章节目标：通过结构化标签与 提示自测 ，确保 Claude 在处理长文档时不会混淆指令与数据。

将变量与指令分离

• 把原始输入放进 <context> 或 <data>，将行动指南放进 <instructions>；这样 Claude 在阅读时更容易区分“事实”与“要求”。
• 使用编号清单描述任务：如“(A) 产生摘要、(B) 验证引用”，有助模型逐项完成。
• 若资料为长文本，可额外提供 <glossary> 或 <definitions> 标签，避免术语误解。

<context>
DOC001: …
DOC002: …
</context>
<instructions>
1. 对每份 DOC 生成一句摘要。
2. 输出表格时引用文档编号。
</instructions>

结构化输出的优势

• 让 post-processing 容易：固定字段名称（如“摘要”“证据”）可直接被程序读取。
• 降低幻觉风险：当输出必须引用 DOC 编号 时，Claude 会主动对照原文而非凭空编造。
• 方便协同：团队可共享同一模板，只替换 <context> 与 <tasks> 即可复用。

小技巧：若要处理表格，可让 Claude 返回 Markdown 表格或 JSON，对后续自动化更友好。

示例：未分离 vs 分离变量

未分离数据时，Claude 容易混淆输入与指令：

prompt = """
Summarize the following and list three risks:
{policy_text}
"""
print(get_completion(prompt))

拆分上下文与指令后，输出更可控：

prompt = """
<context>{policy_text}</context>
<instructions>
1. 用 2 句总结主要目标。
2. 列出三项风险，并引用段落编号。
</instructions>
"""
print(get_completion(prompt))

上述示例对应 notebook Lesson 小节中的代码，对照执行可看出结构化标签的优势。

练习

1. 复制一段说明书或服务条款到 <context>。
2. 在 <tasks> 中列出“抽取三大风险”“列出需澄清问题”。
3. 运行后检查输出是否引用正确段落，如有缺漏，在提示中增加“遇到未知时列入 <missing>”。

完成后，你的提示模板可以直接应用在知识库整理、法务审阅等场景，为后续章节的格式化与思维链奠定基础。