最近，又一个prompt在网上火了起来，这一prompt名为“ Thinking Claude”，有网友称它为Claude3.5的神级prompt，而更让人意想不到的的是，这个prompt背后的作者，居然是一个十七岁的少年！
“Thinking Claude”的核心在于它引导Claude进行一种更为“人性化”的思考方式，强调思维过程的自然流动，而非简单的结构化回答。
据网友称，“Thinking Claude”可以令Claude 3.5的智能思维能力达到了一个新的高峰，使其表现堪比更先进的o1模型，简单地理解就是：Claude3.5+神级prompt=满血o1。
那到底是不是真的这么强呢？下面我们通过302.AI来实测一下。
使用到的工具
为了实测更高效、便捷，我们将使用到302.AI的聊天机器人和AI提示词专家，详细使用步骤如下：
AI提示词专家
通过使用302.AI的AI提示词专家，用户无需深入了解复杂的提示词设计技巧就可以生成有效的提示词，非常方便好用。
1、进入302.AI后，点击左侧【使用工具】——【工具超市】——【信息处理】——【AI提示词专家】；
（PS：如果想了解更多关于302.AI的AI提示词工具，可以翻阅AI教程分类往期作品）
2、进入AI提示词专家后可以看到，有多种提示词结构选择，今天我们需要选择自定义提示词；
3、接下来点击【编辑提示词优化指令】；
把prompt粘贴到框内，点击【保存】；
原prompt地址：https://github.com/richards199999/Thinking-Claude
4、将prompt设置好后，即可在输入框中输入任务指令——点击【生成】，然后302.AI会根据输入的任务指令和提供的prompt结合快速生成新的prompt，最后可以直接复制提示词到聊天机器人使用；
聊天机器人
1、进入302.AI点击【使用机器人】——【聊天机器人】——模型——选择模型——点击【确定】；
2、创建聊天机器人后进入，点击设置——勾选实时预览功能（不限于claude模型，实测中就使用了o1作为对比）；
实测对比
为了实测结果更加客观全面，分为三组对比：
1、模型：claude-3.5-sonnet-20241022 不使用“Thinking Claude”提示词；
2、模型：claude-3.5-sonnet-20241022 使用“Thinking Claude”提示词；
3、模型：o1-preview 不使用“Thinking Claude”提示词
以下实测任务从简单到复杂，提示词从简略到详细：
实测1
指令描述：使用React做一个贪吃蛇游戏
1、来看下没有使用“Thinking Claude”提示词的claude-3.5-sonnet生成的效果，可以看到生成的贪吃蛇游戏是不能控制方向，也没有开始结束等按钮控制。
2、下面是使用了“Thinking Claude”提示词的claude-3.5-sonnet生成的效果，首先是可以通过键盘控制蛇的方向的，游戏上方显示了实时分数，同时也设置了开始和重新开始按钮，游戏相对比较完整。
3、最后是o1-preview模型不使用“Thinking Claude”提示词的效果，首先可以看到生成的游戏是可以移动的，但无开始结束等按钮，也没有实时显示分数，如果游戏结束，得分会以页面弹窗的形式出现。
实测2
指令描述：
1、没有使用“Thinking Claude”提示词的claude-3.5-sonnet生成的效果：生成的游戏是通过点击切换有颜色的格子实现的，页面上方显示实时分数，但是在消除了颜色后，整个网格中相同的颜色都会改变，这不太符合逻辑。
2、使用了“Thinking Claude”提示词的claude-3.5-sonnet生成的效果：操作方式同样是点击切换格子，但是有个明显的bug，页面写着游戏说明：“单击两个相邻的块来交换它们。匹配3个或更多相同颜色的方块得分!”然而初始效果中有多个三个相同颜色相邻的格子；
3、最后是o1-preview模型的不使用“Thinking Claude”提示词的效果：与以上效果不同，o1是通过鼠标拖动来切换格子，如果消除格子后，只会改变消除部分的颜色，整个游戏逻辑是最合理的。
实测3
指令描述：
1、没有使用“Thinking Claude”提示词claude-3.5-sonnet模型生成的效果：可以看到点击开始后，页面出现了各种牌面，但是点击牌面是没有任何反应的，总之，和真正的斗地主游戏效果差距比较远。
2、使用了“Thinking Claude”提示词的claude-3.5-sonnet生成的效果：大致和以上的效果一样，牌面是以英文显示的；
3、o1-preview模型的效果：与以上效果大差不差，都没有实现真正的斗地主游戏效果；
总结
通过以上三个代码生成的实测，可以发现“Thinking Claude”这一提示词并没有这么“神”。以实测1为例，在用户提示很简洁的情况下，通过逐步引导和思考完善，使用该提示词确实能够产生较好的效果。但用户提示很详细时，使用这一提示词反而可能导致效果适得其反，如实测2所展示的那样。而对于更为复杂的任务，即便使用了“Thinking Claude”提示词，依然难以实现目标，实测3便是一个例证。
借用最近Anthropic专访里的一句话：提示词工程真正重要的场景是在努力榨取模型最后2%的性能。
所以，在基座模型不变的情况下，优秀的提示词只是锦上添花，而无法达到一个质的飞跃。所以希望大家理性看待所有夸张的言论，亲手实践，眼见为实。
