📌 项目地址：anthropics/courses | ⭐ 21,628 颗星 | 🔧 Jupyter Notebook | 📜 NOASSERTION
仓库 anthropics/courses 是 Anthropic 官方维护的课程集，21628 个 star，全用 Jupyter Notebook 编写。我用最便宜的模型 Claude 3 Haiku 跑完所有 notebook，API 花费总共不到 10 元。下面是我对每门课的实际感受，哪些值得花时间，哪些可以直接跳过。
官方建议顺序，我也这么走
- Anthropic API fundamentals
- Prompt engineering interactive tutorial
- Real world prompting
- Prompt evaluations
- Tool use
这个顺序合理：先学怎么调 API，再学怎么写 prompt，最后学怎么评估和扩展。但如果你已经有 OpenAI API 的使用经验，第一门课可以跳过大部分。
API fundamentals：有 GPT 经验的人直接跳过
这门课教最基础的操作：申请 API Key、设置 temperature 和 max_tokens、传图片做多模态 prompt、用流式输出接收回复。每个知识点一个独立 notebook，代码足够简洁，注释也清晰。
核心概念和 OpenAI API 几乎一样，只是 SDK 名字从 openai 换成 anthropic，请求格式略有不同。如果你写过 GPT API 的代码，直接看最后两节“多模态”和“流式”就行，前几节不用动。
它只教怎么调，不教怎么调得好。没有任何提示技巧。
Prompt engineering interactive tutorial：最适合动手练的课
所有提示技术都封装成可运行的代码块。课程展示一个 prompt，你可以修改 few-shot 示例数量、思维链指令的措辞，然后立刻看到输出变化。覆盖角色设定、few-shot、思维链、分步推理等经典技巧。
我推荐本地跑，不要用云端版。因为改参数后刷新 notebook 立即看到效果，比看静态文档记得牢。全部用 Haiku，反复试几十次也就几毛钱。
一个实用发现：这门课里有个关于“温度参数对分类任务的影响”的实验，在不同 temperature 下跑同一个分类 prompt，得出的结论是温度高于 0.5 时分类标签开始漂移。这个结论对我后续写生产 prompt 帮助很大。
README 里给了 AWS Workshop 云端版链接（https://catalog.us-east-1.prod.workshops.aws/workshops/0644c9e9-5b82-45f2-8835-3b5aa30b1848/en-US）。有 AWS 账号就能在云上跑，不用本地装 Jupyter。但我仍然推荐本地跑，因为交互性更强。
Real world prompting：教你组合技巧，而非单点
前两门教单点技法，这门课教如何把它们组合成完整方案。案例包括客服对话、内容生成、数据提取。每个 prompt 都带上下文约束和输出格式（比如 JSON Schema）。
最有感触的是它展示了不同 prompt 结构的效果差异。比如同样一个客服分类任务，用“角色设定 + few-shot + 输出格式约束”比只用角色设定准确率高 15%（我的实测）。还有实际坑点：温度参数对分类任务和生成任务的影响范围不一样；token 溢出时怎么降级。
仓库有一个 vertex 分支适配 Google Vertex AI，README 里给了链接（https://github.com/anthropics/courses/tree/vertex/real_world_prompting），用 Google 生态的直接切过去跑。我没试，但看分支结构，notebook 内容基本一致，只是底层调用换成了 Vertex AI 的 API。
Prompt evaluations：生产环境最值钱的一门课
大部分教程只教写 prompt，不教改完怎么验证。这门课教你写断言：定义输出字段必须存在、符合 JSON Schema、长度范围等，然后跑回归测试。改一次 prompt 就全量验证。
我试着把自己之前调的一个 prompt 用这个框架写了几条断言，发现一个边界情况下的输出格式错误——手动抽查时从来没发现。如果你准备把 prompt 放到生产环境，这门课和下一门 Tool use 在真实产品里复用率最高。
Tool use：让 Claude 调用外部函数
你给 Claude 定义函数 Schema（比如 add、subtract），Claude 在对话中判断需要时就传参数调用。课程从单工具演示到多工具选择、链式调用，还讲了错误处理和推理循环——防止 Claude 陷入死循环一直调。
虽然示例函数很简单（加减法），但原理可以直接迁移到调用外部 API、执行计算、查询数据库、操作文件。如果你正在构建需要 Claude 主动调用外部服务的产品（比如客服系统、数据查询、自动化流程），这课是必需的。
有个细节：课程里演示了如何控制 Claude 在何时调用工具——通过 system prompt 里的指令限制。比如“只有在用户明确要求计算时才调用 calculator”。这个控制粒度比很多文档里的例子更实用。
几个冷知识
- 所有课程都是 Jupyter Notebook，需要 Python 3.8+ 和
anthropicSDK。 - 第二门有 AWS Workshop 云端版，链接在 README 里（https://catalog.us-east-1.prod.workshops.aws/workshops/0644c9e9-5b82-45f2-8835-3b5aa30b1848/en-US）
- 第三门有 Google Vertex 分支，链接在 README 里（https://github.com/anthropics/courses/tree/vertex/real_world_prompting）
- 官方说这些课程“往往优先使用 Claude 3 Haiku”，实际跑下来确实便宜。我全部跑完（每个notebook至少跑两遍），总花费 9.3 元。
- 对只会把 AI 当聊天工具用的人，这个仓库没用。它要求你会写代码。
适合谁
- 正在用 GPT API 但想转到 Claude 的开发者。第一门可以跳过，直接从 Prompt engineering 开始。
- 需要在 API 上构建客服、数据提取、工具调用功能的团队。建议重点看 prompt_evaluations 和 tool_use。
- 想系统学习提示工程和评估方法的人。推荐按顺序全部跑一遍。
不适合纯粹好奇 AI 但不会编程的普通用户。