最近Hacker News首页有一篇热帖值得关注：**《Show HN: The load-bearing vocabulary of Claude》**（Claude的“承重词汇”），截至2026年8月28日发稿，已拿下**381分、181条评论**，在首页挂了整整一天。作者Louis Abraham来头不小——Reduck（Web Agent创业公司）创始人兼CTO、Sciences Po生成式AI兼职教授、ICPC法国西南区冠军，属于既懂竞赛级算法又天天泡在生产级AI系统里的那类人。
这个帖子火的原因很有意思：它戳中了一个90%用户从未想过的认知差——**你提示词里的词，绝大部分是“装饰墙”，只有少数几个是“承重墙”**。真正决定Claude输出质量的，可能就是那么三五个词；而你精心润色的长篇指令，删掉一半输出纹丝不动。
今天这篇文章，我结合这个热帖的思路，把Claude（API和网页端通用）那些“官方文档里写了、但绝大多数人从来不用”的隐藏技巧整理成一份可直接落地的清单。看完你至少能做到两件事：找出自己提示词里的承重词；把同样任务的模型成本砍掉一个数量级。
## 一、先讲方法：怎么找出你自己的“承重词”
热帖标题里的"load-bearing"（承重）是个建筑比喻：一堵墙是不是承重墙，砸了试试就知道——房子塌了就是承重的。提示词同理：
1. 选一个你日常高频使用的固定提示词（比如你的代码Review模板、周报生成模板）
2. 复制两份，其中一份**删掉某一个词或一句话**
3. 两个版本各跑3次，对比输出质量有没有系统性差异
4. 没差异 → 这个词是装饰；有明显差异 → 承重词，用高亮标出来供着
这个流程画出来是这样的：
```mermaid
flowchart TD
A[选取高频固定提示词] --> B[复制一份作为对照组]
B --> C{逐一删除候选词}
C --> D[原版运行3次]
C --> E[删词版运行3次]
D --> F{输出质量有系统性差异?}
E --> F
F -->|无差异| G[标记为装饰词
可安全删除]
F -->|有差异| H[标记为承重词
保留并测试能否强化]
G --> C
H --> I[固化进提示词模板]
I --> J[定期重新消融
模型升级后承重词会漂移]
```
注意最后一步：**承重词会漂移**。模型每次大版本升级，同一个词的权重可能变化。海外重度用户的习惯是每个季度把自己的核心提示词重新消融一遍。这就是热帖评论区讨论最热烈的部分——很多人发现自己伺候了半年的“咒语”，其实早就不管用了。
## 二、6个被严重低估的Claude隐藏技巧
以下技巧基于Anthropic长期公开的文档能力，全部可在API和网页端落地，不依赖任何特定版本。
### 技巧1：Assistant预填充（Prefill）——最被低估的王牌
**操作**：API调用时，在`messages`里加一条role为`assistant`的消息，内容写上你希望回答的开头，比如`{`或`"以下是分析结果：\n## "`,并设置`stop_sequences`。模型会**从这个开头接着写**，而不是重新组织语言。
**预期效果**：
- 强制JSON输出：预填`{`，模型100%以JSON开头，不再输出“好的，以下是JSON：”这类废话
- 跳过客套话：预填“结论：”，直接拿到结论先行的高密度回答
- 网页端等效做法：在提示词末尾写“直接以{开头输出，不要任何前置文字”，效果接近
**适用场景**：所有需要机器解析输出的管道（脚本调API、工作流自动化）。这是Anthropic官方文档明确支持的功能，但国内教程几乎没人讲。
### 技巧2：XML标签分区——把提示词当HTML写
**操作**：不要把所有指令糊成一大段，用XML标签分区：
```
项目背景、技术栈
具体任务描述
约束条件
参考示例
```
**预期效果**：模型对标签边界的感知远强于自然段落，长提示词场景下指令遵循度明显提升，尤其是“约束被忽略”这类顽疾。
**适用场景**：提示词超过500字的任何场景。这也是Anthropic官方Prompt Engineering文档的长期建议，属于“就在那里但你没用”的典型认知差。
### 技巧3：``少样本标签——比描述十句都管用
**操作**：与其花200字描述“我想要什么样的风格”，不如直接在``标签里放2-3个输入输出对，格式好/格式坏的各放一个（反例标注“不要这样”）。
**预期效果**：风格控制的成功率远高于形容词堆砌。“简洁但保留技术细节”这种模糊要求，一个示例就能锁死。
**适用场景**：文案风格统一、代码风格统一、固定格式的报告生成。
### 技巧4：正向指令替代负向禁止
**操作**：把“不要用英文术语”“不要写超过三段”改写成“全部使用中文通俗表达”“控制在三段以内”。
**预期效果**：负向指令需要模型先“想到”那个行为再抑制它，实际效果经常是反而提醒了模型。正向指令直接给出目标状态，遵循率更高。
**适用场景**：所有约束类指令。检查一下你的提示词，把所有“不要”翻转为“要”，是成本最低的一次质量提升。
### 技巧5：System Prompt和用户消息分工
**操作**：API的`system`参数（网页端的"自定义指令/Projects指令”）只放**跨对话不变的内容**：角色设定、长期约束、输出格式规范。每次变化的内容（具体任务、临时材料）全部放用户消息。
**预期效果**：一是稳定性提升，角色不会在长对话中漂移；二是在API计费下，system部分命中Prompt Cache后成本可大幅下降。
**适用场景**：所有把Claude当“长期员工”而不是“一次性问答机”的用户。
### 技巧6：显式思考拆解——先列计划再动手
**操作**：复杂任务在提示词里加一句结构化指令：“先在区列出你的执行计划和关键假设，再输出区”。API层面还可以直接启用extended thinking（思考模式参数），让模型在正式回答前进行更长链路的推理。
**预期效果**：代码生成、数据分析类任务的错误率明显下降，因为模型被迫先暴露假设，你能在它动手前纠偏。
**适用场景**：多步骤任务、需要方案对比的决策、调试复杂Bug。
## 三、进阶认知差：小模型时代，承重词更值钱
这里必须提另一篇同日刷屏Hacker News的文章——Calvin French-Owen（Segment联创，Twitter账号@calvinfo）的**《Small Models Have Arrived》**，501分、228条评论。他给出的实测数据很有冲击力：
- 他用小模型gpt-5.6-luna跑复杂研究任务（比如检索几千封邮件），**单次API成本只有几十美分，平均约0.10美元**；同样的任务用上一代Sonnet级模型要约1美元——**10倍价差**
- gpt-5.6-luna速度约100 tokens/秒
- 他点名**GLM 5.3**是目前性价比帕累托前沿上的新选项
- 他还引用了一个有意思的观察：Segment联创Peter表示，自己95%的工作属于“高响应、多线程推进”的体力活型工作（token spewer），只有5%是需要天才级智力的攻坚（IQ 180）
**对中国用户的具体启示**：这类“快、便宜、够用”的小模型（以及GLM这类高性价比模型）对提示词质量反而更敏感——大模型能靠暴力智力兜底你的烂提示词，小模型不能。所以“找承重词+用小模型”是组合拳：消融出真正管用的那几个词，然后放心把95%的日常任务交给便宜模型，成本直接砍到零头。省钱不是靠换更便宜的API转发，而是靠提示词工程把模型降级空间打开。
## 四、信息差总结
| 维度 | 你知道的 | 别人不知道的 |
|------|---------|-------------|
| 提示词优化方向 | 搜"万能咒语"模板 | 消融测试找出自己提示词里的承重词 |
| 强制输出格式 | 反复强调"请输出JSON" | Assistant预填充+stop_sequences，100%格式锁定 |
| 长提示词组织 | 一大段自然语言 | XML标签分区（context/task/constraints/examples） |
| 风格控制 | 堆形容词描述 | ``少样本，正反例各来一个 |
| 约束写法 | "不要XX" | 翻转为正向指令"要XX" |
| 成本优化 | 换便宜API、找转发 | 承重词提纯后降级到小模型，实测10倍价差（0.1 vs 1美元/次） |
| 信号源 | 等国内自媒体翻译 | HN首页当日热帖（381分/181条评论），领先一个反应周期 |
## 五、行动指南
今晚就能做的三件事：
1. **10分钟消融实验**：挑你最常用的一个提示词，按上文流程删词对比，找出2-3个真正的承重词。多数人第一次做会震惊于“80%的字是废话”
2. **改造一条管道**：把你某个依赖Claude输出的自动化脚本，改成预填充+stop_sequences方案，一次性解决格式解析失败问题
3. **跑一次降级测试**：拿消融后的高质量提示词，去GLM 5.3或其他小模型上跑同样的任务，对比输出质量。能过线就迁移，按0.1 vs 1美元的量级估算年省成本
## 参考来源
1. Show HN: The load-bearing vocabulary of Claude（Hacker News首页热帖，381分）：https://louisabraham.github.io/load-bearing-vocabulary-of-claude/
2. 作者Louis Abraham主页（背景核实）：https://louisabraham.github.io/
3. Small Models Have Arrived — Calvin French-Owen（HN 501分）：https://calv.info/small-models-have-arrived
4. Hacker News首页（2026-08-28抓取）：https://news.ycombinator.com/
---
> 本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵**爱卫生**（微信ID: gprshome201101）维护。
> 聚焦5G/6G核心网、3GPP标准、AI工具实战。知识星球「51学通信」提供深度技术答疑和行业洞察。
> [!tip] 51学通信知识星球
> **星主：爱卫生**（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。
> **星球定位**：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。
> **当前规模**：5200 篇主题 / 990 个回答，198 元/年。
> **加入福利**：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。
> **AI 加持**：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。
