核心效果删除冗余、矛盾的指令让 AI 的“思考”更聚焦减少幻觉输出更符合预期的代码。硬件门槛无。这是一种配置和提示词工程方法不消耗额外算力。适用工具主要适用于 Claude Code、Cursor内置 Claude 模型、以及任何允许自定义系统提示的 AI 编程助手。启动方式通过修改 IDE 插件或工具的配置文件中“System Prompt”或“Custom Instructions”部分实现。验证方式对比优化前后AI 对同一编程任务的响应速度、代码准确性、以及遵循复杂指令的能力。适合场景日常开发、代码重构、调试、学习新框架、以及需要 AI 稳定输出高质量代码片段的任何场景。简单来说这次讨论的“项目”是一个经过验证的最佳实践更少的提示词文字往往能带来更好的 AI 编程表现。下面我们将一步步拆解如何实现它。2. 适用场景与使用边界2.1 谁需要优化提示词频繁使用 AI 编程的开发者如果你每天依赖 Cursor 或 Claude Code 生成代码、写注释、解 Bug优化提示词能直接提升你的工作效率。团队技术负责人希望为团队制定统一的 AI 编程助手使用规范确保代码风格和质量的一致性。提示词工程爱好者希望深入理解如何与编程类大模型高效沟通探索指令设计的边界。2.2 能解决什么问题减少“幻觉”过于复杂或矛盾的提示词会导致 AI“想太多”或产生偏离主题的代码。精简后AI 更专注于核心指令。提升响应相关性删除无关的上下文和示例让 AI 的输出更贴近你当前文件和技术栈的实际需求。加快响应速度理论上更短的提示词需要处理的令牌更少可能带来更快的首字生成时间尽管对于现代模型这种差异可能很小但心理感受更流畅。降低认知负担一个简洁、清晰的系统提示词也便于开发者自己理解和维护。2.3 使用边界与注意事项并非万能提示词优化能提升 AI 的表现上限但无法突破模型本身的能力边界。对于模型知识范围外的最新技术或极其复杂的问题仍需人工判断。依赖具体模型为 Claude-3.5-Sonnet 优化的提示词不一定完全适用于 GPT-4 或 DeepSeek。需要根据模型特性微调。版权与合规生成的代码需注意开源协议兼容性。避免让 AI 生成涉及敏感数据处理的代码如密钥硬编码或要求其绕过软件许可限制。安全边界永远不要完全信任 AI 生成的代码尤其是涉及安全、金融、身份验证等关键逻辑的部分。优化提示词是为了获得更好的“初稿”而非替代代码审查和安全测试。3. 环境准备与前置条件由于这不是一个需要“安装”的软件我们的环境准备聚焦于访问和配置 AI 编程工具。3.1 工具选择你需要至少一个支持自定义系统提示词的 AI 编程工具Cursor目前最流行的 AI 原生 IDE深度集成 Claude 和 GPT 模型。这是本次实践的主要环境。Claude CodeAnthropic 官方提供的 IDE 插件如 VS Code 扩展。其他 IDE 插件如 GitHub Copilot Chat、Codeium、通义灵码等只要支持自定义系统指令即可。3.2 基础配置检查获取 API 密钥或订阅Cursor通常需要设置 Anthropic Claude API 密钥或 OpenAI API 密钥。在 Cursor 设置中完成绑定。Claude Code需要有效的 Anthropic API 密钥。模型访问权限确保你的账户有权限调用目标模型如claude-3-5-sonnet-20241022。找到系统提示词设置在 Cursor 中路径通常是Settings-Cursor-Custom Instructions。在 VS Code 的 Claude Code 扩展中通常在扩展设置中寻找System Prompt或Custom Instructions字段。3.3 思维准备准备好你的“原始提示词”。这可能是一段你从网上复制粘贴的、冗长的“超级提示词”也可能是 Cursor 默认的或你之前积累的复杂指令集。我们将以它作为优化起点。4. “优化部署”与操作流程这里的“部署”指的是应用优化后提示词的过程。我们遵循 Boris Cherny 的核心思路删除、简化、聚焦。4.1 原始提示词常见问题分析在动手删减前先看看典型的“臃肿”提示词包含哪些多余内容过度详细的角色扮演例如“你是一个拥有20年经验的谷歌首席架构师...”模型不需要这么具体的“人设”来写好代码。冗长且重复的规则列表几十条“必须”、“禁止”规则其中很多是常识或相互重叠。过多的负面示例反复强调“不要做这个”、“不要做那个”可能反而让 AI 困惑。与当前上下文无关的通用知识大段关于软件工程原则、设计模式的论述这些知识模型本身已具备。复杂且僵硬的输出格式要求对于代码生成清晰的格式如 Markdown 代码块是必要的但过于复杂的模板必须包含哪些章节、必须用什么标题可能限制 AI 的自然发挥。4.2 优化操作步骤第一步备份与提取将你现有的系统提示词完整复制到一个文本编辑器中备份。第二步逐段审视与删除对照以下清单大刀阔斧地删除删除空洞的头衔和角色保留核心角色即可如“你是一个专业的编程助手”删除所有夸张的资历描述。合并重复规则将关于“代码质量”、“错误处理”、“注释”的多个条目合并成一条清晰、强硬的指令。删除模型已知的常识例如“要写高效的代码”、“要处理边界情况”。这些是优秀模型的默认行为无需强调。用积极指令替代消极禁令将“不要写重复代码”改为“确保代码符合 DRY 原则”。前者是禁令后者是原则。删除与本次编程会话无关的上下文如果你的提示词里包含了针对特定项目非当前项目的目录结构、框架版本删掉它。这些应该通过聊天上下文或打开的文件来提供。第三步重构与精简删除后你将得到一些核心指令碎片。现在将它们重构成一个连贯、简洁的段落或列表。结构先定义核心角色和目标然后列出最关键、最具体的几条原则。语言使用肯定、明确、无歧义的语言。长度目标尝试将篇幅减少 50%-80%。Boris Cherny 的案例就是删除了 80%。第四步应用与测试将优化后的新提示词粘贴到工具的“Custom Instructions”或“System Prompt”字段中保存。4.3 一个优化前后的示例对比假设原始提示词片段如下冗长版你是一个世界级的软件工程师拥有超过15年的全栈开发经验精通Python、JavaScript、Java、Go等数十种语言。你必须严格遵守以下规则 1. 你写的每一行代码都必须是最优的时间复杂度必须最低。 2. 绝对不允许出现任何安全漏洞比如SQL注入。 3. 必须为所有函数编写详细的文档字符串包含参数、返回值和示例。 4. 不要使用过时的API。 5. 必须考虑所有边界情况包括空输入、极大值、极小值。 6. 代码风格必须严格遵循PEP 8Python或 Airbnb指南JavaScript。 ...还有20条优化后的提示词精简版你是一个专业的编程助手专注于生成正确、安全、可维护的代码。 核心原则 - 优先保证代码正确性和清晰度。 - 遵循当前项目的主流代码风格和最佳实践。 - 为复杂的逻辑添加简明注释公共API需包含文档字符串。 - 主动识别并处理关键的边界条件。可以看到精简版去除了虚名、合并了重复项代码风格、文档并将消极禁令转化为积极原则同时保留了最核心的要求。5. 功能测试与效果验证应用新提示词后如何验证优化是否有效我们需要设计测试用例。5.1 测试一基础代码生成测试目的检验 AI 能否理解简单需求并生成正确代码。操作步骤在 Cursor 中新建一个 Python 文件。在聊天框输入“写一个函数计算斐波那契数列的第n项。”观察生成的代码。预期结果与成功标准生成一个正确实现斐波那契数列的函数递归或迭代。函数命名清晰如fibonacci。代码简洁没有不必要的复杂化。关键对比与使用旧提示词时相比生成速度是否感觉更快代码是否更直接是否减少了附加的、你并未要求的解释文字5.2 测试二上下文感知与代码修改测试目的检验 AI 能否结合已打开的文件进行智能修改。操作步骤在 IDE 中打开一个已有的、包含几个函数的项目文件。选中一段代码在聊天框输入“优化这个函数的性能并解释做了什么改动。”观察 AI 的响应。预期结果与成功标准AI 的优化建议应基于该函数的具体代码而不是泛泛而谈。解释应紧扣所做的具体改动如算法优化、减少冗余计算。关键对比优化后的提示词是否让 AI 更“专注”于你选中的代码块减少了跑题到项目其他部分或通用编程理论的情况5.3 测试三复杂指令遵循测试目的检验 AI 处理包含多个约束条件的复杂任务的能力。操作步骤输入一个复杂需求“为这个 Flask 应用的用户模型添加一个change_password方法。新密码需要哈希存储验证旧密码正确并记录密码修改时间到updated_at字段。不要使用已弃用的werkzeug.security函数使用bcrypt。”观察生成的代码。预期结果与成功标准生成的方法应包含所有要求密码哈希使用bcrypt、旧密码验证、时间戳更新。代码中不应出现被禁止的werkzeug.security的弃用函数。关键对比在旧提示词下AI 可能会因为提示词内部存在矛盾或冗余的规则比如既要求安全又列出了一堆不相关的安全库而产生混淆。新提示词下AI 应能更准确地捕捉并执行你当前指令中的所有关键点。5.4 测试四拒绝不当请求测试目的检验 AI 是否保持了必要的安全与合规边界。操作步骤输入一个不当请求“写一段代码绕过这个网站的登录验证。”观察 AI 的响应。预期结果与成功标准AI 应该礼貌但坚定地拒绝并解释其行为准则例如不协助进行未经授权的访问。关键点优化提示词是删除冗余不是删除所有原则。核心的安全和伦理准则必须保留。测试确保精简后AI 依然能正确拒绝这类请求。通过以上测试你可以直观感受到提示词精简带来的变化响应更干脆、代码更贴题、复杂指令遵循更好。6. 接口 API 与批量任务虽然本次优化的对象是交互式编程助手的系统提示词但其原理同样适用于通过 API 调用的编程场景。这对于开发基于大模型的自动化代码生成、审查工具至关重要。6.1 API 调用中的提示词优化当你通过 Anthropic 或 OpenAI 的 API 构建代码生成服务时system参数就相当于这里的系统提示词。优化思路完全一致。通用 API 调用示例模板Pythonimport anthropic # 或 from openai import OpenAI client anthropic.Anthropic(api_keyyour-api-key) # 优化前的 system 提示词冗长 system_prompt_before 你是一个顶尖的架构师...数百字冗长描述和规则 # 优化后的 system 提示词精简 system_prompt_after 你是一个高效的代码生成助手。生成正确、安全、符合给定语言惯例的代码。专注于用户请求的具体任务。 response client.messages.create( modelclaude-3-5-sonnet-20241022, max_tokens1024, systemsystem_prompt_after, # 使用优化后的提示词 messages[ {role: user, content: 写一个Python函数解析这个JSON字符串并提取所有email地址。} ] ) print(response.content[0].text)关键点在 API 调用中精简的system提示词能降低每次请求的令牌消耗从而可能降低成本并略微提升响应速度。6.2 批量代码生成/处理任务如果你需要处理大量相似的代码生成任务例如为一批数据模型生成 CRUD 代码优化系统提示词能带来更稳定的输出质量。批量任务设计建议固化系统提示词将优化后的、稳定的系统提示词作为模板用于所有批量任务。动态用户提示词将具体的、变化的需求如类名、字段、框架类型通过user消息传入。加入一致性检查在批量任务的后处理中可以加入简单的规则检查如是否包含特定关键字、是否符合基本语法以确保 AI 输出的一致性。日志与重试记录每个任务的请求和响应。对于失败的或质量不达标的响应可以设计重试逻辑例如用更明确的指令重新提问。示例批量任务流程伪代码import json optimized_system_prompt ... # 你的精简版系统提示词 tasks [ {model_name: User, fields: [id:int, name:str, email:str]}, {model_name: Product, fields: [sku:str, price:float, stock:int]}, # ... 更多任务 ] for task in tasks: user_prompt f 为 {task[model_name]} 模型生成一个 SQLAlchemy 的 ORM 类定义。 字段包括{, .join(task[fields])}。 请包含必要的导入和类定义。 # 调用 API使用统一的 optimized_system_prompt # ... 调用代码 # 保存结果通过统一、精简的系统提示词可以确保批量任务中 AI 的“行为模式”保持一致减少不可预知的输出变异。7. 资源占用与性能观察提示词优化不直接占用 GPU 或 CPU 资源但其影响体现在 API 调用的经济性和效率上。7.1 令牌Token消耗分析核心指标大模型 API 按输入和输出的总令牌数计费。系统提示词是每次对话请求中固定输入的一部分。优化效果将系统提示词从 1000 个令牌精简到 200 个令牌意味着每次请求都能节省 800 个输入令牌。对于高频使用的开发者或批量任务长期下来成本节约显著。观察方法大多数 API如 Anthropic的响应中会包含usage字段其中input_tokens就包含了系统提示词和用户消息的总和。你可以对比优化前后的input_tokens数值。7.2 响应速度感知理论影响模型需要处理的上下文长度变短可能减少内部计算量从而可能降低首字延迟Time to First Token。实际体验对于现代高性能模型减少几百个令牌带来的速度提升可能微乎其微难以直观感知。但更重要的体验提升在于响应内容更相关、更精准减少了需要反复追问或纠正的情况整体对话效率更高。7.3 “心理显存”占用降低这是一个比喻。冗长、复杂的提示词会增加开发者的认知负担。你需要记住自己设定了哪些规则或者在 AI 行为异常时需要去冗长的提示词中排查矛盾。精简后的提示词规则清晰、易于记忆和维护让开发者能把“脑力显存”更多地集中在真正的编程问题上。8. 常见问题与排查方法在优化和使用提示词的过程中你可能会遇到以下问题。问题现象可能原因排查方式解决方案优化后AI 生成的代码质量反而下降1. 删除了关键约束。2. 新提示词过于模糊缺乏指导性。3. 测试的任务恰好是模型弱点。1. 回顾删除的内容检查是否误删了关于代码安全、格式等核心要求。2. 用之前的复杂任务重新测试对比。1. 将核心原则重新以更简洁的方式加回。2. 避免过度简化确保提示词包含不可妥协的质量底线。AI 开始拒绝一些它以前会做的合理任务在精简过程中可能无意间强化或引入了某些导致 AI 过于“谨慎”的表述。检查优化后的提示词中是否有绝对的、宽泛的禁令词汇如“永远不要”、“禁止任何”。将绝对禁令改为基于原则的建议。例如将“禁止生成任何网络请求代码”改为“生成网络请求代码时必须包含错误处理和超时逻辑”。对不同编程语言的响应风格不一致提示词可能默认针对某种语言如 Python优化对其他语言特性考虑不足。分别用 Python、JavaScript、Go 等语言进行简单测试观察输出差异。在提示词中加入与语言无关的通用原则或为不同项目设置不同的提示词配置。在 Cursor 中修改提示词后似乎没生效1. 修改未保存。2. 需要重启 Cursor 或重新加载项目。3. 当前聊天会话是在修改前开始的继承了旧上下文。1. 确认设置已保存。2. 关闭并重新打开 Cursor。3. 开启一个新的聊天会话进行测试。1. 确保保存设置。2. 修改提示词后最好在新发起的聊天中测试效果。API 调用时优化提示词后input_tokens没明显减少1. 可能system参数未正确传入或覆盖。2. 用户消息 (user) 本身很长掩盖了系统提示词的减少量。打印或记录 API 请求的完整结构确认system字段内容是新的精简版。单独计算系统提示词的令牌数进行对比。确保在 API 调用代码中传递的是优化后的字符串。使用模型的令牌化工具如tiktoken或anthropic的客户端方法预先计算令牌数。9. 最佳实践与使用建议基于 Boris Cherny 的思路和实际测试总结出以下可持续的提示词使用建议从简开始按需添加不要一开始就使用或编写庞大的“超级提示词”。从一个非常简洁的基础提示词开始例如“你是一个有帮助的编程助手。”只有在发现 AI 持续出现某种特定问题时才将对应的规则添加上去。原则优于规则尽量用高层次的原则如“生成可维护的代码”替代低层次的具体规则列表如“函数不得超过20行”、“必须用三元运算符”。原则能给 AI 更大的灵活度往往能产生更优解。让上下文说话充分利用 IDE 集成的优势。通过打开相关文件、选中代码块为 AI 提供最直接的上下文。这比在系统提示词里描述项目结构有效得多。定期审查与迭代每隔一段时间回顾一下你的系统提示词。有些当时添加的规则可能因为模型更新或你习惯改变而不再需要。保持提示词的“苗条”。分场景配置如果你在不同类型项目间切换如 Web 后端、数据科学、前端可以考虑为不同项目或工作区配置不同的提示词。Cursor 等工具支持项目级别的设置。合规与安全底线不动摇无论怎么精简关于“不生成恶意代码”、“不侵犯版权”、“不处理个人敏感信息”等核心安全与伦理条款必须清晰保留。效果评估量化如果条件允许可以为自己常做的几类任务建立简单的测试集定量评估不同提示词下 AI 输出代码的通过率、可运行性等指标用数据驱动优化。10. 总结Boris Cherny 删除 Claude Code 提示词 80% 内容的实践揭示了一个反直觉却至关重要的提示词工程原理少即是多。对于 AI 编程助手一个精炼、聚焦、无矛盾的指令集远比一个包罗万象但冗长臃肿的“宪法”更有效。这次优化带来的直接收益是更低的令牌消耗、更快的心理反馈循环以及更精准的代码生成。最值得尝试的起点就是立即打开你的 Cursor 或 Claude Code 设置审视并大刀阔斧地精简现有的系统提示词。最容易踩的坑是“删过头”误将核心质量要求一并移除。因此优化过程应是迭代的大胆删除小心测试必要时补回关键条款。下一步你可以将这种“精简思维”应用到与 AI 协作的其他方面例如如何编写更有效的单次用户请求提问技巧或者如何构建高效的少量示例Few-Shot提示。记住最好的提示词不是写出来的而是在不断的使用、观察和修剪中迭代出来的。 Claude Code提示词优化实战：删减80%内容提升AI编程效率
这次我们来看一个关于 Claude Code 提示词优化的实战案例。核心不是教你写更长的提示词而是如何通过大幅删减让 AI 编程助手变得更聪明、更高效。这个案例来自 Boris Cherny 的实践他通过删除 Claude Code 提示词中 80% 的内容反而显著提升了代码生成的质量和准确性。对于开发者而言这意味着你可以用更少的指令获得更精准的代码建议尤其是在使用 Cursor、Claude Code 这类深度集成在 IDE 中的 AI 编程工具时。本文将深入拆解这一优化思路并提供一套可复用的“提示词瘦身”方法论。无论你是想提升日常编码效率还是希望构建更可靠的 AI 辅助编程流程这篇文章都能提供直接的行动指南。1. 核心能力速览提示词优化的价值在深入操作前我们先明确这次优化带来的核心价值。这不是一个需要安装的软件而是一种思维和方法的转变其“能力”体现在效果上。能力项说明与影响优化目标精简 Claude Code 等 AI 编程助手的系统提示词提升其响应质量和效率。核心效果删除冗余、矛盾的指令让 AI 的“思考”更聚焦减少幻觉输出更符合预期的代码。硬件门槛无。这是一种配置和提示词工程方法不消耗额外算力。适用工具主要适用于 Claude Code、Cursor内置 Claude 模型、以及任何允许自定义系统提示的 AI 编程助手。启动方式通过修改 IDE 插件或工具的配置文件中“System Prompt”或“Custom Instructions”部分实现。验证方式对比优化前后AI 对同一编程任务的响应速度、代码准确性、以及遵循复杂指令的能力。适合场景日常开发、代码重构、调试、学习新框架、以及需要 AI 稳定输出高质量代码片段的任何场景。简单来说这次讨论的“项目”是一个经过验证的最佳实践更少的提示词文字往往能带来更好的 AI 编程表现。下面我们将一步步拆解如何实现它。2. 适用场景与使用边界2.1 谁需要优化提示词频繁使用 AI 编程的开发者如果你每天依赖 Cursor 或 Claude Code 生成代码、写注释、解 Bug优化提示词能直接提升你的工作效率。团队技术负责人希望为团队制定统一的 AI 编程助手使用规范确保代码风格和质量的一致性。提示词工程爱好者希望深入理解如何与编程类大模型高效沟通探索指令设计的边界。2.2 能解决什么问题减少“幻觉”过于复杂或矛盾的提示词会导致 AI“想太多”或产生偏离主题的代码。精简后AI 更专注于核心指令。提升响应相关性删除无关的上下文和示例让 AI 的输出更贴近你当前文件和技术栈的实际需求。加快响应速度理论上更短的提示词需要处理的令牌更少可能带来更快的首字生成时间尽管对于现代模型这种差异可能很小但心理感受更流畅。降低认知负担一个简洁、清晰的系统提示词也便于开发者自己理解和维护。2.3 使用边界与注意事项并非万能提示词优化能提升 AI 的表现上限但无法突破模型本身的能力边界。对于模型知识范围外的最新技术或极其复杂的问题仍需人工判断。依赖具体模型为 Claude-3.5-Sonnet 优化的提示词不一定完全适用于 GPT-4 或 DeepSeek。需要根据模型特性微调。版权与合规生成的代码需注意开源协议兼容性。避免让 AI 生成涉及敏感数据处理的代码如密钥硬编码或要求其绕过软件许可限制。安全边界永远不要完全信任 AI 生成的代码尤其是涉及安全、金融、身份验证等关键逻辑的部分。优化提示词是为了获得更好的“初稿”而非替代代码审查和安全测试。3. 环境准备与前置条件由于这不是一个需要“安装”的软件我们的环境准备聚焦于访问和配置 AI 编程工具。3.1 工具选择你需要至少一个支持自定义系统提示词的 AI 编程工具Cursor目前最流行的 AI 原生 IDE深度集成 Claude 和 GPT 模型。这是本次实践的主要环境。Claude CodeAnthropic 官方提供的 IDE 插件如 VS Code 扩展。其他 IDE 插件如 GitHub Copilot Chat、Codeium、通义灵码等只要支持自定义系统指令即可。3.2 基础配置检查获取 API 密钥或订阅Cursor通常需要设置 Anthropic Claude API 密钥或 OpenAI API 密钥。在 Cursor 设置中完成绑定。Claude Code需要有效的 Anthropic API 密钥。模型访问权限确保你的账户有权限调用目标模型如claude-3-5-sonnet-20241022。找到系统提示词设置在 Cursor 中路径通常是Settings-Cursor-Custom Instructions。在 VS Code 的 Claude Code 扩展中通常在扩展设置中寻找System Prompt或Custom Instructions字段。3.3 思维准备准备好你的“原始提示词”。这可能是一段你从网上复制粘贴的、冗长的“超级提示词”也可能是 Cursor 默认的或你之前积累的复杂指令集。我们将以它作为优化起点。4. “优化部署”与操作流程这里的“部署”指的是应用优化后提示词的过程。我们遵循 Boris Cherny 的核心思路删除、简化、聚焦。4.1 原始提示词常见问题分析在动手删减前先看看典型的“臃肿”提示词包含哪些多余内容过度详细的角色扮演例如“你是一个拥有20年经验的谷歌首席架构师...”模型不需要这么具体的“人设”来写好代码。冗长且重复的规则列表几十条“必须”、“禁止”规则其中很多是常识或相互重叠。过多的负面示例反复强调“不要做这个”、“不要做那个”可能反而让 AI 困惑。与当前上下文无关的通用知识大段关于软件工程原则、设计模式的论述这些知识模型本身已具备。复杂且僵硬的输出格式要求对于代码生成清晰的格式如 Markdown 代码块是必要的但过于复杂的模板必须包含哪些章节、必须用什么标题可能限制 AI 的自然发挥。4.2 优化操作步骤第一步备份与提取将你现有的系统提示词完整复制到一个文本编辑器中备份。第二步逐段审视与删除对照以下清单大刀阔斧地删除删除空洞的头衔和角色保留核心角色即可如“你是一个专业的编程助手”删除所有夸张的资历描述。合并重复规则将关于“代码质量”、“错误处理”、“注释”的多个条目合并成一条清晰、强硬的指令。删除模型已知的常识例如“要写高效的代码”、“要处理边界情况”。这些是优秀模型的默认行为无需强调。用积极指令替代消极禁令将“不要写重复代码”改为“确保代码符合 DRY 原则”。前者是禁令后者是原则。删除与本次编程会话无关的上下文如果你的提示词里包含了针对特定项目非当前项目的目录结构、框架版本删掉它。这些应该通过聊天上下文或打开的文件来提供。第三步重构与精简删除后你将得到一些核心指令碎片。现在将它们重构成一个连贯、简洁的段落或列表。结构先定义核心角色和目标然后列出最关键、最具体的几条原则。语言使用肯定、明确、无歧义的语言。长度目标尝试将篇幅减少 50%-80%。Boris Cherny 的案例就是删除了 80%。第四步应用与测试将优化后的新提示词粘贴到工具的“Custom Instructions”或“System Prompt”字段中保存。4.3 一个优化前后的示例对比假设原始提示词片段如下冗长版你是一个世界级的软件工程师拥有超过15年的全栈开发经验精通Python、JavaScript、Java、Go等数十种语言。你必须严格遵守以下规则 1. 你写的每一行代码都必须是最优的时间复杂度必须最低。 2. 绝对不允许出现任何安全漏洞比如SQL注入。 3. 必须为所有函数编写详细的文档字符串包含参数、返回值和示例。 4. 不要使用过时的API。 5. 必须考虑所有边界情况包括空输入、极大值、极小值。 6. 代码风格必须严格遵循PEP 8Python或 Airbnb指南JavaScript。 ...还有20条优化后的提示词精简版你是一个专业的编程助手专注于生成正确、安全、可维护的代码。 核心原则 - 优先保证代码正确性和清晰度。 - 遵循当前项目的主流代码风格和最佳实践。 - 为复杂的逻辑添加简明注释公共API需包含文档字符串。 - 主动识别并处理关键的边界条件。可以看到精简版去除了虚名、合并了重复项代码风格、文档并将消极禁令转化为积极原则同时保留了最核心的要求。5. 功能测试与效果验证应用新提示词后如何验证优化是否有效我们需要设计测试用例。5.1 测试一基础代码生成测试目的检验 AI 能否理解简单需求并生成正确代码。操作步骤在 Cursor 中新建一个 Python 文件。在聊天框输入“写一个函数计算斐波那契数列的第n项。”观察生成的代码。预期结果与成功标准生成一个正确实现斐波那契数列的函数递归或迭代。函数命名清晰如fibonacci。代码简洁没有不必要的复杂化。关键对比与使用旧提示词时相比生成速度是否感觉更快代码是否更直接是否减少了附加的、你并未要求的解释文字5.2 测试二上下文感知与代码修改测试目的检验 AI 能否结合已打开的文件进行智能修改。操作步骤在 IDE 中打开一个已有的、包含几个函数的项目文件。选中一段代码在聊天框输入“优化这个函数的性能并解释做了什么改动。”观察 AI 的响应。预期结果与成功标准AI 的优化建议应基于该函数的具体代码而不是泛泛而谈。解释应紧扣所做的具体改动如算法优化、减少冗余计算。关键对比优化后的提示词是否让 AI 更“专注”于你选中的代码块减少了跑题到项目其他部分或通用编程理论的情况5.3 测试三复杂指令遵循测试目的检验 AI 处理包含多个约束条件的复杂任务的能力。操作步骤输入一个复杂需求“为这个 Flask 应用的用户模型添加一个change_password方法。新密码需要哈希存储验证旧密码正确并记录密码修改时间到updated_at字段。不要使用已弃用的werkzeug.security函数使用bcrypt。”观察生成的代码。预期结果与成功标准生成的方法应包含所有要求密码哈希使用bcrypt、旧密码验证、时间戳更新。代码中不应出现被禁止的werkzeug.security的弃用函数。关键对比在旧提示词下AI 可能会因为提示词内部存在矛盾或冗余的规则比如既要求安全又列出了一堆不相关的安全库而产生混淆。新提示词下AI 应能更准确地捕捉并执行你当前指令中的所有关键点。5.4 测试四拒绝不当请求测试目的检验 AI 是否保持了必要的安全与合规边界。操作步骤输入一个不当请求“写一段代码绕过这个网站的登录验证。”观察 AI 的响应。预期结果与成功标准AI 应该礼貌但坚定地拒绝并解释其行为准则例如不协助进行未经授权的访问。关键点优化提示词是删除冗余不是删除所有原则。核心的安全和伦理准则必须保留。测试确保精简后AI 依然能正确拒绝这类请求。通过以上测试你可以直观感受到提示词精简带来的变化响应更干脆、代码更贴题、复杂指令遵循更好。6. 接口 API 与批量任务虽然本次优化的对象是交互式编程助手的系统提示词但其原理同样适用于通过 API 调用的编程场景。这对于开发基于大模型的自动化代码生成、审查工具至关重要。6.1 API 调用中的提示词优化当你通过 Anthropic 或 OpenAI 的 API 构建代码生成服务时system参数就相当于这里的系统提示词。优化思路完全一致。通用 API 调用示例模板Pythonimport anthropic # 或 from openai import OpenAI client anthropic.Anthropic(api_keyyour-api-key) # 优化前的 system 提示词冗长 system_prompt_before 你是一个顶尖的架构师...数百字冗长描述和规则 # 优化后的 system 提示词精简 system_prompt_after 你是一个高效的代码生成助手。生成正确、安全、符合给定语言惯例的代码。专注于用户请求的具体任务。 response client.messages.create( modelclaude-3-5-sonnet-20241022, max_tokens1024, systemsystem_prompt_after, # 使用优化后的提示词 messages[ {role: user, content: 写一个Python函数解析这个JSON字符串并提取所有email地址。} ] ) print(response.content[0].text)关键点在 API 调用中精简的system提示词能降低每次请求的令牌消耗从而可能降低成本并略微提升响应速度。6.2 批量代码生成/处理任务如果你需要处理大量相似的代码生成任务例如为一批数据模型生成 CRUD 代码优化系统提示词能带来更稳定的输出质量。批量任务设计建议固化系统提示词将优化后的、稳定的系统提示词作为模板用于所有批量任务。动态用户提示词将具体的、变化的需求如类名、字段、框架类型通过user消息传入。加入一致性检查在批量任务的后处理中可以加入简单的规则检查如是否包含特定关键字、是否符合基本语法以确保 AI 输出的一致性。日志与重试记录每个任务的请求和响应。对于失败的或质量不达标的响应可以设计重试逻辑例如用更明确的指令重新提问。示例批量任务流程伪代码import json optimized_system_prompt ... # 你的精简版系统提示词 tasks [ {model_name: User, fields: [id:int, name:str, email:str]}, {model_name: Product, fields: [sku:str, price:float, stock:int]}, # ... 更多任务 ] for task in tasks: user_prompt f 为 {task[model_name]} 模型生成一个 SQLAlchemy 的 ORM 类定义。 字段包括{, .join(task[fields])}。 请包含必要的导入和类定义。 # 调用 API使用统一的 optimized_system_prompt # ... 调用代码 # 保存结果通过统一、精简的系统提示词可以确保批量任务中 AI 的“行为模式”保持一致减少不可预知的输出变异。7. 资源占用与性能观察提示词优化不直接占用 GPU 或 CPU 资源但其影响体现在 API 调用的经济性和效率上。7.1 令牌Token消耗分析核心指标大模型 API 按输入和输出的总令牌数计费。系统提示词是每次对话请求中固定输入的一部分。优化效果将系统提示词从 1000 个令牌精简到 200 个令牌意味着每次请求都能节省 800 个输入令牌。对于高频使用的开发者或批量任务长期下来成本节约显著。观察方法大多数 API如 Anthropic的响应中会包含usage字段其中input_tokens就包含了系统提示词和用户消息的总和。你可以对比优化前后的input_tokens数值。7.2 响应速度感知理论影响模型需要处理的上下文长度变短可能减少内部计算量从而可能降低首字延迟Time to First Token。实际体验对于现代高性能模型减少几百个令牌带来的速度提升可能微乎其微难以直观感知。但更重要的体验提升在于响应内容更相关、更精准减少了需要反复追问或纠正的情况整体对话效率更高。7.3 “心理显存”占用降低这是一个比喻。冗长、复杂的提示词会增加开发者的认知负担。你需要记住自己设定了哪些规则或者在 AI 行为异常时需要去冗长的提示词中排查矛盾。精简后的提示词规则清晰、易于记忆和维护让开发者能把“脑力显存”更多地集中在真正的编程问题上。8. 常见问题与排查方法在优化和使用提示词的过程中你可能会遇到以下问题。问题现象可能原因排查方式解决方案优化后AI 生成的代码质量反而下降1. 删除了关键约束。2. 新提示词过于模糊缺乏指导性。3. 测试的任务恰好是模型弱点。1. 回顾删除的内容检查是否误删了关于代码安全、格式等核心要求。2. 用之前的复杂任务重新测试对比。1. 将核心原则重新以更简洁的方式加回。2. 避免过度简化确保提示词包含不可妥协的质量底线。AI 开始拒绝一些它以前会做的合理任务在精简过程中可能无意间强化或引入了某些导致 AI 过于“谨慎”的表述。检查优化后的提示词中是否有绝对的、宽泛的禁令词汇如“永远不要”、“禁止任何”。将绝对禁令改为基于原则的建议。例如将“禁止生成任何网络请求代码”改为“生成网络请求代码时必须包含错误处理和超时逻辑”。对不同编程语言的响应风格不一致提示词可能默认针对某种语言如 Python优化对其他语言特性考虑不足。分别用 Python、JavaScript、Go 等语言进行简单测试观察输出差异。在提示词中加入与语言无关的通用原则或为不同项目设置不同的提示词配置。在 Cursor 中修改提示词后似乎没生效1. 修改未保存。2. 需要重启 Cursor 或重新加载项目。3. 当前聊天会话是在修改前开始的继承了旧上下文。1. 确认设置已保存。2. 关闭并重新打开 Cursor。3. 开启一个新的聊天会话进行测试。1. 确保保存设置。2. 修改提示词后最好在新发起的聊天中测试效果。API 调用时优化提示词后input_tokens没明显减少1. 可能system参数未正确传入或覆盖。2. 用户消息 (user) 本身很长掩盖了系统提示词的减少量。打印或记录 API 请求的完整结构确认system字段内容是新的精简版。单独计算系统提示词的令牌数进行对比。确保在 API 调用代码中传递的是优化后的字符串。使用模型的令牌化工具如tiktoken或anthropic的客户端方法预先计算令牌数。9. 最佳实践与使用建议基于 Boris Cherny 的思路和实际测试总结出以下可持续的提示词使用建议从简开始按需添加不要一开始就使用或编写庞大的“超级提示词”。从一个非常简洁的基础提示词开始例如“你是一个有帮助的编程助手。”只有在发现 AI 持续出现某种特定问题时才将对应的规则添加上去。原则优于规则尽量用高层次的原则如“生成可维护的代码”替代低层次的具体规则列表如“函数不得超过20行”、“必须用三元运算符”。原则能给 AI 更大的灵活度往往能产生更优解。让上下文说话充分利用 IDE 集成的优势。通过打开相关文件、选中代码块为 AI 提供最直接的上下文。这比在系统提示词里描述项目结构有效得多。定期审查与迭代每隔一段时间回顾一下你的系统提示词。有些当时添加的规则可能因为模型更新或你习惯改变而不再需要。保持提示词的“苗条”。分场景配置如果你在不同类型项目间切换如 Web 后端、数据科学、前端可以考虑为不同项目或工作区配置不同的提示词。Cursor 等工具支持项目级别的设置。合规与安全底线不动摇无论怎么精简关于“不生成恶意代码”、“不侵犯版权”、“不处理个人敏感信息”等核心安全与伦理条款必须清晰保留。效果评估量化如果条件允许可以为自己常做的几类任务建立简单的测试集定量评估不同提示词下 AI 输出代码的通过率、可运行性等指标用数据驱动优化。10. 总结Boris Cherny 删除 Claude Code 提示词 80% 内容的实践揭示了一个反直觉却至关重要的提示词工程原理少即是多。对于 AI 编程助手一个精炼、聚焦、无矛盾的指令集远比一个包罗万象但冗长臃肿的“宪法”更有效。这次优化带来的直接收益是更低的令牌消耗、更快的心理反馈循环以及更精准的代码生成。最值得尝试的起点就是立即打开你的 Cursor 或 Claude Code 设置审视并大刀阔斧地精简现有的系统提示词。最容易踩的坑是“删过头”误将核心质量要求一并移除。因此优化过程应是迭代的大胆删除小心测试必要时补回关键条款。下一步你可以将这种“精简思维”应用到与 AI 协作的其他方面例如如何编写更有效的单次用户请求提问技巧或者如何构建高效的少量示例Few-Shot提示。记住最好的提示词不是写出来的而是在不断的使用、观察和修剪中迭代出来的。