Prompt Engineering 實戰技巧

Prompt Engineering（提示工程）是一門設計和優化 Prompt 的藝術與科學，旨在讓 LLM 更高效、更準確地完成任務。以下我們將介紹幾個最核心、最實用的技巧，並附上真實案例與商業價值分析。

技巧一：提供清晰的角色、背景與任務 (Role, Context, Task)

這是最基礎也最重要的原則。在下達指令前，先告訴 AI 「你是誰」、「你需要知道什麼」以及「你要做什麼」。這能極大地縮小 AI 的搜尋範圍，讓它聚焦在最相關的知識與技能上。

應用場景：撰寫行銷文案

🤔 不佳的 Prompt

幫我寫個耳機廣告。

🤖 AI 可能的回應

以下是一些耳機廣告的建議：

1. 音質清晰，聆聽美好
2. 舒適佩戴，長時間使用
3. 時尚設計，展現品味
4. 無線連接，自由自在
5. 降噪功能，專注音樂

這些標語可以根據您的具體產品特點進行調整。

🚀 優化的 Prompt

# 角色你是一位資深的文案專家，擅長為高科技產品撰寫富有吸引力且簡潔的標語。 # 背景我們即將推出一款名為 "AuraQuiet" 的主動降噪藍牙耳機。它的主要賣點是： 1. 採用了最新的混合式降噪技術，能隔絕 98% 的環境噪音 2. 電池續航長達 40 小時 3. 耳罩採用記憶泡棉，佩戴極其舒適目標客群是經常需要搭乘大眾運輸的通勤族和需要專心工作的專業人士。 # 任務請為 "AuraQuiet" 耳機撰寫三句廣告標語，每句不超過 15 個字，並分別強調「寧靜」、「長續航」和「舒適感」。

🤖 AI 可能的回應

好的，這是我為 "AuraQuiet" 耳機設計的三句標語：

寧靜

AuraQuiet：關掉世界，只聽你的

長續航

一次充電，整週專注

舒適感

戴上即忘，沉浸其中

💡 分析與商業價值

透過明確的角色、背景、任務 (RCT)設定，AI 能準確地把握文案的風格、產品的優勢和目標受眾的需求，從而創作出高度相關且有效的內容。

不佳 Prompt 的問題分析：

缺乏具體性：「耳機廣告」範圍太廣，AI 不知道要針對什麼特點
沒有產品資訊：AI 無法了解產品的具體優勢和賣點
缺少目標受眾：無法針對特定客群調整文案風格
沒有格式要求：可能產生過長或不適合的文案
缺乏品牌特色：無法突出產品的獨特價值

優化 Prompt 的優勢：

明確角色定位：「資深文案專家」讓 AI 了解需要的專業水準
詳細產品背景：提供具體的技術規格和目標客群
結構化任務：明確要求三句標語，每句強調不同特點
格式標準化：指定字數限制和重點要求
品牌一致性：確保文案與產品定位相符

技巧二：提供範例 (Few-shot Prompting)

當你需要 AI 輸出特定風格或格式的內容時，與其用語言描述，不如直接給它幾個範例。這就是「Few-shot Prompting」。AI 會從你的範例中學習模式，並應用到新的任務上，這在處理結構化數據時尤其強大。

應用場景：整理客戶回饋

🤔 不佳的 Prompt

幫我分類這些客戶回饋。

🤖 AI 可能的回應

我可以幫您分類客戶回饋。請提供具體的回饋內容，我會根據內容進行分類。

常見的分類方式包括：
- 功能問題
- 使用體驗
- 客戶服務
- 產品建議
- 技術支援

請提供您要分類的回饋內容。

🚀 優化的 Prompt

我需要你將客戶回饋進行分類並提取關鍵字。請遵循以下格式： --- **範例1** **回饋：** 「你們的 App 介面很漂亮，但載入速度有點慢，希望能改進。」 **分類：** UI/UX, 效能 **關鍵字：** 介面漂亮, 載入慢 --- **範例2** **回饋：** 「希望能增加一個夜間模式，晚上用太刺眼了。」 **分類：** 功能建議 **關鍵字：** 夜間模式, 刺眼 --- **現在，請處理以下回饋：** **回饋：** 「訂單查詢功能經常出錯，而且客服電話很難打通。」

🤖 AI 可能的回應

分類：功能問題, 客戶服務

關鍵字：訂單查詢出錯, 客服難打通

💡 分析與商業價值

Few-shot Prompting 就像是給 AI 一個迷你版的訓練集。它不需要理解你模糊的描述（例如「請幫我分類」），而是直接從具體範例中歸納出規則，輸出結果既準確又符合格式要求。

不佳 Prompt 的問題分析：

缺乏具體指導：AI 不知道要如何分類和提取關鍵字
沒有格式要求：可能產生不一致的輸出格式
缺少範例參考：無法理解期望的處理方式
分類標準不明：不知道要使用什麼分類標準
效率低下：需要多次溝通才能得到期望結果

優化 Prompt 的優勢：

明確格式要求：提供具體的輸出格式範例
示範處理方式：透過範例展示分類和關鍵字提取方法
一致性保證：確保所有回饋都按相同格式處理
效率提升：一次到位，減少反覆溝通
可擴展性：範例可以重複使用於類似任務

技巧三：要求 AI 思考（Chain of Thought）

對於需要多步驟推理的複雜問題，直接要求答案可能會導致 AI「抄捷徑」而犯錯。一個強大的技巧是要求 AI「一步一步思考」或「解釋你的推理過程」。這會迫使它建立一個清晰的邏輯鏈，從而提高準確率，也讓結果更可信、更易於驗證。

graph TD A[複雜問題] --> B{Chain of Thought Prompt}; B --> C{步驟 1: 分解問題}; C --> D{步驟 2: 解決子問題 A}; D --> E{步驟 3: 解決子問題 B}; E --> F{步驟 4: 綜合結果}; F --> G[最終答案]; subgraph AI 的思考過程 C; D; E; F; end

應用場景：解決邏輯問題

🤔 不佳的 Prompt

一個架子上，蘋果比橘子多 5 個，橘子比香蕉多 3 個。如果香蕉有 8 個，那蘋果有幾個？

🤖 AI 可能的回應

蘋果有 16 個。

🚀 優化的 Prompt

一個架子上，蘋果比橘子多 5 個，橘子比香蕉多 3 個。如果香蕉有 8 個，那蘋果有幾個？請一步一步地列出你的計算過程。

🤖 AI 可能的回應

好的，我們來一步一步計算：

1. 首先，計算橘子的數量

我們知道橘子比香蕉多 3 個
香蕉的數量是 8 個
所以，橘子的數量 = 8 + 3 = 11 個

2. 接著，計算蘋果的數量

我們知道蘋果比橘子多 5 個
剛剛算出橘子的數量是 11 個
所以，蘋果的數量 = 11 + 5 = 16 個

答案：蘋果有 16 個

💡 分析與商業價值

對於第一個 Prompt，AI 可能會直接給出「16」這個答案，但我們無法確定它是否算對了。透過要求「一步一步思考」，我們不僅能得到最終答案，還能驗證其推理過程的正確性。

不佳 Prompt 的問題分析：

無法驗證過程：只給答案，無法確認計算是否正確
缺乏透明度：不知道 AI 是如何得出結論的
錯誤難發現：如果計算錯誤，很難發現問題所在
學習價值低：無法從中學習解題思路
可信度不足：對於複雜問題缺乏說服力

優化 Prompt 的優勢：

過程透明化：可以看到完整的推理步驟
錯誤易發現：每個步驟都可以驗證
學習效果好：可以學習解題思路和方法
可信度提升：有完整的邏輯鏈支撐
適用範圍廣：適用於各種複雜推理問題

互動式 Prompt 實驗區

今日使用: 0/3

每次使用會隨機選擇不同的 AI 模型，包括 Gemini 2.5 Flash、Gemini 2.0 Flash、Gemma 3 27B 等

Prompt Engineering 實戰技巧

技巧一：提供清晰的角色、背景與任務 (Role, Context, Task)

應用場景：撰寫行銷文案

不佳 Prompt 的問題分析：

優化 Prompt 的優勢：

技巧二：提供範例 (Few-shot Prompting)

應用場景：整理客戶回饋

不佳 Prompt 的問題分析：

優化 Prompt 的優勢：

技巧三：要求 AI 思考（Chain of Thought）

應用場景：解決邏輯問題

1. 首先，計算橘子的數量

2. 接著，計算蘋果的數量

不佳 Prompt 的問題分析：

優化 Prompt 的優勢：

互動式 Prompt 實驗區

延伸閱讀