隨著AI進入職場，學習提示工程可說是像Excel、PowerPoint一樣的必備職場技能。
在 AI 模型越來越強大的今天，與其說「你是怎麼問的」不如說「你怎麼設計提示」更關鍵。Google 團隊近日發表一份由 Lee Boonstra 主筆的白皮書《Prompt Engineering》，系統性地介紹如何針對大型語言模型（LLM）設計高效提示，幫助開發者與使用者從 AI 模型中獲得更準確、有條理的回應。
Prompt 工程是什麼？
提示工程是一種設計文字輸入（prompt）的技術，透過設計得宜的語句，引導 AI 模型輸出符合預期的結果。無論你是要它總結一段文字、生成程式碼、翻譯語言、分析情境或分類資料，一個好的 prompt 能讓 AI 表現出色；反之，模糊或無結構的 prompt 往往得到的是雜亂、無用的答案。
核心設定參數：溫度值、Top-K、Top-P、Token 數量
除了提示內容，模型本身的輸出設定也深深影響結果。像是：
這些參數若搭配不當，也可能出現模型進入「重複迴圈」產生冗詞的問題。
不過，這些參數設定只有進階使用本地端跑大模型的人才會用的到，對於一般我們習慣直接使用像是ChatGPT、Gemini、Grok等已經由官方幫我們調教好的這些大模型，是沒辦法調整這個參數的。
提示詞技巧實戰：從零樣本到角色扮演
提示詞（Prompt）是與大型語言模型（如 ChatGPT、PaLM 2、Gemini 等）互動的「介面語言」。根據 Google 白皮書的歸類，設計提示詞的策略可分為幾種主要類型，各自對應不同的任務與使用需求。
白皮書歸納多種常見的 prompt 設計方式，包括：
-
Zero-shot：直接給任務指令，不提供範例。
-
Few-shot：加入幾個範例，幫助模型模仿。
-
系統提示（System Prompt）：定義任務目的與結構。
-
角色提示（Role Prompt）：讓模型扮演特定角色，如導遊、老師。
-
上下文提示（Contextual Prompt）：提供任務背景資訊。
-
Chain of Thought：要求模型逐步推理，有助於複雜問題解題。
-
Step-back Prompting：讓模型先思考相關問題，再回答原始任務。
以下進一步提供範例，方便大家理解。
1. Zero-shot Prompt（零樣本提示）
最直接的方式，單純給指令不加任何範例。
範例：
請將這段英文翻譯為繁體中文：The future of AI is exciting.
2. Few-shot Prompt（少樣本提示）
加入一到兩個範例，提高模型理解任務格式的準確度。
範例：
英文：Good morning.
中文：早安。
英文：How’s the weather today?
中文：
3. System Prompt（任務說明）
告訴模型它的角色與行為範圍。
範例：
你是一位資深 UI 設計師，請針對以下 APP 界面給出使用者體驗改善建議。
4. Role Prompt（角色扮演）
讓 AI 模型「扮演某人」幫助聚焦回答風格。
範例：
假設你是營養師，請為中午要外食的上班族推薦三種高蛋白但不油膩的便當選項。
5. Contextual Prompt（情境式提示）
給背景資訊，讓模型理解任務情境。
範例：
使用者為新手攝影師，請簡單解釋「快門速度」與「感光度」的差異。
6. Chain-of-Thought Prompt（思路鏈）
鼓勵模型一步步推理，適用於邏輯與數理問題。
範例：
問：如果1顆蘋果要15元，我買了4顆，然後用100元付款，找回多少錢？請逐步列出計算過程。
7. Step-back Prompting（反向思考）
請模型先思考要問什麼，幫助拆解複雜任務。
範例：
為了判斷「這家公司是否值得投資」，我們應該先問自己哪幾個問題？請列出三項。
提示詞七大技巧類型對照：何時用、為何用？正反範例解析！
接下來我們進一步用更多的例子，讓你理解各種提示詞技巧的使用場合
1️⃣ Zero-shot Prompt（零樣本提示）
✔ 適用簡單任務 / 快速測試
✅ 正面範例
請翻譯以下英文句子為繁體中文：It is raining today.
模型回應清晰、精確
今天正在下雨。
❌ 負面範例（沒說要翻譯、沒指定語言）
It is raining today.
🔴 模型可能誤解成續寫或評論天氣，不翻譯
Yes, it seems like a gloomy day.
💡 為什麼要加任務指令？
模型無法預測你的意圖，Zero-shot 必須指令明確、具體。
2️⃣ Few-shot Prompt（少樣本提示）
✔ 適用於格式需要模仿、語氣有要求的任務
✅ 正面範例
英文：Good night.
中文：晚安。
英文：Thank you.
中文：
模型正確理解任務，並模仿格式
謝謝你。
❌ 負面範例（無示範）
請翻譯英文：Thank you.
🔴 模型可能使用簡體、英文回答，或亂換格式
Thanks.
感謝（沒有前後對應格式）
💡 為什麼提供範例？
能穩定模型輸出格式與風格，尤其用於自動化批次處理效果最佳。
3️⃣ System Prompt（系統任務說明）
✔ 用來設定模型身份、用途與語氣範疇
✅ 正面範例
你是一位資深科技記者，請撰寫一段正式口吻的新聞導言。
模型語氣嚴謹，風格新聞化
❌ 負面範例（沒設定角色）
幫我寫一段新聞稿。
🔴 模型可能語氣過於輕鬆、像部落格
大家注意啦～新 iPhone 又來了！
💡 為什麼要設定「你是誰」？
角色定位能幫助模型調整語氣、專業度與上下文理解。
4️⃣ Role Prompt（角色扮演）
✔ 適合模擬對話、客服、教學與風格演出任務
✅ 正面範例
請扮演一位有耐心的小學數學老師，向十歲孩子解釋「分數是什麼」。
模型會用簡單語言、有例子、語氣溫和
❌ 負面範例（直接說：解釋分數）
解釋分數。
🔴 模型可能使用過於技術化的術語
分數是兩個整數 a/b 的比值...
💡 為什麼要加入角色？
能影響模型的用詞、邏輯、語調，適用於使用者導引與對話設計。
5️⃣ Contextual Prompt（提供上下文）
✔ 當任務需理解背景，避免模型「自行想像」錯誤場景
✅ 正面範例
背景：你是一名客服，面對一位對送貨延遲不滿的客戶。
任務：請撰寫一段道歉且具建議的回應。
模型能理解立場與語氣，給出具體建議
❌ 負面範例（沒給背景）
幫我寫一段道歉文字。
🔴 模型可能內容空泛、無針對性
很抱歉造成不便，希望您能見諒。
💡 為什麼要提供背景？
模型沒有記憶、不知道任務場景，上下文有助建立任務「狀態」。
6️⃣ Chain-of-Thought（思路鏈提示）
✔ 複雜問題、需要邏輯推理與數學運算時特別有效
✅ 正面範例
請一步步計算：我有 500 元，買了三樣商品，分別是 150、180 和 90 元，還剩多少？
模型會依序列出計算過程與結果
❌ 負面範例（只問最終答案）
我買了這三樣商品後還剩多少錢？
🔴 模型可能算錯，或中途跳步驟
💡 為什麼要要求分步驟？
可以讓模型「慢慢想」，降低算錯、亂猜的機率。
7️⃣ Step-back Prompting（反向拆解提示）
✔ 複雜任務前先引導模型「反問」，強化思考結構
✅ 正面範例
在回答「我該不該離職創業？」之前，請先列出應該考量的五個關鍵問題。
模型會先建立決策框架，再進行判斷
❌ 負面範例（直接問：我該不該離職？）
我該離職嗎？
🔴 模型回應過於簡化或主觀
視情況而定，創業很辛苦。
💡 為什麼要讓模型「先退一步」？
能幫助生成更全面的回應架構、避免一刀切式結論。
| 技巧類型 |
建議使用情境 |
常見錯誤 |
改寫建議 |
| Zero-shot |
快速直白任務 |
沒說清楚 |
明確任務語句 |
| Few-shot |
格式/語氣穩定 |
無範例模仿錯 |
加 1–2 組範例 |
| System |
建立角色邏輯 |
模型亂發揮 |
定義任務/身份 |
| Role |
對話/角色模擬 |
回應風格錯誤 |
指定角色語氣 |
| Context |
多變任務背景 |
無背景失焦 |
補上下文說明 |
| CoT |
數學/邏輯題目 |
一步到位錯誤 |
要求分步驟 |
| Step-back |
決策/諮詢類 |
結論過快偏頗 |
先列思考面向 |
額外補充：指令強化提示詞（Instructional Prompts）
無論以上哪一類型，都可以進一步搭配「明確的結構指令」加強回應品質。
指令強化範例：
-
請以條列式列出
-
控制在 150 字以內
-
請避免重複詞
-
請先給結論，再附理由
讓 AI 成為聽得懂你說話的「助手」
提示詞不是魔法，而是一種「策略對話設計」。透過這些分類與實戰練習，你不只能更高效地引導 AI 工作，還能真正將它變成日常生活與職場上的得力助手。
加入T客邦Facebook粉絲團 
登录
