M05.03｜Prompt Engineering：跟 AI 說話的藝術
同一個模型，問法不同，答案天差地別
本講學習重點
Zero-shot：直接問問題，不提供範例。簡單任務夠用，複雜任務品質不穩定。 Few-shot：在 prompt 中提供 2-5 個輸入/輸出範例，讓模型「理解格式和邏輯」再作答。 Chain-of-Thought（CoT）：要求模型「逐步思考」，在輸出最終答案前先寫推理過程。 - 顯式 CoT：「請一步一步思考」 - 自動 CoT：在 few-shot 範例中包含推理步驟 - 效果：複雜數學/邏輯推理任務準確率大幅提升 角色提示：在 system prompt 中指定模型的身份和視角，例如「你是一位資深合約律師」。 作用：引導模型從不同角度和知識框架生成回覆，不是讓模型「假裝」而是「激活」相關知識。 System Prompt：對話開始前設定的固定指令，定義模型的角色、行為規範、輸出格式、限制。 User Prompt：每輪對話中用戶的輸入，是動態變化的部分。 結構化輸出：要求模型用 JSON、Markdown 表格、清單等格式輸出，便於後續程式處理。
🎙️ Podcast（中文）
一句話搞懂
Prompt Engineering（提示工程）就是「懂得怎麼跟 AI 說話的技能」——同一個模型，會問的人能得到精準的專業報告，不會問的人只能得到泛泛的廢話。
白話解說
為什麼「問法」這麼重要
LLM 是一個條件概率機器：給定輸入，它計算所有可能輸出的概率分布。你輸入的 Prompt 決定了它計算的「起點」——不同的起點，概率分布的峰值會落在完全不同的地方，輸出結果自然天差地別。
舉個最直白的例子：
- 問法一：「幫我寫一封信」→ 模型要猜：什麼信？給誰？什麼目的？語氣？格式？它只能給你一封最「統計上常見」的信，往往是一封空洞的範例信。
- 問法二：「你是一家 B2B 軟體公司的業務主管，現在要寫一封跟進信給三個月前開過會但沒有後續的潛在客戶 CFO。語氣要專業但不強迫，重點是提供一個免費試用的邀請，並說明試用後的具體成效案例。請控制在 200 字以內。」→ 這樣的輸入給了模型足夠的上下文，它的輸出空間被大幅縮小，幾乎必然會產出你真正需要的東西。
這就是 Prompt Engineering 的核心邏輯：不是讓 AI 讀心術，而是把你腦子裡的所有假設、限制、期望，都明確地說出來。
三種核心提示策略
Zero-shot 提示：直接問問題，完全不提供範例。適合模型已經充分掌握的任務，例如翻譯、文法修正、簡單摘要。缺點是輸出格式不可預測，複雜任務品質不穩定。
「請將以下文字翻譯成英文：『台灣是一個美麗的島嶼』」——這是典型的 zero-shot，因為翻譯是 LLM 最基礎的能力，不需要示範。
Few-shot 提示：在問題之前先提供 2-5 個「輸入→輸出」的範例對，讓模型從範例中「讀懂」你要的格式和邏輯，再套用到實際問題上。適合輸出格式特殊、語氣特定、或需要模仿特定風格的任務。
輸入：我昨天買的手機今天充不了電，客服電話打不通
情緒分類：憤怒
輸入：請問你們的貨幾天會到？
情緒分類：中性
輸入：謝謝你們快速處理，東西收到了很開心！
情緒分類：滿意
輸入：這個產品根本就是垃圾，我要退款
情緒分類：???
模型看了三個範例，會理解「你想要的格式是一個情緒標籤」，然後正確地輸出「憤怒」。
Chain-of-Thought（CoT，鏈式思考）：要求模型在給出最終答案前，先把推理步驟寫出來。這個策略對數學推理、邏輯分析、多步驟決策類問題效果顯著。
一個讓 CoT 生效的最簡單咒語是在問題後加上：「請逐步思考，把每個步驟都寫出來，最後再給出答案。」
研究顯示，在 Google PaLM 540B 的數學推理基準測試中，加入 CoT 提示後，準確率從 17% 躍升至 58%。原因是：讓模型「說出中間步驟」，等於把複雜的一步跳躍拆成多個小預測，每個小預測都更容易做對，整體準確率自然大幅提升。
角色提示與系統提示詞
角色提示（Role Prompting） 的格式很簡單：「你是一位 [身份]，具有 [專業背景]，現在你需要 [任務]。」
角色提示有效的原因不是模型在「扮演角色」，而是身份描述激活了訓練語料中與這個身份相關的知識框架。當你說「你是一位有 20 年經驗的心臟科醫師」，模型會從醫學文獻、病歷討論、醫師論壇等訓練資料中提取更相關的語言模式，輸出更接近醫師思考方式的內容。
System Prompt（系統提示詞） 是對話開始前設定的固定指令，通常由開發者或企業管理員設置，用戶看不到。它的功能是：
- 定義角色與人格：「你是 OO 公司的客服助理，名叫小智，使用親切的口語體。」
- 設定行為限制：「只回答與本公司產品相關的問題，遇到敏感話題請說『我沒辦法協助這個問題』。」
- 規定輸出格式：「所有回答必須使用繁體中文，每個回答結尾都要加上客服評分邀請。」
- 注入背景知識：「公司最新的退換貨政策是……（插入政策全文）」
User Prompt 則是每輪對話中用戶的即時輸入，是動態變化的部分。一個好的 AI 產品設計，是用精心設計的 system prompt 建立穩定的行為框架，讓 user prompt 的隨機性被框架所約束。
結構化輸出：讓 AI 說人話也說機器話
當你的 LLM 輸出要被程式進一步處理（存入資料庫、呈現在前端、觸發下游 API），你需要讓模型以固定的結構格式輸出。最常見的方法是在 prompt 中明確指定格式：
請分析以下客戶留言，並以 JSON 格式輸出：
- sentiment：正面/負面/中性
- main_issue：客戶的主要問題（一句話）
- urgency：高/中/低
- suggested_action：建議的處理動作
留言內容：「我三天前下的訂單還沒寄出，客服電話一直沒人接，真的很失望。」
好的輸出 prompt 三要素：格式範例（告訴模型輸出長什麼樣）、欄位定義（每個欄位的含義和可能值）、具體資料（避免模型憑空想像）。
應用場景
| 使用場景 | 最適提示策略 | 關鍵 Prompt 技巧 | 效果說明 |
|---|---|---|---|
| 客服投訴分類自動化 | Few-shot + 結構化輸出 | 提供 5-10 個分類範例，要求 JSON 輸出 | 分類準確率提升，可直接接資料庫 |
| 法律合約風險審閱 | 角色提示 + CoT | 指定「資深合約律師」角色，要求逐條分析後給結論 | 風險遺漏率降低，推理過程可追蹤 |
| 產品文案批量生成 | Few-shot + 限制字數 | 提供 3 個品牌風格範例，限定字數和關鍵詞 | 風格一致性大幅提升 |
| 複雜財務計算解析 | CoT（逐步思考） | 明確要求「每個計算步驟都要寫出」 | 數值錯誤率降低，計算過程可查驗 |
| 多語言客服標準化 | System Prompt 語言設定 | 在 system prompt 設定語言規則和術語表 | 各語言版本術語統一，品牌語氣一致 |
常見誤區
誤區一：Prompt 越長越好
許多初學者以為 prompt 越詳細越好，於是堆了幾千字的指令。但 LLM 的注意力是有限的：過長的 prompt 中，真正關鍵的指令可能被稀釋，模型反而可能忽略某些重要要求。好的 prompt 追求的是精準而不是詳盡——把最重要的限制放在開頭或結尾（注意力機制對序列兩端敏感），把模棱兩可的說法改成明確的約束。與其寫「請寫一篇好的文章」，不如寫「請寫一篇 500 字、適合高中生閱讀的科普文章，使用日常生活比喻，避免專業術語」。
誤區二：好的 Prompt 可以讓 AI 什麼都做到
Prompt Engineering 能大幅提升輸出品質，但無法突破模型本身的能力邊界。如果底層模型沒有受過充分訓練的特定領域知識，再好的 prompt 也難以讓它生成高品質的專業輸出。例如，要求一個沒有充分訓練台灣法規資料的 LLM 提供精確的台灣稅法建議，prompt 再怎麼設計都可能出錯。這時候需要的是 RAG（提供外部知識）或微調（注入領域知識），而不是更精巧的 prompt。
誤區三：Prompt 一次寫好就永遠有效
LLM 的輸出具有隨機性（sampling temperature），而且不同版本的模型、不同時間的 API 調用，行為可能有細微差異。在生產環境中部署 Prompt，需要建立系統性的Prompt 測試集（一組標準問題和期望輸出），每次更新 prompt 或模型版本時都跑一遍測試，確認品質沒有退化。把 prompt 當成程式碼一樣進行版本控管（寫入 git repo），記錄每次修改的原因和效果，是成熟 AI 產品工程的必要實踐。
小練習
練習一：改寫模糊的 Prompt
以下是一個品質很差的 Prompt，請根據 Prompt Engineering 的原則，把它改寫成一個更有效的版本：
原始 Prompt（差版）： 「幫我寫一個行銷文案。」
請依照以下結構改寫：
- 角色設定（誰在說話？）
- 任務定義（要做什麼？）
- 受眾定義（給誰看？）
- 格式與字數限制
- 語氣與限制條件
點擊查看參考答案
練習一：改寫 Prompt 參考答案
**改寫後的 Prompt（好版）**： ``` 你是一位專精 B2C 電商的資深行銷文案撰寫人，擅長為台灣年輕消費者（25-35 歲，都會區， 習慣網購）撰寫有說服力的短文案。 請為以下產品撰寫一則社群媒體（Instagram 限時動態）廣告文案： 產品：100% 天然蜂蜜礦物洗顏慕斯，主打「溫和不刺激、洗後不緊繃」。 售價：NT$450 / 150ml。 現在有首購優惠：加購第二件打七折。 要求： - 字數：80-120 字（繁體中文） - 語氣：輕鬆有趣，帶有一點台灣年輕人的口語感，但不要過度俚語 - 必須包含：一個感官形容詞描述使用感受、首購優惠資訊、至少一個 emoji - 不要使用「最好」「第一」等最高級聲稱 - 結尾加上行動呼籲（CTA） ``` **為什麼這樣寫更好**： | 改進點 | 原版問題 | 改版如何解決 | |--------|---------|------------| | 角色設定 | 無 | 指定「B2C 電商資深文案」，激活相關知識框架 | | 受眾定義 | 無 | 明確指定年齡層、地區、行為特徵 | | 產品資訊 | 無 | 提供完整產品資料，模型不需要猜 | | 格式限制 | 無 | 指定字數、平台、語氣 | | 禁止項 | 無 | 明確說明不要出現的內容，避免合規風險 |練習二：Chain-of-Thought 實戰
以下是一個業務判斷問題，請先寫出「沒有 CoT 的 Prompt」，再寫出「有 CoT 的 Prompt」，並解釋為什麼後者能得到更可靠的答案：
情境：你是台灣一家中型製造商的業務主管，有一個客戶說「你們的報價比競爭對手貴 15%，如果不降價我就不下單」。你希望 AI 幫你分析是否應該降價，以及如何回應。