There is no magic phrase. No hidden command will turn a large language model into an oracle, and no secret prefix will make Claude suddenly understand your business better than you do. Prompt engineering is not about cracking a code. It is the discipline of communicating clearly with a highly capable colleague who has read vast swaths of the internet but has never met you, seen your office, or heard your product pitch. Treat Claude like a smart new employee on their first day. They are eager to help, but if you give vague instructions, you will get vague results back. The same rule applies here as it does in any office: garbage in, garbage out.
Treat Claude Like a New Hire
Imagine you are onboarding a talented contractor. You would never walk over on day one and say, "Fix the website," then walk away. That instruction is useless. Which page? What is broken? Who is the audience? What does success look like? Yet people type the AI equivalent of "fix the website" every day and wonder why the output misses the mark.
Start by assuming Claude has zero context about your specific situation. It knows grammar, coding patterns, and history, but it does not know your company’s tone, your customer’s pain points, or your legal restrictions unless you spell them out. Good prompting is just good management. You are setting constraints, defining the audience, and clarifying the deliverable. Do that well, and the model’s existing knowledge suddenly becomes useful.
The Five Parts of a Solid Prompt
Every professional prompt should contain five distinct elements. You do not need an essay for each one, but you should touch on all of them before you hit enter.
Role
Tell the model who it is. This shapes vocabulary, perspective, and priority. "You are a technical editor" works, but "You are a technical editor who simplifies API documentation for fintech developers who are new to blockchain" works far better. The more specific the persona, the tighter the output.
Context
Explain the landscape. Who is reading this? What is the goal? A blog post about cybersecurity aimed at hospital administrators should sound completely different from one aimed at teenage gamers. Context also includes the stakes. Are you brainstorming, or is this the final draft that will go live?
Task
Use precise verbs. Avoid mushy words like "improve," "enhance," or "make better." Those mean nothing. Instead, write: "Summarize the transcript into three bullet points under 20 words each." Or: "Refactor this function to use async/await and add error handling for timeouts." The task is your order, so make it an order, not a wish.
Format
Define the shape of the answer before Claude starts writing. Do you want a numbered list, a markdown table, valid JSON, an email with a subject line, or a legal brief? If you need a comparison table with specific columns, name them. If you want the output in a code block with comments, say so. Formatting instructions prevent you from receiving a wall of prose when you needed structured data.
Constraints
List what to avoid. This includes tone, length, forbidden words, and off-limits topics. For example: "Keep the response under 150 words. Use a conversational tone. Do not use the word 'synergy.' Avoid suggesting solutions that require a budget over $500." Constraints are guardrails. The model handles them well, but only if you articulate them.
Four Techniques for Better Results
Once you have the basics down, you can refine your approach with a few advanced methods. None of them require special training. They are simply ways to structure your thinking so the model can follow it.
Break complex work into steps
Do not ask for everything at once. If you need a marketing campaign, start with audience analysis. Review that output, then ask for messaging. Then ask for channel selection. This staged approach lets you catch misalignment early. It also prevents the model from tying itself in knots trying to balance ten competing requirements in a single pass. For coding tasks, ask for the architecture first, then the implementation, then the tests. Each step builds on the last, and you stay in control.
Minta penaakulan
Prompting rantaian pemikiran (chain-of-thought) hanyalah bermaksud meminta Claude menunjukkan proses kerjanya sebelum memberikan jawapan akhir. Frasa seperti "Terangkan penaakulan anda langkah demi langkah, kemudian berikan kesimpulan anda" memberikan hasil yang luar biasa untuk masalah logik, matematik, dan penyahpepijatan (debugging) kod. Apabila anda dapat melihat bagaimana model mencapai sesuatu jawapan, anda boleh mengesan saat tepat ia tersalah faham keperluan atau mengambil nilai yang salah daripada set data. Ia mengubah "kotak hitam" menjadi sesuatu yang boleh anda audit.
Gunakan tag XML untuk memisahkan maklumat
Apabila sesuatu prompt mengandungi blok teks yang besar, model boleh keliru antara bahan sumber dengan arahan. Bungkus bahagian yang berbeza dalam tag seperti <context>, <task>, atau <example>. Sebagai contoh:
Struktur ini bertindak seperti pengepala (header) dalam dokumen. Ia menghalang model daripada tersalah anggap maklumat latar belakang anda sebagai sebahagian daripada tugasan, dan ia memudahkan anda menyunting prompt yang panjang kemudian hari.
Tunjukkan, jangan sekadar beritahu
Prompting few-shot bermaksud memberikan dua hingga empat contoh gaya atau format yang anda mahukan. Model adalah enjin pemadanan corak. Ia sering belajar lebih cepat daripada contoh berbanding huraian yang padat. Jika anda mahu nota mesyuarat ditukarkan kepada item tindakan, tampal dua contoh nota mentah diikuti dengan output berstruktur tepat yang anda jangkakan. Claude akan memadankan corak pada input baharu dengan ketepatan yang mengejutkan. Menghuraikan format dalam sepuluh ayat biasanya kurang berkesan berbanding menunjukkan tiga contoh yang jelas.
Templat Sedia Guna
Jika anda sedang merenung kotak prompt yang kosong, gunakan rangka kerja ini. Isi setiap kurungan, walaupun jawapannya pendek.
Role: [Masukkan peranan khusus dan kepakaran yang relevan] Context: [Masukkan latar belakang, audiens, dan matlamat] Task: [Masukkan tindakan tepat menggunakan kata kerja yang kuat] Format: [Masukkan struktur yang diingini: senarai, jadual, esei, JSON, dll.] Constraints: [Masukkan nada, panjang, perkataan yang dilarang, atau topik yang perlu dielakkan]
Berikut adalah contoh setelah diisi:
Role: Anda adalah pengurus pemasaran produk di sebuah syarikat pemula (startup) penggajian B2B. Context: Kami sedang melancarkan ciri yang mengautomasikan pemfailan cukai negeri untuk syarikat pasaran pertengahan. Audiensnya ialah pengarah HR yang dibebani dengan kertas kerja pematuhan. Matlamatnya adalah untuk membuatkan mereka menempah demo. Task: Tulis e-mel 120 patah perkataan yang bermula dengan kesukaran pemfailan manual dan berakhir dengan permintaan lembut untuk menjadualkan panggilan selama 15 minit. Format: Baris subjek, dua perenggan badan yang pendek, dan label butang seruan tindakan (call-to-action). Constraints: Tiada jargon seperti "synergy" atau "bandwidth." Nada profesional tetapi mesra. Tiada tanda seru.
Prompt tersebut memberikan Claude segala yang diperlukannya. Hasilnya mungkin tidak sempurna, tetapi ia cukup hampir untuk disunting berbanding menulis semula dari awal.
Intipati Sebenar
Anda tidak perlu membina karya agung lima bahagian untuk setiap permintaan. Bertanya "Apakah resipi kacang dal yang sedap?" tidak memerlukan peranan atau tag XML. Tetapi apabila hasil itu penting, apabila tugasan itu kompleks, atau apabila anda telah mendapat tiga jawapan buruk berturut-turut, gunakan senarai semak ini. Kebanyakan prompt yang gagal adalah kerana pengguna masih berfikir secara spontan semasa menulisnya. Ambil masa tiga puluh saat untuk memutuskan apa yang anda sebenarnya mahukan, untuk siapa ia ditujukan, dan bagaimana rupa bentuknya. Lakukan pemikiran itu lebih awal, dan anda akan meluangkan jauh lebih sedikit masa untuk membetulkan respons tersebut. Arahan yang jelas memberikan hasil yang jelas. Yang lain hanyalah gangguan.