大多數人使用 AI 已經兩年了，但還是像在 Google 搜尋一樣，在對話框裡輸入一句模糊的話，聳聳肩看完答案，然後關掉分頁。他們「使用 AI」的方式，就像你「使用」那台掛滿衣服的跑步機。
這裡有個令人不安的事實：那些能從這些模型中獲得 10 倍效益的人，與那些一無所獲的人之間的差距，不是天賦，也不是什麼秘密模型。而是一個系統。那些 10 倍效益者反覆使用同樣的少數幾個技巧——每個提示詞、每一天——直到這些技巧變成肌肉記憶。
精通不是知道更多提示詞。而是擁有一個你不需要思考就能運行的可重複系統。
這就是那個系統，壓縮在 30 天內。四個星期，十二個編號的戰術，每個都以你今天就能做的一件事結尾。可複製的提示詞。真實、可運行的 Python（已針對 anthropic SDK v0.109.1 驗證）。沒有你今晚無法行動的理論。
文化上的起跑槍是 Andrej Karpathy 那句現在很有名的「氛圍編碼」——「你完全順應氛圍……然後忘記程式碼的存在。」 那是氛圍。而這是讓氛圍真正落地的紀律。
第一部分 · 第一週 — 心智模型與初步勝利（第 1–7 天）
本週的目標不是知識。而是獲得一次勝利。到第 7 天時，你應該已經將至少一個真實任務委派給模型，並感受到時間回到你手中。其他一切都建立在這種感覺之上。
01. 今天就用 AI 完成一個真實任務。
不要從課程開始。從你已經欠別人的一件瑣事開始：一封你不想面對的電子郵件、要整理的筆記、要起草的函式。理解 AI 最快的方法，就是交給它一件有實際後果的事情，然後根據你自己會寫出的結果來評判它的表現。
初學者常犯的錯誤是輸入一個主題（例如「寫一篇關於入職的文章」），而不是一份簡報。把模型當作一個入職第一天的精明新人：它有技能，但沒有你的背景脈絡。給它一個角色、任務、背景脈絡，以及你想要的確切輸出格式。
何時使用： 當你有任何通常需要在一小時內獨自完成的任務——寫作、摘要、重新格式化、腦力激盪、規劃。
1你是我的<角色，例如「直率的執行編輯」>。2任務：<用一句話描述一個具體任務>。3背景脈絡：<2–3 行模型不知道的資訊——受眾、目標、限制>。4輸出：<確切格式——長度、結構、語氣>。5如果有任何不清楚的地方，先問我，不要猜測。
最後一行是秘訣。它將一次性的猜測轉變為簡短的對話，而對話幾乎總是勝過獨白。
現在就做： 從你的待辦事項中挑選一個任務，填寫四個欄位，然後執行。保留這個提示詞——你整個月都會重複使用這個骨架。
02. 學習有效提示詞的結構。
每個可靠的提示詞都有三個部分，而初學者會跳過其中兩個。清晰度（確切說出你想要什麼）、背景脈絡（說出為什麼以及為誰而做）、以及格式（說出輸出應該長什麼樣子）。Anthropic 自己的指南稱之為「聰明但新進員工」法則：你解釋得越精確，結果就越好——而他們的金科玉律是 「把你的提示詞展示給一個幾乎沒有背景脈絡的同事看；如果他們會感到困惑，模型也會。」
最高槓桿的升級是增加動機。不要只說「永遠不要使用省略號。」要說「這將會由文字轉語音引擎朗讀，所以永遠不要使用省略號——它無法發音。」模型會從原因中進行歸納。這就是命令與解釋之間的差異。
何時使用： 當答案變得籠統、語氣不對、或技術上正確但毫無用處時。十之八九，是三個部分中缺少了一個。
1# 弱（主題，不是簡報）2寫一篇關於我們新功能文章。34# 強（清晰度 + 背景脈絡 + 格式）5為我們的新「專注模式」寫一篇 120 字的產品公告。6受眾：覺得應用程式很吵的現有用戶。7目標：讓他們本週嘗試一次。8語氣：冷靜、自信、零誇大。9格式：1 個短段落 + 一行行動呼籲。
現在就做： 拿你昨天的弱提示詞，用所有三個部分標記出來重寫。執行兩者。觀察差距。
03. 掌握 6 個核心技巧——以及一行程式碼。
這六個技巧出現在每一本嚴肅的提示詞工程指南中，因為它們持續有效：(1) 清晰直接，(2) 添加背景脈絡/動機，(3) 提供範例，(4) 使用 XML 風格的標籤來組織結構，(5) 指定角色，(6) 告訴它在回答前先思考。你將在第二週深入練習每一個——這是地圖。
有兩個技巧值得立即內化：角色和標籤。系統指令中的角色會引導整個對話的語氣和判斷；即使一句話也能產生影響。像 <context> 和 <examples> 這樣的標籤可以防止模型混淆你的指令和你的資料。以下是作為真實、可運行程式碼的角色技巧——你將在第三週使用的 API 的初體驗。
何時使用： 當你希望跨多次呼叫獲得一致的行為（角色），或者你在混合指令與雜亂的輸入（標籤）時。
1import anthropic23client = anthropic.Anthropic() # 從你的環境變數讀取 ANTHROPIC_API_KEY45msg = client.messages.create(6 model="claude-opus-4-8",7 max_tokens=1024,8 system="你是一位資深文字編輯。你刪除冗詞贅字，並保留作者的語氣。", # 角色9 messages=[10 {"role": "user", "content": "編輯這段文字，然後列出你修改了什麼：\n\n<draft>...</draft>"}11 ],12)13print(msg.content[0].text)
現在就做： 用一個明確的角色和圍繞輸入的 <tags> 重寫一個提示詞。你現在已經使用了 6 個技巧中的 2 個——第二週將完成剩下的部分。
第二部分 · 第二週 — 為真實輸出進行提示詞工程（第 8–14 天）
本週你將把「勉強可行」變成「每次都有效」。同樣的任務、同樣的形式、同樣的品質——隨需應變。這種可靠性讓你能在第三週進行自動化。
04. 使用多樣本範例鎖定語氣和格式。
告訴模型你想要什麼是好的。展示給它看則更好。幾個精心挑選的範例（這種技術稱為少樣本或多樣本提示）能比任何形容詞更可靠地鎖定格式、語氣和邊緣情況。業界的指導方針是一致的：包含 3–5 個範例，讓它們多樣化，以免模型抓住一個偶然的模式，並將每個範例包裹在標籤中，以清楚表明這是範例而不是指令。
對於重複性工作——分類、提取、格式化、重寫——這是最大的品質飛躍。如果你每週執行同一類任務超過兩次，它就值得擁有範例。
何時使用： 輸出格式在不同運行之間漂移，或者你需要模型匹配特定的內部風格。
1將每個支援工單分類為以下之一：bug | billing | feature。23<examples>4<example>5工單：「我這個月被扣了兩次錢。」6類別：billing7</example>8<example>9工單：「在 Safari 上，匯出按鈕沒反應。」10類別：bug11</example>12<example>13工單：「請增加深色模式。」14類別：feature15</example>16</examples>1718工單：「當我上傳 PDF 時，應用程式崩潰了。」19類別：
現在就做： 找一個重複性任務，在 <example> 標籤中寫 3 個多樣化的範例，然後觀察輸出立刻變得精準。
05. 讓模型在回答前先思考。
對於任何涉及推理的任務——分析、數學、規劃、棘手的判斷——最糟糕的做法就是要求立即給出答案。給它空間先進行推理。你可以讓較新的模型自適應地思考，或者在普通的聊天中強制它：要求它在 <thinking> 區塊中逐步推理，然後在 <answer> 區塊中給出簡潔的最終答案。將兩者分開意味著你既能獲得推理的好處，又不會被一大段文字淹沒。
Anthropic 指南中的一個額外技巧：要求它在完成前進行自我檢查——「根據上述限制條件驗證你的答案。」它經常能自己發現錯誤，尤其是在數學和邏輯問題上。
何時使用： 當任務包含多個步驟、有一個你可能會出錯的正確答案、或者需要權衡取捨時。
1問題：<一個涉及真實權衡取捨的問題>23首先，在 <thinking> 標籤內進行推理：列出你知道的、缺少的，4以及兩個候選答案及其權衡取捨。5然後在 <answer> 標籤內給出你的決定——最多 3 句話。6在完成之前，驗證你的答案沒有與上述任何內容矛盾。
現在就做： 拿一個你正在思考的決定，透過思考/答案分離的方式運行它，然後閱讀 <thinking>——價值就隱藏在其中。
06. 建立一個可重複使用的提示詞庫。
到目前為止，你已經寫了十幾個不錯的提示詞，並在聊天歷史中丟失了一半。停下來。專業人士不會重寫提示詞——他們會填寫模板。將你最好的提示詞提取到一個包含 {variables} 的檔案中，用於那些會變化的部分，這樣你就把一次性的聰明才智變成了基礎設施。
這是整個 30 天的關鍵轉折點：你的提示詞從此不再是一次性用品，而是開始複利增長。一個簡單的 Python dict 和 str.format 就是你開始所需的一切——不需要框架，不需要依賴。
何時使用： 當你已經運行過一個類似的提示詞三次。第三次時，就把它模板化。
1# prompt_library.py — 你的提示詞作為可重複使用的基礎設施2TEMPLATES = {3 "summarize": (4 "你是一位 {role}。\n"5 "為 {audience} 總結以下文字。\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="技術寫手",17 audience="非技術用戶",18 fmt="3 個要點，每個最多 15 字",19 text="...在這裡貼上發布說明...",20)21print(prompt) # 直接將此輸入 client.messages.create(...)
現在就做： 建立 prompt_library.py，把你最好的 3 個提示詞作為帶有變數的模板移入其中。這個檔案會在這個月裡不斷增長。
第三部分 · 第三週 — 使用 API 進行自動化（第 15–21 天）
聊天是你學習的地方。API 是你擴展的地方。本週你將從一次處理一個任務，升級為一次運行數百個任務，按計劃進行，在你睡覺時運行。
07. 從聊天升級到 API。
API 只是一個你可以呼叫的函數中的聊天提示詞。如果你能寫一個提示詞，你就能寫這個——只有十行程式碼。將你的金鑰設定為環境變數（永遠不要直接貼在程式碼中），將呼叫包裝在一個函數中，你就擁有了一個可重複使用的 AI 命令，可以放入任何腳本中。
Simon Willison，他對實用 LLM 使用的記錄比幾乎任何人都好，他指出槓桿不在於奇特的設定——而是在於將模型連接到你已經在使用的小工具中。這個函數就是那條連接線。
何時使用： 當你想要同一個提示詞隨處可用——在腳本、cron 任務、其他程式中——而不僅僅在瀏覽器分頁中。
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("給我 5 個用於產品發布郵件的吸引人的主旨行。"))
現在就做： 安裝 SDK（pip install anthropic），設定 ANTHROPIC_API_KEY，然後運行這個檔案。第一次成功的 API 呼叫 = 第三週解鎖。
08. 將日常瑣事變成腳本。
這就是時間真正回來的時刻。任何你對一個資料夾中的東西進行的任務——總結這 50 份逐字稿、標記這 200 張工單、重寫這 30 個產品描述——都是一個迴圈。寫一次單一項目的版本，指向一個資料夾，然後離開。對於大量工作，使用更便宜、更快的模型；你不需要用你最強大的模型來總結一份備忘錄。
何時使用： 當你發現自己反覆手動執行相同的 AI 任務時。那種重複就是你還沒寫出來的腳本。
1import pathlib2import anthropic34client = anthropic.Anthropic()5INBOX = pathlib.Path("./inbox") # 將 .txt 檔案放在這裡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：大量工作的正確工具12 max_tokens=300,13 system="用 3 個具體的要點總結。不要廢話。",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("已總結：", f.name)
現在就做： 找一個批次處理的瑣事，將檔案放入 ./inbox，運行這個迴圈。你剛剛在一分鐘內完成了一小時的工作。
09. 使用快取降低成本和延遲。
一旦你開始運行真實的數量，有兩件事開始變得重要：速度和帳單。最大的槓桿是提示詞快取。如果每次呼叫都共享一個長且不變的前綴——一份風格指南、一個知識庫、一個大的系統指令——你每次都在為重新讀取它而付費。用 cache_control 標記它，模型就會重複使用快取版本：快取讀取的成本約為正常輸入價格的 10%，而一次性寫入則增加 25%。對於共享前綴的批次任務，Batch API 在此基礎上再疊加大約 50% 的折扣。
何時使用： 當多次呼叫共享一個大的、靜態的背景脈絡區塊時（典型情況：在整個任務中重複使用一個長的系統提示詞）。
1import anthropic23client = anthropic.Anthropic()4STYLE_GUIDE = open("style_guide.md").read() # 很長，每次呼叫都相同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"}, # 快取這個大的前綴14 }15 ],16 messages=[{"role": "user", "content": "重寫這封郵件以符合指南：\n\n..."}],17)18print(msg.usage) # 在第一次呼叫後觀察 cache_read_input_tokens 上升
現在就做： 找一個帶有大量重複前綴的提示詞，將其包裹在 cache_control 區塊中，並運行兩次。列印 msg.usage 並觀察快取讀取生效。
第四部分 · 第四週 — 工具、資料與交付（第 22–30 天）
最後一週是從「會說話的 AI」躍升到「會行動的 AI」。你給模型工具，將它連接到你的真實資料，並將整個東西打包成一個你會運行多年的工作流程。
10. 給模型工具（函式呼叫）。
單獨一個模型只能產生文字。給它工具，它就能採取行動——查詢你的行事曆、呼叫 API、執行計算。你用名稱、描述和輸入的 JSON schema 來描述每個工具；模型決定何時呼叫它，並將結構化的參數交給你來執行。這是你聽過的每個「AI Agent」的基礎。
何時使用： 當任務需要即時資料或模型無法僅從文字完成的動作時（任何涉及「查詢」、「擷取」、「計算」或「發送」的任務）。
1import anthropic23client = anthropic.Anthropic()45tools = [6 {7 "name": "get_calendar_events",8 "description": "返回用戶在指定日期的活動。",9 "input_schema": {10 "type": "object",11 "properties": {12 "date": {"type": "string", "description": "日期，格式為 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": "我下週一的行事曆上有什麼？"}],24)2526for block in msg.content:27 if block.type == "tool_use":28 print("模型想要呼叫：", block.name, "參數：", block.input)29 # 現在你執行 get_calendar_events(**block.input) 並將結果發送回
現在就做： 為你實際使用的東西定義一個工具（行事曆、天氣、搜尋），然後觀察模型產生一個乾淨的 tool_use 呼叫。你甚至還不需要運行它——只要看到它做出決定就好。
11. 使用 MCP 將 AI 連接到你的資料。
手動貼上背景脈絡無法擴展。模型上下文協議（MCP），由 Anthropic 於 2024 年 11 月推出，是標準的解決方案——把它想像成 AI 的 USB-C 埠：一個連接器規範，任何相容的應用程式都可以插入你的檔案、資料庫和工具。它在幾個月內從一個內部想法變成了業界預設，有數千個現成的伺服器可以透過設定檔直接使用。
你不需要編寫程式碼來使用大多數伺服器——你只需在設定檔中新增一個條目。這裡是一個檔案系統伺服器，讓模型對筆記資料夾具有讀取權限：
何時使用： 當你持續手動將相同的真實資訊來源餵給模型時——你的文件、一個儲存庫、一個資料庫、一個知識庫。
1{2 "mcpServers": {3 "filesystem": {4 "command": "npx",5 "args": ["-y", "@modelcontextprotocol/server-filesystem", "/Users/you/notes"]6 }7 }8}
現在就做： 瀏覽可用的 MCP 伺服器，選擇一個指向你每週使用的資料的伺服器，並將其添加到你的客戶端設定中。提出一個只有你的資料才能回答的問題。
12. 打包一個你會永遠重複使用的工作流程。
第 30 天。你已經有了提示詞、腳本和工具——現在把它們變成一個你可以用名字召喚的東西。Anthropic 的 Agent Skills（於 2025 年 12 月成為開放標準）是實現此目的的簡潔格式：一個包含 SKILL.md 的資料夾，裡面有名稱、何時使用的描述以及步驟。模型只在相關時載入它（一種稱為漸進式揭露的設計原則），因此你可以堆疊數十個而不會膨脹背景脈絡。即使你從此不再碰 API，將你的可重複任務寫成技能，是讓你變快的習慣。
何時使用： 當你有一個會重複執行數月的多步驟任務時——一份週報、一個標準審查、一個格式化流程。
1---2name: weekly-report3description: 將我的原始筆記轉換為標準的週報。當我貼上筆記並要求「做週報」時使用。4---56# 週報78## 步驟91. 將筆記分組為：已交付、進行中、受阻。102. 每組寫 2–3 個要點，使用過去式，不要廢話。113. 以「下週計劃」結尾——正好 3 個優先事項。1213## 格式14- 標題：「週報 — <日期>」15- 少於 200 字。不誇大。
現在就做： 選擇你最常重複的任務，將其寫成一個帶有精確描述的 SKILL.md。這個描述是讓它在正確時機觸發的關鍵——花費真正的精力在上面。
典型錯誤（以及修正方法）
1. 模糊的提示詞。 「寫一篇關於 X 的文章」會讓模型猜測你的意圖——而且它會猜測一個平均值。修正： 總是給出角色 + 背景脈絡 + 格式。你是 <角色>。任務：<一句話>。輸出：<確切格式>。
2. 使用全大寫的緊迫語氣過度提示。 較新的模型會精確遵循指令，並對「至關重要！！！你必須」反應過度。Anthropic 自己的指南：降低語氣，使用正常的措辭，例如「在這種情況下使用此工具……」。修正： 像對一個能勝任的成年人簡報一樣寫指令，而不是對狗大吼。
3. 用描述代替展示。 形容詞（「讓它看起來專業」）很弱；範例很強。修正： 在 <example> 標籤中添加 3–5 個多樣化的範例，讓模式自己發揮作用。
4. 用「不要」來框架。 「不要囉嗦」會讓模型思考關於囉嗦這件事。修正： 說出要做什麼——「用 2 個短句回答。」正向的指令比禁令更有效。
5. 信任未經檢查的輸出。 複製貼上你沒有驗證的答案，是錯誤如何被交付的方式。修正： 對於事實密集型工作，要求它將主張建立在來源的引用上，並在完成前進行自我檢查：根據上述文字驗證每個主張；標記任何你不確定的內容。
6. 手動執行一個迴圈就能完成的事。 在聊天中運行同一個提示詞 50 次，是你用一個下午能做的最昂貴的事情。修正： 一旦你遇到重複，就寫下區塊 08 的迴圈。你的時間是稀缺資源，而不是 token。
結論：系統就是技能
三十天不會讓你成為 AI 研究員。它會讓你成為更有用的人：一個擁有系統的人。你可以接手任何任務，給它一份清晰的簡報，展示範例，促使它思考，並且——當它重複發生時——將它自動化、快取起來，並打包成一個你可以用名字召喚的技能。
這就是那些 10 倍效益者從未隱藏的全部秘密。不是更多的提示詞。不是更好的模型。而是一小組技巧，反覆練習直到成為本能。你現在已經有了這些技巧。剩下的唯一變數就是重複次數。
你的 30 天檢查清單——從今天開始：
- 用角色 + 背景脈絡 + 格式的提示詞完成一個真實任務（區塊 01）。
- 開始建立 prompt_library.py，並將你最好的 3 個提示詞作為模板移入其中（區塊 06）。
- 使用 10 行的 ask() 函數進行你的第一次 API 呼叫（區塊 07）。
- 使用資料夾迴圈自動化一個批次處理的瑣事（區塊 08）。
- 為你最常重複的工作流程寫一個 SKILL.md（區塊 12）。
完成這五項，你就超越了 90% 那些「一直想開始使用 AI」的人。然後，持續運行這個循環。
