同一个模型、同一个问题，换一段 System Prompt 输出就天差地别。用 Workbench 的 A/B 测试功能，60 秒测出哪段 Prompt 比较强；再用 Haiku、Sonnet、Opus 三个模型实跑一遍，什么时候该花大钱、什么时候省着用，看完你自己就会判断。
一、Workbench 是什么？
你平常用 Claude，是不是只会在聊天界面里对话？当然可以，但如果你想要调 AI 的行为、比较不同写法的效果、选出最适合你的模型，你需要一个实验室 — Workbench 就是这个东西。
打开 Anthropic Console，在左边的菜单找到 Workbench，点开就什么都有了。不用装软件、不用写代码，开浏览器直接用。
界面就三块：
- System Prompt — 给 AI 的角色设定书
- User Message — 你要问的问题
- 右边 Sidebar — 参数设置（模型、温度等）
二、为什么你该学会测 Prompt
你一定干过这种事：在网上看到有人分享一个超猛的 Prompt，复制粘贴一用，结果普普通通。太正常了，Prompt 好不好跟你的具体任务有关，哪有什么万能公式。
所以聪明的做法不是去抄 Prompt，是学会怎么测。A/B 测试就是写两版，同一个问题丢进去，看谁 Output 比较好。做产品的人本来就天天在搞这个，今天你也可以拿来测 Prompt。
三、A/B 测试实战：先感受差距
假设今天的任务是让 AI 帮你写一段 YouTube 影片的开场。先来写两个差很远的 System Prompt，让你直接感受一下。
版本 A：阳春版
就一句话，连风格都没写，受众也没讲。蛮多人其实就是这样在用的。
版本 B：详细版
把所有细节塞好塞满 — 角色定位、创作原则、受众描述、输出格式，明显比版本 A 详细了很多。
两边都打同一个问题：「请写一段关于 Excel VLOOKUP 函数教学的影片开场，30 秒以内」，同时送出。
结果对比
| 版本 | 输出品质 | 评价 |
|---|---|---|
| 版本 A | 「你有没有遇过这种情况？表格里有几百笔资料…」 | 能看，但平平的，在 YouTube 上会直接划掉的开场，没什么记忆点 |
| 版本 B | 「你有一份 3,000 笔的客户清单，老板要你在一小时内比对出哪些人还没付款…」 | 开头就有好奇心缺口，30 秒内告诉观众能学到什么，还附了画面提示，直接拿去拍都行 |
同一个模型、同一个问题，差别只在 System Prompt。
四、关键原则：一次只改一个变量
A/B 测试最重要的观念：每次只动一个地方。刚才的大对比是让你感受差距用的，但真正要优化 Prompt 的时候，你得一层一层往上叠，每一层只加一个东西。
刚才版本 B 里面改了 4 个东西：角色、创作原则、受众、输出格式。一口气全换了，根本不知道到底是哪个改动让它变好的。是受众描述有用？还是创作原则？还是输出格式？
第一层：只加受众描述
拿版本 A 当基础，这次只加一行「目标受众」，其他不动，就多这一行而已。一样问 VLOOKUP，然后送出。
结果：就加了一行受众描述，Output 的语气跟用词就不一样了。它开始用比较专业的口吻，不会写那种太花俏的东西。所以加受众描述这个改动有效，确认了。
第二层：再加输出格式
有效的东西留着，再往上叠一层。这次在上一版的基础上加输出格式。
结果：这次 Output 就多了画面提示跟旁白的分隔，拿去拍片的时候哪段该录什么画面一目了然。
你看这样一步步叠上去，每一层改动的效果清清楚楚。不是一口气改 5 个东西然后跟自己说「嗯，好像变好了」。
五、两个测试小技巧
1. 同一个问题至少跑 3 次
AI 每次跑出来的结果都不太一样，因为它有一个叫 temperature 的参数，会加入随机性。跑一次根本不准，多跑几次看整体表现，这样才准。
2. 换不同问题交叉测
一个 Prompt 在 VLOOKUP 赢了，不代表讲 Python 也会赢。多换几个主题试试，确认它是真的通用，不是刚好蒙到的。
六、三大模型怎么选？
Claude 现在有 3 个等级的模型，在 Workbench 右边的下拉选单就能切换：
| 模型 | 定位 | 擅长任务 | 比喻 |
|---|---|---|---|
| Haiku | 最快最便宜 | 分类、抓关键字、格式转换 | 反应超快的实习生 |
| Sonnet | 速度跟品质最平衡 | 写文案、回 Email、整理笔记 | 全能型员工（CP 值最高） |
| Opus | 最强但最贵 | 深度推理、复杂分析、策略规划 | 高级顾问 |
测试一：简单任务（翻译）
三个模型跑一遍，你会发现这种有标准答案的任务，三个模型的 Output 品质几乎一样。那干嘛花 Opus 的钱？Haiku 就搞定了，还快 3 倍。
测试二：复杂任务（策略分析）
来个有挑战的：「你是一位资深内容策略顾问，请根据以下 YouTube 频道数据分析问题，并给出具体的改善建议。」这次不同模型的输出差异就比较大了：
| 模型 | 表现 | 评价 |
|---|---|---|
| Haiku | 有回答，但比较表面，像在套公式 | 每个建议都对，但不够深 |
| Sonnet | 分析到位，能指出观看时长偏低代表内容结构有问题 | 建议蛮具体，可以直接拿去执行 |
| Opus | 不止分析数据，还交叉比对指标之间的关系 | 能指出「CTR 4.2% 不算低，但观看时长只有 32%，代表标题吸引到人但内容没留住人，问题出在影片前两分钟的结构」 |
这种洞察就是 Opus 的价值。
七、模型选择速查
| 任务类型 | 推荐模型 | 原因 |
|---|---|---|
| 有标准答案（翻译、提取、格式转换） | Haiku | 快又省，品质跟大模型一样 |
| 需要理解上下文（写文案、回 Email、整理笔记） | Sonnet | CP 值最高，大部分日常任务都够用 |
| 深度思考（复杂分析、策略规划、多步推理） | Opus | 这个钱花得值得 |
| 不确定该用哪个 | 先 Sonnet | 觉得不够深再切 Opus 就好，先省钱不够再加 |
八、总结
Prompt 怎么调：
- 用 Workbench 做 A/B 测试，一次只改一个变量
- 一步步往上叠，每个改动带来什么效果你都看得到
- 同一个问题至少跑 3 次，换不同问题交叉测
- 好的 Prompt 不是抄来的，是这样测出来的
模型怎么选：
- 简单任务 Haiku，日常任务 Sonnet，复杂分析 Opus
- 不确定先 Sonnet，不够再升就好
补充：Console 里面还有一个 Evaluate 功能，可以做更系统化的 Prompt 测试，有兴趣的可以自己去玩玩看。