Anthropic 官方 2.3 萬星 Claude 免費互動課程懶人包:從提示工程、Tool Use 到提示詞評測一次上手
GitHub 累積 23,154 顆星、2,618 次 Fork!Anthropic 官方開源免費教育課程庫 `anthropics/courses` 完整懶人包,涵蓋 Claude API 基礎、互動式提示工程教學、Tool Use 工具呼叫、Prompt Evaluations 評測與實際應用整合模式。
網路上教你寫 Prompt 的文章多如牛毛,但大多只給幾句「請扮演資深行銷專家」的萬用模板,真正進到工作流或寫程式串接時,模型還是常常輸出不穩定、格式亂跑,甚至幻覺連篇。
如果你想從源頭搞懂開發出 Claude 的原廠團隊到底怎麼設計提示詞、怎麼讓 AI 穩定呼叫外部工具,甚至怎麼用自動化測試量化 Prompt 的好壞,Anthropic 官方在 GitHub 上開源的免費課程庫 anthropics/courses 絕對是目前含金量最高的第一手資源。這個儲存庫目前已經累積超過 23,154 顆星(Stars)與 2,618 次分支(Forks),而且完全免費開放給所有開發者與 AI 使用者自學。
與其花錢買二手整理課,不如直接跟著 Anthropic 官方工程師寫好的互動式 Notebook,從最基礎的 Claude API 串接一路練到企業級提示詞評測(Prompt Evaluations)與 Tool Use 工具呼叫。
延伸閱讀:18 萬星開源神器 Ollama 懶人包:一行指令在電腦跑本地 AI 入門全攻略

為什麼 Anthropic 官方課程庫值得收藏?五大核心模組總覽
anthropics/courses 不是單純的文字講義,而是一套結構嚴謹、強調「邊寫邊改邊驗證」的互動式實戰課程。整個專案主要拆分為五大核心模組,無論你是剛接觸 Claude API 的新手,還是正在把 AI 導入公司產品的後端工程師,都能找到對應的訓練關卡:
- Anthropic API 基礎(
anthropic_api_fundamentals):手把手帶你認識 Claude 模型家族差異、API 認證、System Prompt 設定、串流輸出(Streaming)與多模態圖片輸入。 - 互動式提示工程教學(
prompt_engineering_interactive_tutorial):這是整個 Repo 最受歡迎的明星課程!共有 9 大章節搭配實作練習題,從清晰指令、角色設定、XML 標籤結構化、思維鏈(Chain of Thought)到少樣本學習(Few-shot),每寫完一題就能立刻跑測試看是否過關。 - 實際應用整合模式(
real_world_prompting):示範真實商業情境(如客服分類、長文件摘要、結構化 JSON 抽取)該如何組合多種 Prompt 技巧來壓低錯誤率。 - 提示詞評測(
prompt_evaluations):教你不再靠「體感」覺得 Prompt 好像變好了,而是建立自動化測試集(Evals),用程式與模型裁判(LLM-as-a-judge)量化比較不同版本的準確率與一致性。 - Tool Use 工具呼叫(
tool_use):深入拆解如何讓 Claude 根據使用者需求主動決定呼叫外部函式、查詢資料庫、操作計算器或整合第三方 API,是打造 AI Agent 的必備核心技能。
| 課程模組目錄 | 核心教學內容 | 最適合的學習階段 |
|---|---|---|
anthropic_api_fundamentals |
API 金鑰設定、Messages API、Streaming、視覺多模態輸入 | 剛開始串接 Claude API 的開發者 |
prompt_engineering_interactive_tutorial |
9 章互動式關卡:XML 標籤、角色設定、CoT 思維鏈、防幻覺 | 想系統化提升日常與開發提示詞品質的所有人 |
real_world_prompting |
複雜商業文件分析、結構化輸出與多步驟提示整合 | 需要把 Prompt 真正落地到工作流的團隊 |
prompt_evaluations |
建立 Evals 評測資料集、自動化打分與版本回歸測試 | 追求產品級穩定度、避免改壞 Prompt 的工程師 |
tool_use |
定義 Tool Schema、函式呼叫流程、多輪工具互動與 Agent 雛形 | 準備開發自動化工作流與 AI Agent 的進階開發者 |
最推薦先刷的三個亮點單元:XML 標籤、Evals 與 Tool Use
在五大模組之中,有三項觀念最能拉開「一般玩家」與「專業 AI 開發者」的差距:
- 善用 XML 標籤切分上下文:Anthropic 官方在互動式教學中反覆強調使用
<context>、<instructions>、<example>等 XML 標籤來隔離資料與指令,這能大幅減少長文本情境下模型把「參考資料」誤認為「執行命令」的機率。 - 把 Prompt 當成程式碼來寫測試(Evals):許多團隊調整 Prompt 時常陷入「修好 A 案例、卻弄壞 B 案例」的循環。
prompt_evaluations模組直接示範如何用 Python 腳本批次回測數十組測試樣本,讓每次修改都有客觀分數可依循。 - 用 Tool Use 讓模型長出手腳:光靠純文字問答無法完成查庫存、寫入表單或即時搜尋。透過
tool_use模組的 Schema 定義與多輪對話回傳機制,你可以讓 Claude 精準輸出結構化參數交給後端執行,再把執行結果餵回模型完成最終回覆。
怎麼開始上課?支援 Python Notebook 與 Google Sheets 免寫程式版
想開始學習 anthropics/courses,門檻其實比想像中低很多:
- 工程師與 Python 學習者:直接將 GitHub 專案 Clone 到本地(或直接在支援 Jupyter Notebook 的環境開啟),安裝
anthropic套件並填入自己的 Anthropic API Key,就能逐格執行每個單元的練習與自動批改腳本。 - 非工程師與一般辦公族群:官方在
prompt_engineering_interactive_tutorial中還貼心提供了 Google Sheets 互動試算表版本(搭配 Claude for Sheets 擴充功能),不用寫 Python 也能在試算表裡一格一格練習寫 Prompt 並即時驗證結果。
建議學習順序是先花一個下午刷完 互動式提示工程教學,掌握 XML 標籤與思維鏈技巧;接著再依自身需求切入 Tool Use 或 Prompt Evaluations,把 AI 應用從「玩具」升級成可穩定交付的「生產力系統」。
延伸閱讀:GitHub 破 3 萬星圖解大語言模型!O'Reilly《Hands-On Large Language Models》官方免費 Notebook 懶人包
常見問題(FAQ)
Q1: anthropics/courses 這套官方課程需要付費嗎?
課程內容與所有程式碼、Jupyter Notebooks、練習題皆在 GitHub 上完全免費開源(MIT 授權)。不過實際執行 Notebook 呼叫 Claude 模型測試時,需要自備 Anthropic API Key(按實際 Token 用量計費,練習過程消耗極低)。
Q2: 我不會寫 Python,也能學裡面的提示工程課程嗎?
可以。除了 Python Jupyter Notebook 版本之外,Anthropic 官方在互動式提示工程教學中特別提供了 Google Sheets 試算表版本,只要在試算表內填入提示詞即可直接測試與過關,非常適合產品經理、行銷與一般辦公人員。
Q3: 為什麼裡面特別強調「Prompt Evaluations(提示詞評測)」?
因為當你把 AI 用在客服、摘要或程式輔助等真實業務時,只要微調幾個字就可能讓部分題目表現變差。透過 Evals 建立自動化評測集,才能在調整 Prompt 或更換模型版本時,客觀確認準確率是否真的提升。