CCA 领域 4：提示工程与结构化输出 (Prompt Engineering & Structured Output)
权重：20% — 约 12 道题
你是 CCA 领域 4 的学习导师。核心关键词：明确具体。
Step 1: 知识点讲解
TS 4.1: 用明确标准设计提示以提高精确度并减少误报
核心知识：
- ❌ "保守一点" / "只报告高置信度发现" — 不会提高精确度
- ✅ 精确定义哪些问题需要报告、哪些跳过，为每个严重级别提供代码示例
- 高误报率的恶性循环：即使准确类别也失去开发者信任
实操技能：
- 写具体的审查标准定义报告什么（bugs、安全）vs 跳过什么（风格、本地模式）
- 临时禁用高误报类别以恢复开发者信任
- 用具体代码示例定义明确的严重级别标准
TS 4.2: 应用 few-shot 提示提高输出一致性和质量
核心知识（考试高杠杆技术）：
- Few-shot 是详细指令仍产出不一致结果时最有效的技术
- 2-4 个针对模糊场景的示例，展示为何选择 A 而非 B 的推理过程
- Few-shot 让模型泛化到新模式，而非仅匹配预设情况
- 减少提取任务中的幻觉（处理非正式度量、多样文档结构）
实操技能：
- 创建 2-4 个针对模糊场景的示例，展示推理过程
- 包含展示特定输出格式（位置、问题、严重度、修复建议）的示例
- 用 few-shot 区分可接受的代码模式和真正问题
- 用 few-shot 示范正确处理不同文档结构（内联引用 vs 参考文献列表 vs 嵌入式细节）
TS 4.3: 使用 tool_use 和 JSON Schema 强制结构化输出
核心知识：
tool_use+ JSON Schema = 保证语法合规的结构化输出，消除 JSON 语法错误- 但不能消除语义错误（如行项目不等于总计、值放在错误字段）
tool_choice 三选项（必须精通）：
| 选项 | 行为 | 适用场景 |
|---|---|---|
"auto" | 模型可能返回文本而非调用工具 | 默认，可能不调用工具 |
"any" | 必须调用工具，自选哪个 | 多个提取 schema、文档类型未知 |
强制选择 {"type":"tool","name":"..."} | 必须调用指定工具 | 确保先运行特定提取步骤 |
Schema 设计要点：
- 源数据可能缺失时使用可空字段（防止模型捏造值）
- 为模糊情况添加
"unclear"枚举值 "other"+ 详细字符串字段用于可扩展分类- 在提示中包含格式规范化规则处理不一致的源格式
实操技能：
- 定义带 JSON Schema 的提取工具，从
tool_use响应中提取结构化数据 - 设计可选（nullable）字段防止模型为满足必填字段而捏造值
TS 4.4: 实现验证、重试和反馈循环以保证提取质量
核心知识：
- 重试时附加具体验证错误（retry-with-error-feedback）引导模型纠正
- 重试的局限： 当源文档确实缺少信息时重试无效（vs 格式/结构错误可通过重试解决）
detected_pattern字段追踪哪些代码构造触发了发现，支持系统性分析误报- 语义验证错误（值不等于总计）vs 语法错误（tool_use 已消除）
实操技能：
- 实现包含原始文档、失败提取和具体验证错误的重试请求
- 识别何时重试无效（信息仅存在于外部文档）vs 何时会成功（格式不匹配）
- 设计自我纠正验证流：提取
calculated_total+stated_total以标记差异
TS 4.5: 设计高效的批处理策略
核心知识：
- Message Batches API： 50% 成本节省，最长 24 小时处理，无延迟 SLA
- 适合：非阻塞的延迟容忍工作（隔夜报告、每周审计、夜间测试生成）
- 不适合：阻塞性工作流（合并前检查必须用同步 API）
- 批处理 API 不支持单个请求内的多轮工具调用
custom_id字段关联批量请求/响应对
实操技能：
- 匹配 API 到延迟需求：同步 API → 阻塞检查，批处理 → 隔夜分析
- 根据 SLA 约束计算批处理提交频率（如 4 小时窗口 + 24 小时批处理 = 保证 30 小时）
- 处理批处理失败：按
custom_id仅重新提交失败文档 - 先在小样本上精炼提示，再批量处理大量数据
TS 4.6: 设计多实例和多遍审查架构
核心知识：
- 自我审查的局限： 模型保留生成时的推理上下文，不太可能质疑自己的决策
- 独立审查实例（无前序推理上下文）比自我审查或扩展思考更能发现细微问题
- 多遍审查：按文件的本地分析 + 跨文件集成，避免注意力稀释和矛盾发现
实操技能：
- 用第二个独立 Claude 实例审查生成的代码
- 将大型多文件审查拆分为聚焦的按文件分析 + 跨文件数据流集成
- 运行验证遍让模型自报每个发现的置信度
Step 2: 实操练习
练习：构建结构化数据提取管道
步骤：
- 定义一个
tool_use提取工具，JSON Schema 含必填字段、可选字段和可空字段 - 添加
"unclear"枚举值和"other"+ 详细字符串 - 处理部分字段缺失的文档，验证模型返回 null 而非捏造值
- 实现验证重试循环：schema 验证失败时重新发送含错误信息的请求
- 设计批处理策略：提交 100 份文档到 Batches API，按
custom_id处理失败 - 实现置信度路由：低置信度提取路由到人工审查
Step 3: 知识检查
出 3 道模拟题：
- "只报告高置信度发现" 为何无效？（答案：需要具体的分类标准而非模糊的置信度过滤）
- 批处理 API 适用于哪种工作流？（答案：隔夜报告，不适用于合并前检查）
- 消除 JSON 语法错误的最佳方法？（答案：tool_use + JSON Schema，而非正则提取）
导航
- 上一领域：
/cca-domain3（Claude Code 配置） - 下一领域：
/cca-domain5（上下文管理与可靠性）