提示工程 Prompt Engineering 入門：寫出好提示的 5 個原則
提示工程（Prompt Engineering）是與 AI 溝通的核心技術。本文以白話介紹 5 大原則：角色設定、脈絡補充、範例引導、指定輸出格式、逐步拆解，附壞提示 vs 好提示對照表、few-shot 與 CoT 技巧說明，幫助你立刻寫出高品質提示，在 iPAS AI 應用規劃師考試中也能精準作答。
提示工程（Prompt Engineering）聽起來很技術，但核心就是一件事：怎麼跟 AI 說話，才能得到你真正想要的答案。 不管你是工程師、產品經理，還是準備考 iPAS AI 應用規劃師，掌握這門技能都能讓你的 AI 工作效率翻倍。
什麼是提示工程？
提示（Prompt）就是你輸入給 AI 的那段文字。提示工程則是「設計這段文字的方法論」——透過調整措辭、結構、範例，讓大型語言模型（LLM）輸出更準確、更有用的結果。
你可以把 LLM 想成一個非常博學但沒有主見的助手：你問得越清楚，它答得越好；你問得模糊，它就靠猜。
原則一：設定角色（Role）
在提示開頭告訴 AI 它扮演什麼角色，可以大幅收斂回答風格。
- 糟糕：「幫我解釋 RAG」
- 更好：「你是一位資深 AI 架構師，請用白話向剛入門的產品經理解釋 RAG 是什麼」
角色設定讓模型知道「要用什麼語氣、什麼深度」來回答。
原則二：補充脈絡（Context）
AI 不知道你的背景，你必須主動給。
- 糟糕：「這份報告有什麼問題？」
- 更好：「以下是一份給非技術主管看的 AI 專案提案報告，請指出邏輯上的漏洞和可能被質疑的地方」
脈絡包括：對象是誰、場景是什麼、有哪些限制條件。
原則三：給範例（Few-Shot）
直接給 AI 看你想要的「輸入→輸出」範例，比任何說明都有效。這就是所謂的 few-shot prompting。
範例輸入：「蘋果公司 Q3 營收創新高」
範例輸出：{"情緒": "正面", "關鍵詞": ["蘋果", "營收", "創新高"]}
現在請處理：「台積電傳出裁員消息」
一到三個範例通常就夠，太多反而佔用 token 空間。
原則四：指定輸出格式（Output Format）
告訴 AI 你要什麼格式，省去後處理時間。
- 「請用 JSON 格式回答」
- 「請用 Markdown 表格整理」
- 「請條列式，每點不超過 20 字」
格式越明確，可直接使用的機率越高。
原則五：逐步拆解（Chain-of-Thought, CoT）
對複雜推理任務，加一句「請一步一步思考」（Let's think step by step）就能顯著提升準確率。這是 Chain-of-Thought prompting 的核心。
適用情境：數學計算、多步驟邏輯推理、複雜分析。
壞提示 vs 好提示對照表
| 面向 | 壞提示 | 好提示 |
|---|---|---|
| 角色 | 無設定 | 「你是資深法務顧問」 |
| 脈絡 | 「幫我寫信」 | 「寫一封婉拒合作的正式商業信，收件人是供應商」 |
| 格式 | 無指定 | 「請用三段式：開頭、原因、結尾」 |
| 範例 | 無 | 附上 2 個輸入輸出範例 |
| 拆解 | 「直接給答案」 | 「請先列出思考步驟，再給出最終結論」 |
| 限制 | 無 | 「回答不超過 150 字，不使用英文術語」 |
5 個原則採用前後，輸出品質示意
下圖模擬在相同任務下，逐步加入各原則後，輸出品質（主觀評分 1-10）的變化趨勢：
各類提示技巧適用場景
圖表為教學示意，反映各技巧在不同任務類型中的相對適用程度，非實際統計數據。
提示設計流程
Few-Shot 與 CoT 的組合使用
進階技巧是將兩者結合：在範例中直接展示「思考步驟 → 答案」的格式，讓模型學習推理過程。這種方式稱為 Few-Shot CoT，在複雜分類、文件摘要、流程規劃等任務中特別有效。
補充：「Let's think step by step」的出處 原始 CoT 論文為 Wei et al.（2022）《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》，示範透過中間推理步驟提升準確率。「Let's think step by step」 這句觸發語，則是同年 Kojima et al.（2022）在 Zero-Shot CoT 研究中提出的——無需提供範例，只需加一句話即可引發推理鏈。兩篇論文同屬 2022 年，技術上各有源流。
考試重點提示
iPAS AI 應用規劃師考試中，提示工程相關考點包括：
- Zero-shot / Few-shot / Chain-of-Thought 的定義與差異
- 提示安全（Prompt Injection 攻擊防範）
- 提示設計對 LLM 輸出穩定性的影響
掌握這些概念，搭配 免費開始 練習，考試時遇到相關題目就能輕鬆作答。
想進一步了解 LLM 如何處理你的提示？請閱讀 LLM 大型語言模型是什麼？。
參考來源
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. NeurIPS 2022. https://arxiv.org/abs/2201.11903
- Kojima, T. et al. (2022). Large Language Models are Zero-Shot Reasoners. NeurIPS 2022. https://arxiv.org/abs/2205.11916
- Brown, T. et al. (2020). Language Models are Few-Shot Learners (GPT-3). NeurIPS 2020. https://arxiv.org/abs/2005.14165
- Prompt Engineering Guide — Chain-of-Thought Prompting. https://www.promptingguide.ai/techniques/cot
- Lilian Weng (2023). Prompt Engineering. https://lilianweng.github.io/posts/2023-03-15-prompt-engineering/
「各類提示技巧適用場景」圖表為教學示意，非實際統計數據。