为提示词中的每份文档打上标签，模型就不会把它们弄混

你把两段文本粘贴到一条消息里，让模型去比较它们。除非你说明哪段是哪段，否则它只能靠猜。解决办法很简单：给每段文本一个名称和一个用途，并把每段分别包在自己的标签里。Anthropic 的提示指南（一个持续更新的页面，查阅于 2026 年 10 月 31 日）建议为每种内容打上标签，这样模型就不会误读哪部分是指令、哪部分是背景、哪部分是输入。下面是一个修改前后的提示词，以及一个可直接发送到 CheapTokens API 的可用聊天补全请求。

直接粘贴时会出现什么问题#

举个最简单的例子。供应商发来一份新的产品描述，你想知道它和店铺页面上那份相比改了什么。你把两段都粘贴在“改了什么？”下面，然后按下发送。对你来说顺序显而易见。对模型来说，这只是两段之间没有任何区分的文本，而问题里从未说明哪段是旧的。它可能猜对，也可能把新文本当成旧文本，然后用十足自信的语气给你一份方向完全反过来的变更清单。

同样的陷阱也藏在日常工作中：

• 合同的两个版本，你问对方改了什么；
• 三份会议记录，你问哪些决定互相矛盾；
• 一份风格样本加一份草稿：该模仿哪份，该改写哪份？
• 错误日志和代码粘贴在一起，问题是“修好它”。

在每一种情况下，模型对每段文本都需要两样东西：一个名称（它是什么、来自哪里）和一个角色（你想用它做什么）。

给每段文本一个名称和一个用途#

三个小动作：

1. 把每段文本放进自己的标签。Anthropic 的指南建议用一个 <documents> 包裹，每段文本对应一个 <document index="1">，里面用 <source> 写名称，用 <document_content> 放文本本身。
2. 在标签外的指令中说明每段是什么：“文档 1 是我们店铺的旧文本。文档 2 是供应商发来的新文本。”
3. 用同样的措辞提问。“列出所有发生变化的事实，格式为旧 -> 新”现在就有了可指向的旧和新。

下面是瓶子示例的修改前后：

What changed?

Steel water bottle, 500 ml. Keeps drinks cold for 12 hours. Dishwasher safe.

Steel water bottle, 750 ml. Keeps drinks cold for 24 hours. Hand wash only.

Document 1 is the OLD text from our shop. Document 2 is the NEW text from the supplier. List every fact that changed, one per line, as old -> new.

<documents>
<document index="1">
<source>old description (current shop page)</source>
<document_content>
Steel water bottle, 500 ml. Keeps drinks cold for 12 hours. Dishwasher safe.
</document_content>
</document>
<document index="2">
<source>new description (from the supplier)</source>
<document_content>
Steel water bottle, 750 ml. Keeps drinks cold for 24 hours. Hand wash only.
</document_content>
</document>
</documents>

这些标签只花几个 token，却能消除猜测。Anthropic 是写给自家 Claude 模型的建议，但标签只是纯文本，所以你完全可以把同样的布局发给其他聊天模型。

作为真实请求发送#

下面是“修改后”提示词对应的 API 调用。地址是 https://api.cheaptokens.dev/v1，API 兼容 OpenAI，模型是 deepseek-ai/DeepSeek-V4-Flash-0731。模型 id 请从 CheapTokens 文档中获取：不同提供商的名称不同。DeepSeek-V4-Flash 有 380K 上下文窗口，每次回答最多 32,768 个输出 token，足以容纳大量长文本。密钥来自环境变量，绝不写在代码里。

import os
from openai import OpenAI

client = OpenAI(
    base_url="https://api.cheaptokens.dev/v1",
    api_key=os.environ["CHEAPTOKENS_API_KEY"],
)

old = "Steel water bottle, 500 ml. Keeps drinks cold for 12 hours. Dishwasher safe."
new = "Steel water bottle, 750 ml. Keeps drinks cold for 24 hours. Hand wash only."

prompt = f"""Document 1 is the OLD text from our shop. Document 2 is the NEW text from the supplier. List every fact that changed, one per line, as old -> new.

<documents>
<document index="1">
<source>old description (current shop page)</source>
<document_content>
{old}
</document_content>
</document>
<document index="2">
<source>new description (from the supplier)</source>
<document_content>
{new}
</document_content>
</document>
</documents>"""

response = client.chat.completions.create(
    model="deepseek-ai/DeepSeek-V4-Flash-0731",
    messages=[{"role": "user", "content": prompt}],
    max_tokens=300,
)
print(response.choices[0].message.content)
print(response.usage)

curl https://api.cheaptokens.dev/v1/chat/completions \
  -H "Authorization: Bearer $CHEAPTOKENS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "deepseek-ai/DeepSeek-V4-Flash-0731",
    "max_tokens": 300,
    "messages": [{
      "role": "user",
      "content": "Document 1 is the OLD text from our shop. Document 2 is the NEW text from the supplier. List every fact that changed, one per line, as old -> new.\n\n<documents>\n<document index=\"1\">\n<source>old description (current shop page)</source>\n<document_content>\nSteel water bottle, 500 ml. Keeps drinks cold for 12 hours. Dishwasher safe.\n</document_content>\n</document>\n<document index=\"2\">\n<source>new description (from the supplier)</source>\n<document_content>\nSteel water bottle, 750 ml. Keeps drinks cold for 24 hours. Hand wash only.\n</document_content>\n</document>\n</documents>"
    }]
  }'

回复是 choices[0].message.content 中的纯文本，旁边的 usage 会统计 token 数。好的回答会列出三处变化：500 ml -> 750 ml、12 小时 -> 24 小时、可洗碗机清洗 -> 仅可手洗。如果箭头方向反了，说明模型弄丢了标签。检查指令中对文档的称呼是否与标签一致。

标签的成本#

标签也是文本，文本就要计费。假设一位团队负责人输入三份会议记录，每份约 2,000 个 token，并询问哪些决定互相冲突。三份记录：3 × 2,000 = 6,000 个 token。再加上约 150 个 token 用于指令和标签（这是一个假设），请求输入共 6,150 个 token，输出回答 300 个 token。在 DeepSeek-V4-Flash 上，这一次请求花费 $0.00012，而标签本身相对于会议记录只是零头。下面是同一请求发送 1,000 次的情况，并附上 OpenRouter 的对比：

全部 6,150 个 token 都能轻松放进 380K 窗口（什么是上下文窗口）。按输入和输出合计计算，该请求比 OpenRouter 更便宜。输入和输出的计费费率不同，输入 token 与输出 token 解释了原因。每个模型的最新数字都在定价页面上。

处理更大批量文本的习惯#

一旦文本超过两段，光靠编号就不够了：每段都需要自己的名称。下图展示了示例中的布局：先是带问题的指令，然后每份文档在自己的标签中。

• 按内容命名，而不只是按编号。当回答把名称引用回给你时，<source>contract v2, sent by the client</source> 比 document 2 更好。
• 把指令放在标签外，这样粘贴文本中的某一行就不会被当成命令。
• 一段文本一个标签。一个长文件仍是一个标签；两个文件就是两个。
• 在问题中复用这些名称：“monday-notes 中的哪些决定与 wednesday-notes 矛盾？”
• 也给示例分配角色。“文档 1 是风格样本：模仿它的语气，而不是它的事实。文档 2 是要改写的草稿。”

关于提示词其余部分的基础知识（目标、上下文、格式），请参阅如何写出好的提示词。