Claude 优化：短语 -9.5% tokens

# Claude 提示词优化：砍掉填充短语节省 9.5% 令牌

像 Claude Sonnet 这样的模型在输出中会浪费高达 11% 的令牌于开场白、元评论和结束语。针对 500 个提示词测试显示，系统提示中添加三行指令就能大幅减少这种浪费，同时不损失任何响应价值。

分析显示响应中 11.3% 是“填充”内容：模型开头常说“当然！”或“好问题！”，中间插入边想边说的解释，结尾用“希望这有帮助”。对于后端 JSON 解析集成，这纯属多余开销。

测试方法

我们收集了 500 个典型任务：工单分类、文档字段提取、邮件摘要、基于策略的回复。设置：claude-sonnet-4-5，temperature=0.2，标准系统提示。

用 Python 脚本和正则表达式解析输出：

FILLER_PATTERNS = [
    r"^(Sure|Absolutely|Of course|Okay)[,!.]",
    r"^(Great|Great question|Excellent)[!.]",
    r"^(Happy to|Glad to)",
    r"^(Let's|Allow me)",
    r"(Hope this (helps|will help))",
    r"(If you have (any )?(more )?questions)",
    r"(Let me know if)",
]

手动审核 50 个响应，准确率达 94%。其余为漏计。

填充内容分布：

• 开场短语（“当然！”、“好问题！”） — 28%
• 元评论（“让我想想……”） — 34%
• 结束短语（“希望这有帮助”） — 22%
• 问题改述 — 16%

手动清理 100 个响应，保留核心含义。

系统提示优化

原提示：

You are an assistant for processing [DOMAIN]. Respond precisely,
basing answers only on provided context. If no data — say so honestly.

新增：

Response format:
- No intros, question praise, or "here's what I'll do" explanations.
- No closers like "hope that helps."
- Straight to the point. Lists first if needed. Numbers first if needed.

重新运行 500 个提示：填充降至 1.8%。令牌节省：9.5%。

成本示例：

| 日查询量 | 平均响应（令牌） | 月节省（美元） |

|----------|------------------|----------------|

| 2000 | 400 | ~50 |

| 20000 | 400 | ~500 |

实际项目：每月节省 55 美元。后续对话上下文更短。

局限性与回滚

并非所有场景适用：

• 客户聊天：去除礼貌语显得生硬。满意度下降 — 已回滚。
• 工具链调用：无计划描述时模型工具混淆。为可靠性回滚。

提示：适用于机器面向任务（JSON、API）。用户聊天保留礼貌。

关键要点

• 基准 Claude Sonnet 填充占 11.3% 令牌。
• 三行提示节省 9.5%。
• 正则捕获 94% 废话。
• 响应本质安全，工具链和用户体验聊天有风险。
• 下一步：清理用户前言输入令牌。

— Editorial Team