上周二下午，我试着用 Claude 3 Opus 去跑一个复杂的 Python 逻辑重构任务。原本以为它会像 GPT-4 那样偶尔在长逻辑链条上“断片”，结果它给出的代码逻辑严密得甚至有点吓人。Opus 的智商上限很高，但如果你只把它当成一个简单的对话框，那真是暴殄天物。

别用短句试探它的智商

很多人用 Claude Opus 的方式很低级：丢过去一个模糊的需求，然后看它报错或者胡言乱语。这不对。

Opus 这种级别的模型，吃的是“结构化输入”。如果你想让它写复杂的逻辑，你得给它一个“框架”。我总结了一套专门针对 Opus 的 Prompt 模版，你可以直接复制到你的编辑器里改。

错误示范：
帮我写一个解析 JSON 并提取特定字段的函数，注意处理异常。
（这种指令会导致它输出一大堆废话，然后核心逻辑还藏在中间。）

高手写法（结构化指令）：

# Role: Python Data Engineer
Task: Parse complex nested JSON structures.

Constraints: 

Use only 'json' and 're' libraries.

Output MUST be a pure function without side effects.

If key 'user_id' is missing, return None instead of raising Exception.

Workflow:

1. Load raw string.
2. Validate JSON format.
3. Extract 'metadata' field.
4. Return structured dict.

这种写法能把它的推理路径锁死在你的逻辑轨道上。如果你在构建更复杂的自动化流程，建议去 工作流交流 看看别人是怎么处理多步骤长指令的。

调优参数：Temperature 的坑

我实测过，如果你在调用 API 或者使用某些第三方客户端，Temperature（温度）这个参数对 Opus 的影响极其显著。

我做了一个对比测试，针对同一个逻辑推导题目，结果如下：

| 参数设置 (Temperature) | 输出风格 | 逻辑稳定性 | 适用场景 |
| :--- | :--- | :--- | :--- |
| 0.0 - 0.3 | 极其冷静，几乎没有废话 | 极高 | 代码编写、数学证明、事实查询 |
| 0.5 - 0.7 | 语言自然，有一定的解释性 | 中等 | 邮件润色、文章改写、创意构思 |
| 0.8 - 1.0 | 极具创造力，废话开始增多 | 不稳定 | 诗歌创作、脑暴、角色扮演 |

如果你发现 Opus 开始一本正经地胡说八道，第一反应不应该是骂它，而是去检查你的 Temperature 是不是开得太高了。对于逻辑任务，直接把它压到 0.2 甚至更低。

处理超长上下文时的“注意力缺失”

Opus 宣称有很大的上下文窗口，但实际操作中，你会发现它在处理超过 50k token 的文档时，偶尔会“遗忘”掉文档开头的约束条件。这是所有 LLM 的通病。

解决办法很简单：把最重要的规则（Constraints）重复放在 Prompt 的最后面。

这就好比跟人说话，你交代了一堆背景，最后临走前得再强调一句：“听好了，别忘了刚才说的那个限制条件”。在 PromptCube 社区里，我看到很多大佬分享的 提示词分享 技巧里，其实都在用这种“末尾强化”的策略。

实战：让 Opus 成为你的代码审查官

我最近在用 Opus 做 Code Review。它不是那种只会说“这段代码写得好”的复读机，只要你给它设定好“批判者”的角色。

具体的实操指令：
Analyze the following Python snippet for potential race conditions and memory leaks. Provide a score from 1-10 for stability. If the score is below 8, rewrite the code using 'asyncio' to improve performance.

当你输入这段指令时，Opus 的响应速度大约在 15-20 秒左右（取决于网络和服务器负载），但它给出的分析深度，真的比很多专门的静态检查工具还要人性化。

避开那些所谓的“万能模板”

现在网上到处都是“你是一个顶级专家...”这种模板。讲道理，这种东西对 Opus 来说有点过时了。Opus 已经具备了很强的角色理解能力，你不需要通过这种夸张的修辞去“催眠”它。

你要做的是提供具体的 Context（上下文）和明确的 Output Format（输出格式）。

比如，与其说“请用专业的语气说话”，不如说“请使用学术论文的语气，并模仿 Nature 杂志的写作风格”。后者的信息量大得多，也更精准。

如果你想了解更多关于 AI 模型性能迭代的底层逻辑，看看最新的 行业动态 会比看那些营销号写的文章有用得多。

总结一下我的经验

用好 Claude Opus 的核心不在于你多会说话，而在于你多会“写说明书”。

1. 把指令结构化：用 Markdown 的标题分块。
2. 严格控制 Temperature：逻辑任务选低值。
3. 解决遗忘问题：把约束条件放在 Prompt 末尾。
4. 提供范例：如果你想要特定的输出格式，直接给它一个 Example，这比任何描述都管用。

别指望一个指令就能解决所有问题。真正的 Prompt Engineering 是一场不断微调、不断试错的过程。