大多数人使用 AI 两年了，却仍然像用谷歌搜索一样往对话框里打字。一句含糊的话，对答案耸耸肩，然后关掉标签页。他们“使用 AI”的方式，就像你“使用”一个用来挂衬衫的跑步机。
这里有个让人不舒服的事实：那些能从这些模型中获得 10 倍价值的人，和那些一无所获的人之间的差距，不是天赋，也不是什么秘密模型。而是一个系统。那 10 倍人群反复使用同样的少数几个技巧——每个提示词，每一天——直到这些技巧变成肌肉记忆。
精通不是知道更多提示词。而是拥有一个无需思考就能运行的可重复系统。
这就是那个系统，压缩在 30 天里。四周，十二个可执行的步骤，每一步都以你今天要做的一件事结束。可复制的提示词。真实、可运行的 Python（已针对 anthropic SDK v0.109.1 验证）。没有你今晚无法付诸实践的理论。
文化上的发令枪是 Andrej Karpathy 那句现在很著名的关于“氛围编码”的话——“你完全沉浸在氛围中……甚至忘记了代码的存在。” 那是氛围。而这是让氛围真正落地的底层纪律。
第一部分 · 第一周 — 心智模型与初步胜利（第 1-7 天）
本周的目标不是知识。而是胜利。到第 7 天，你应该已经将至少一项真实任务委托给了模型，并感受到了时间回到了你手中。其他一切都建立在这种感觉之上。
01. 今天就用 AI 完成一项真实任务。
不要从课程开始。从你已经欠别人的一件琐事开始：一封你不想写的邮件，需要整理的笔记，一个需要起草的函数。理解 AI 最快的方法是交给它一件有真正利害关系的事情，并根据你自己会写出的结果来评判它的输出。
初学者犯的错误是输入一个主题（“写写关于用户引导”），而不是一份简报。把模型当成一个入职第一天、聪明的新员工：它有技能，但缺乏你的背景信息。给它一个角色、任务、背景信息，以及你期望的确切输出。
何时使用： 当你有一项通常需要在一小时内独自完成的任务时——写作、总结、重新格式化、头脑风暴、规划。
1你是我的<角色，例如“直言不讳的执行编辑”>。2任务：<用一句话描述一个具体任务>。3背景信息：<2-3 行模型无法知道的信息——受众、目标、约束条件>。4输出：<确切的格式——长度、结构、语气>。5如果有任何歧义，先问我，不要猜测。
最后一行是作弊码。它将一次性的猜测变成简短的对话，而对话几乎总是胜过独白。
现在就这样做： 从你手头的工作中选一个任务，填写四个部分，运行它。保留这个提示词——你会在整个月里重复使用这个框架。
02. 学习有效提示词的结构。
每个可靠的提示词都有三个部分，而初学者会跳过其中两个。清晰度（准确说出你想要什么）、背景信息（说明原因和为谁）、以及格式（说明输出应该是什么样子）。Anthropic 自己的指南称之为“聪明但新员工”规则：你解释得越精确，结果就越好——他们字面上的黄金法则是 “把你的提示词展示给一个几乎没有背景信息的同事；如果他们感到困惑，模型也会。”
单个最高杠杆的升级是添加动机。不要只说“永远不要使用省略号。”要说“这段文字将由文本转语音引擎朗读，所以永远不要使用省略号——它无法发音。”模型会从原因中进行泛化。这就是命令和解释之间的区别。
何时使用： 当答案返回时显得笼统、语气不对、或者技术上正确但毫无用处时。十有八九，是三个部分中缺少了一个。
1# 弱（主题，不是简报）2写写我们的新功能。34# 强（清晰度 + 背景信息 + 格式）5为我们的新“专注模式”写一篇 120 字的产品公告。6受众：觉得应用嘈杂的现有用户。7目标：让他们本周尝试一次。8语气：平静、自信、零炒作。9格式：1 个短段落 + 一行行动号召。
现在就这样做： 拿出你昨天的弱提示词，用所有三个部分标注出来重写。运行两者。观察差距。
03. 掌握 6 个核心技巧——以及一行代码。
这六个技巧出现在每一份严肃的提示词工程指南中，因为它们一直有效：(1) 清晰直接，(2) 添加背景/动机，(3) 提供示例，(4) 使用 XML 风格标签结构化，(5) 分配角色，(6) 告诉它在回答前思考。你将在第二周深入练习每一个——这是地图。
有两个值得立即融入你的操作习惯：角色和标签。系统指令中的角色会引导整个对话的语气和判断；即使一句话也能带来改变。像 <context> 和 <examples> 这样的标签可以防止模型混淆你的指令和数据。以下是作为真实、可运行代码的角色技巧——你将在第三周深入使用的 API 的初体验。
何时使用： 当你在多次调用中需要一致的行为（角色），或者当你将指令与混乱的输入混合在一起时（标签）。
1import anthropic23client = anthropic.Anthropic() # 从你的环境变量中读取 ANTHROPIC_API_KEY45msg = client.messages.create(6 model="claude-opus-4-8",7 max_tokens=1024,8 system="你是一位资深文字编辑。你删减废话，保留作者的声音。", # 角色9 messages=[10 {"role": "user", "content": "编辑这段文字，然后列出你修改了什么：\n\n<draft>...</draft>"}11 ],12)13print(msg.content[0].text)
现在就这样做： 用一个明确的角色和围绕输入的 <tags> 重写一个提示词。你现在已经使用了 6 个技巧中的 2 个——第二周将完成剩下的。
第二部分 · 第二周 — 为真实输出进行提示词工程（第 8-14 天）
本周你将把“有点用”变成“每次都管用”。相同的任务、相同的形态、相同的质量——按需交付。这种可靠性让你能在第三周实现自动化。
04. 使用多示例锁定语气和格式。
告诉模型你想要什么很好。展示给它看更好。几个精心挑选的示例（这种技巧称为少样本或多示例提示）能比任何形容词更可靠地锁定格式、语气和边缘情况。该领域的指导原则是一致的：包含 3-5 个示例，让它们多样化，这样模型就不会抓住一个偶然的模式，并将每个示例包裹在标签中，以便明确它是示例而不是指令。
对于重复性工作——分类、提取、格式化、重写——这是最大的质量飞跃。如果你每周做两次以上相同类型的任务，它值得拥有示例。
何时使用： 输出格式在不同运行之间漂移，或者你需要模型匹配特定的内部风格。
1将每个支持工单分类为以下之一：bug | billing | feature。23<examples>4<example>5工单：“我这个月被扣了两次费。”6类别：billing7</example>8<example>9工单：“在 Safari 上导出按钮不起作用。”10类别：bug11</example>12<example>13工单：“请添加深色模式。”14类别：feature15</example>16</examples>1718工单：“当我上传 PDF 时应用崩溃。”19类别：
现在就这样做： 选择一个重复出现的任务，在 <example> 标签中写 3 个不同的示例，然后观察输出立即变得规范。
05. 让模型在回答前思考。
对于任何涉及推理的任务——分析、数学、规划、棘手的判断——最糟糕的事情就是要求立即给出答案。给它空间先进行推理。你可以让较新的模型自适应地思考，或者在普通的聊天中，强制它：要求它在 <thinking> 块中逐步推理，然后在 <answer> 块中给出简洁的最终答案。将两者分开意味着你既能获得推理的好处，又不会看到大段文字。
来自 Anthropic 指南的一个额外技巧：要求它在完成前自我检查——“根据上述约束条件验证你的答案。”它经常能自己发现错误，尤其是在数学和逻辑问题上。
何时使用： 当任务有多个步骤、存在一个你可能出错的正确答案、或者需要权衡取舍时。
1问题：<一个涉及真正权衡的问题>23首先，在 <thinking> 标签内进行推理：列出你知道的、缺失的信息，4以及两个候选答案及其权衡。5然后在 <answer> 标签内给出你的决定——最多 3 句话。6在完成之前，验证你的答案没有与上述任何内容矛盾。
现在就这样做： 选择一个你正在考虑的决定，通过思考/答案分离的方式运行它，然后阅读 <thinking>——价值就隐藏在那里。
06. 构建一个可复用的提示词库。
到现在为止，你已经写了十几个不错的提示词，并且把一半都丢在了聊天历史里。停下来。专业人士不会重写提示词——他们会填充模板。把你最好的提示词收集到一个文件中，用 {变量} 替换变化的部分，你就把一次性的聪明变成了基础设施。
这是整个 30 天的关键转折点：这是你的提示词从一次性使用开始产生复利效应的时刻。一个简单的 Python 字典和 str.format 就是你开始所需的一切——无需框架，无需依赖。
何时使用： 当你已经运行了类似的提示词三次。第三次时，把它模板化。
1# prompt_library.py — 你的提示词作为可复用基础设施2TEMPLATES = {3 "summarize": (4 "你是{role}。\n"5 "为{audience}总结以下文本。\n"6 "格式：{fmt}。\n\n"7 "<text>\n{text}\n</text>"8 ),9}1011def build(name: str, **kwargs) -> str:12 return TEMPLATES[name].format(**kwargs)1314prompt = build(15 "summarize",16 role="技术文档工程师",17 audience="非技术用户",18 fmt="3 个要点，每个最多 15 个字",19 text="...在此粘贴发布说明...",20)21print(prompt) # 直接将其输入 client.messages.create(...)
现在就这样做： 创建 prompt_library.py，将你最好的 3 个提示词作为带变量的模板移入其中。这个文件将在整个月里不断增长。
第三部分 · 第三周 — 使用 API 实现自动化（第 15-21 天）
聊天是你学习的地方。API 是你扩展的地方。本周你将毕业，从一次只做一个任务，变成成百上千地运行它们，按计划进行，在你睡觉的时候。
07. 从聊天升级到 API。
API 只是你聊天提示词的一个可调用函数。如果你能写一个提示词，你就能写这个——只有十行。将你的密钥设置为环境变量（永远不要粘贴在代码中），将调用包装在一个函数中，你就有了一个可复用的 AI 命令，可以放入任何脚本中。
Simon Willison，他在记录实用 LLM 使用方面比几乎任何人都做得好，他指出杠杆不在于奇特的设置——而在于将模型与你已经使用的小工具连接起来。这个函数就是那根线。
何时使用： 当你希望同一个提示词在任何地方都可用——在脚本、定时任务、其他程序中——而不仅仅是在浏览器标签页中。
1import os2import anthropic34client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])56def ask(prompt: str) -> str:7 msg = client.messages.create(8 model="claude-opus-4-8",9 max_tokens=1024,10 messages=[{"role": "user", "content": prompt}],11 )12 return msg.content[0].text1314if __name__ == "__main__":15 print(ask("为产品发布邮件提供 5 个有力的主题行。"))
现在就这样做： 安装 SDK（pip install anthropic），设置 ANTHROPIC_API_KEY，然后运行这个文件。第一次成功的 API 调用 = 第三周解锁。
08. 将日常琐事变成脚本。
这就是时间真正回来的地方。你对一个文件夹里的东西做的任何任务——总结这 50 份转录稿，标记这 200 个工单，重写这 30 个产品描述——都是一个循环。写一次单项目版本，指向一个文件夹，然后走开。对于批量工作，使用更便宜、更快的模型；你不需要最强大的模型来总结一份备忘录。
何时使用： 当你发现自己一遍又一遍地手动做相同的 AI 任务时。那种重复就是一个你还没写的脚本。
1import pathlib2import anthropic34client = anthropic.Anthropic()5INBOX = pathlib.Path("./inbox") # 将 .txt 文件放在这里6OUT = pathlib.Path("./summaries")7OUT.mkdir(exist_ok=True)89def summarize(text: str) -> str:10 msg = client.messages.create(11 model="claude-haiku-4-5", # 便宜 + 快速：批量工作的正确工具12 max_tokens=300,13 system="用 3 个具体的要点总结。不要废话。",14 messages=[{"role": "user", "content": text}],15 )16 return msg.content[0].text1718for f in INBOX.glob("*.txt"):19 (OUT / f"{f.stem}.md").write_text(summarize(f.read_text(encoding="utf-8")), encoding="utf-8")20 print("已总结:", f.name)
现在就这样做： 找到一个批量任务，将文件放入 ./inbox，运行循环。你刚刚在一分钟内完成了一小时的工作。
09. 使用缓存降低成本与延迟。
一旦你开始运行真正的数量级，两件事开始变得重要：速度和账单。最大的杠杆是提示词缓存。如果每次调用都共享一个长且不变的前缀——风格指南、知识库、大的系统指令——你每次都在为重新读取它付费。用 cache_control 标记它，模型就会复用缓存版本：缓存读取的成本大约是正常输入价格的 10%，而一次性写入的成本是 +25%。对于共享前缀的批量任务，Batch API 在此基础上再叠加约 50% 的折扣。
何时使用： 当多次调用共享一个大的、静态的上下文块时（经典案例：在整个任务中复用的长系统提示词）。
1import anthropic23client = anthropic.Anthropic()4STYLE_GUIDE = open("style_guide.md").read() # 很长，每次调用都相同56msg = client.messages.create(7 model="claude-opus-4-8",8 max_tokens=1024,9 system=[10 {11 "type": "text",12 "text": STYLE_GUIDE,13 "cache_control": {"type": "ephemeral"}, # 缓存这个大前缀14 }15 ],16 messages=[{"role": "user", "content": "重写这封邮件以匹配指南：\n\n..."}],17)18print(msg.usage) # 观察第一次调用后 cache_read_input_tokens 如何攀升
现在就这样做： 找到一个带有大重复前缀的提示词，将其包裹在 cache_control 块中，并运行两次。打印 msg.usage 并观察缓存读取如何生效。
第四部分 · 第四周 — 工具、数据与交付（第 22-30 天）
最后一周是从“会说话的 AI”跃升到“会行动的 AI”。你给模型工具，将其连接到你的真实数据，并将整个东西打包成一个你会运行多年的工作流。
10. 给模型工具（函数调用）。
单独的模型只能生成文本。给它工具，它就能采取行动——查看你的日历、调用 API、运行计算。你用名称、描述和输入参数的 JSON schema 来描述每个工具；模型决定何时调用它，并将结构化参数交给你来执行。这是你听说过的所有“AI Agent”的基础。
何时使用： 当任务需要实时数据或模型无法仅从文本完成的操作时（任何涉及“查找”、“获取”、“计算”或“发送”的操作）。
1import anthropic23client = anthropic.Anthropic()45tools = [6 {7 "name": "get_calendar_events",8 "description": "返回用户指定日期的日程事件。",9 "input_schema": {10 "type": "object",11 "properties": {12 "date": {"type": "string", "description": "日期，格式为 YYYY-MM-DD"}13 },14 "required": ["date"],15 },16 }17]1819msg = client.messages.create(20 model="claude-opus-4-8",21 max_tokens=1024,22 tools=tools,23 messages=[{"role": "user", "content": "我下周一有什么日程？"}],24)2526for block in msg.content:27 if block.type == "tool_use":28 print("模型想要调用:", block.name, "参数:", block.input)29 # 现在由你运行 get_calendar_events(**block.input) 并将结果发送回去
现在就这样做： 为你实际使用的东西（日历、天气、搜索）定义一个工具，然后观察模型生成一个干净的 tool_use 调用。你甚至不需要运行它——只需看到它做出决定。
11. 使用 MCP 将 AI 连接到你的数据。
手动粘贴上下文无法扩展。模型上下文协议（MCP），由 Anthropic 于 2024 年 11 月推出，是标准的解决方案——把它想象成 AI 的 USB-C 接口：一个连接器规范，任何兼容的应用都可以连接到你的文件、数据库和工具。它在几个月内从一个内部想法变成了行业默认标准，有成千上万个现成的服务器，你可以通过配置直接接入。
你不需要编写代码来使用大多数服务器——你只需在配置文件中添加一个条目。这是一个文件系统服务器，赋予模型对笔记文件夹的读取权限：
何时使用： 当你一直在手动将同一个事实来源喂给模型时——你的文档、代码仓库、数据库、知识库。
1{2 "mcpServers": {3 "filesystem": {4 "command": "npx",5 "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/you/notes"]6 }7 }8}
现在就这样做： 浏览可用的 MCP 服务器，选择一个指向你每周使用的数据的服务器，并将其添加到你的客户端配置中。问一个只有你的数据才能回答的问题。
12. 打包一个你会永远复用的工作流。
第 30 天。你已经有了提示词、脚本和工具——现在把它们变成一个你可以通过名称召唤的东西。Anthropic 的 Agent Skills（于 2025 年 12 月成为开放标准）是为此提供的简洁格式：一个包含 SKILL.md 的文件夹，里面包含名称、何时使用的描述以及步骤。模型只在相关时加载它（一种称为渐进式披露的设计原则），因此你可以堆叠数十个而不会使上下文膨胀。即使你以后再也不碰 API，将你的重复性任务写成技能也是让你变快的习惯。
何时使用： 当你有一个会重复数月、包含多个步骤的任务时——周报、标准审查、格式化流程。
1---2name: weekly-report3description: 将我的原始笔记转化为标准的周报。当我粘贴笔记并说“写周报”时使用。4---56# 周报78## 步骤91. 将笔记分组为：已交付、进行中、受阻。102. 每组写 2-3 个要点，使用过去时态，不要废话。113. 以“下周计划”结尾——恰好 3 个优先级。1213## 格式14- 标题：“周报 — <日期>”15- 不超过 200 字。不要炒作。
现在就这样做： 选择你最常重复的任务，将其写成一个带有精确描述的 SKILL.md。这个描述是让它在正确时刻触发的原因——在上面花真正的功夫。
典型错误（以及修复方法）
1. 模糊的提示词。 “写写关于 X”会让模型猜测你的意图——而它猜的是平均水平。修复： 始终给出角色 + 背景信息 + 格式。你是 <角色>。任务：<一句话>。输出：<确切的格式>。
2. 用全大写紧急语气过度提示。 较新的模型会精确遵循指令，并对“关键！！！你必须”反应过度。Anthropic 自己的指南：将其调低到正常的措辞，比如“在……时使用此工具”。修复： 像向有能力的成年人简要说明一样写指令，而不是对着狗喊叫。
3. 描述而不是展示。 形容词（“让它专业点”）很弱；示例很强。修复： 在 <example> 标签中添加 3-5 个不同的示例，让模式自己发挥作用。
4. 用“不要”来表述。 “不要啰嗦”会让模型思考关于啰嗦的事情。修复： 说出要做什么——“用 2 个短句回答。”积极的指令比禁令更有效。
5. 信任未经检查的输出。 复制粘贴未经核实的答案是错误传播的方式。修复： 对于事实密集型工作，要求它用来源中的引文来支撑断言，并在完成前进行自我检查：根据上述文本验证每个声明；标记任何你不确定的内容。
6. 手动做循环能做的事。 在聊天中运行同一个提示词 50 次是你用下午时间能做的最昂贵的事情。修复： 一旦你遇到重复，就编写第 08 块的循环。你的时间是稀缺资源，而不是 token。
结论：系统就是技能
三十天不会让你成为 AI 研究员。它会让你成为更有用的人：一个拥有系统的人。你可以接手任何任务，给它一份清晰的简报，展示示例，推动它思考，并且——当它重复时——自动化它、缓存它，并将其打包成一个你可以通过名称召唤的技能。
这就是那 10 倍人群从未隐藏的全部秘密。不是更多的提示词。不是更好的模型。而是一小组技巧，反复练习直到成为本能。你现在已经掌握了这些技巧。剩下的唯一变量就是重复次数。
你的 30 天检查清单——从今天开始：
- 用角色 + 背景信息 + 格式的提示词完成一项真实任务（第 01 块）。
- 创建 `prompt_library.py` 并将你最好的 3 个提示词作为模板移入其中（第 06 块）。
- 使用 10 行的 `ask()` 函数进行你的第一次 API 调用（第 07 块）。
- 使用文件夹循环自动化一个批量任务（第 08 块）。
- 为你最常重复的工作流编写一个 `SKILL.md`（第 12 块）。
完成这五件事，你就超越了 90% 那些“一直想学 AI”的人。然后只需持续运行这个循环。
