不改模型也能10倍？Anthropic内部这套提示法，正在拉开高手差距

很多人以为 Claude Code、Opus 4.5 的上限取决于模型版本，但 Greg Isenberg 给了一个反直觉答案：真正拉开差距的不是模型，而是你和它“合作”的方式。这套来自 Anthropic 使用者圈层的 10 条规则，正在悄悄把普通用户和高手分开。

第一层分水岭：别再把 Claude 当“工具”，要当合作者

视频一上来就点破一个多数人忽略的事实：你和 Claude 的关系，决定了输出质量的上限。

第一条规则不是技术，而是“协作语气”。Greg 强调，你不是在给机器下命令，而是在和一个高能力但需要上下文的合作者工作。语气越像真实团队协作，Claude 的推理深度和稳定性就越高。

紧接着是第二、第三条：explicit explicit explicit，以及清晰边界。很多人觉得“说太细像啰嗦”，但在 LLM 世界里，模糊才是真正的浪费。明确你要什么、不需要什么、哪些是假设、哪些是不可触碰的边界，反而会显著减少返工。

这里有个反直觉点：不是 prompt 越短越高级，而是“该明确的地方极度明确，该留白的地方才留白”。这也是为什么高手的提示词，看起来往往比新手长。

真正省时间的不是快，而是一次就对

规则四听起来像流程管理：Draft → Plan → Act。但它解决的是一个真实痛点——反复 reprompt。

Greg 的观察是：很多人直接让 Claude“给我最终答案”，结果得到一个勉强可用但不稳定的输出。高手则先让模型起草、再规划、最后执行。你牺牲的是前 30 秒，换来的是后面不需要来回修。

接下来的几条规则，其实都围绕同一个目标：让模型更少“猜”。

• 规则五：强制结构化输出。你指定格式，模型就会自动补齐逻辑。
• 规则六：解释 why。不是为了说服模型，而是为了让它对目标有因果理解。
• 规则七：明确要简短还是详细。不说，模型就只能赌你的偏好。

一个很现实的结论是：你越懒得说明，模型越容易用“平均值答案”敷衍你。

高手的秘密：把思考过程外包给模型

最后三条规则，才是真正拉开差距的地方。

第八条是提供 scaffold（脚手架）：示例、框架、参考路径。你不是让模型从零想，而是给它一个可攀爬的结构。

第九条是“说人话”，但不是日常人话，而是领域语言。用工程师的词和 Claude Code 说话，用产品经理的词讨论需求，用投资人的语境谈商业模型，输出质量会肉眼可见地变化。

第十条，也是最容易被忽略的一条：拆分子任务。当你要求 Claude 一次性完成复杂目标时，它必须同时规划和执行；而拆分之后，模型可以在每一步都保持高置信度。

Greg 在结尾给出的判断很直接：这些看似“微小”的提示习惯，叠加起来，输出质量就是另一个量级。

总结

这支视频真正有价值的地方，并不在于“10 条规则”本身，而在于它揭示了一个趋势：模型能力快速趋同之后，差距正在从算法，转移到使用方式。对 AI 从业者来说，下一阶段的核心竞争力，很可能不是你用什么模型，而是你是否能把复杂目标，拆解成模型最擅长的协作流程。一个可执行的行动建议是：选一个你每天都在用的 Claude 提示词，按这 10 条规则重写一次，看看差别有多大。你会发现，真正被升级的不是模型，而是你自己。

关键词： Claude Code， Claude Opus 4.5， 提示工程， 大语言模型， Anthropic

事实核查备注： 需要核查：视频实际发布时间（是否为 2025-12-10）；“10×”是否为方法宣称而非官方量化指标；规则数量与表述是否与视频原意一致。