.png)
基礎技巧
-
清晰明確的指令：在提示開頭直接給出明確具體的要求，確保模型一眼就能理解任務目標，避免含糊不清的語句。
-
提供必要的上下文：給模型相關的背景資訊或情境說明（如任務目的、目標受眾），讓模型瞭解您 為什麼 要求這項任務，以便產出更貼合需求的回應。
-
詳細說明期望：清楚定義您想要的輸出格式、長度和風格，例如「請以三段話回答」或指定採用正式/幽默的語氣，讓模型確切掌握表達方式。
-
使用範例作為模板：必要時提供範例輸入和對應的理想輸出，藉由示範來引導模型模仿範例的結構與風格，減少模型猜測格式的空間。
-
逐步拆解任務：將複雜指令分成有次序的步驟或清單列出，以條列方式提示模型一步步完成任務，避免一次要求過多導致遺漏。
-
避免模稜兩可：用詞精確且具體，盡量避免「稍微」「適當」等模糊描述。最好能提供明確數據（如「請寫出100字以內的摘要」）來界定要求。
-
正向引導模型：不要僅告訴模型「不能做什麼」，也明確說明該做什麼。例如與其說「不要寫得太學術」，不如改成「請以輕鬆口語的方式解釋」。
-
設定回應角色：在提示中賦予模型一個身份定位（如「你是一位資深醫生」），模型將據此角色調整回答風格，以提供更符合該身份背景的內容。
-
加入必要限制：如果有特定禁忌或範圍，請在提示中說明（例如「回答中不可提及個人隱私」）。明確的規則可幫助模型約束輸出在期望範圍內。
-
選擇合適的模型：使用您能使用到的最新、最強大模型以獲得最佳效果。如果有資源考量，也可選擇對應任務所需規模的模型平衡品質與成本。
進階應用
-
零範例起步：先從零樣本提示開始測試，不提供任何範例，直接讓模型嘗試完成任務，以快速瞭解模型對指令的基本反應。
-
少範例輔助：如零樣本效果不佳，改用少樣本提示提供一兩個示例。透過示範正確輸入輸出對，幫助模型更好地瞭解任務要求。
-
多樣化示例：提供多個範例（例如3～5個），且涵蓋不同情境或類型，使模型從中歸納共通模式。範例越豐富，模型越能穩定產生符合期望的結果。
-
強調輸出格式：在範例中展示您想要的明確格式，例如問答形式、JSON資料等。模型傾向模仿您給的格式範例，因而更精準地產生所需版型的輸出。
-
循序漸進範例：如果可能，先給模型簡單案例再逐步增加難度。透過由淺入深的示範，引導模型逐步掌握任務的複雜度，提升最終表現。
-
鏈式思考提示：針對推理類問題，在指令中加入逐步思考的暗示，例如「讓我們一步步推理並得出答案」。這種Chain-of-Thought技巧鼓勵模型先展開推理過程，再給出結論，提高答案的正確性。
-
要求展示推理：明確請模型先列出推理步驟再提供最終答案。例如：「請列出解題的思考過程，最後再給出答案。」可幫助您了解模型如何得出結論，也有助模型理清思路。
-
零樣本逐步推理：即使不提供範例，也可在問題後加上一句「請逐步分析再回答」。這類提示（如「讓我們仔細一步步思考」）能觸發模型先自行推理，再更正確地回答問題。
-
自我一致性檢驗：讓模型針對同一問題產生多個答案或解法，再進行比對。透過比較多次輸出的共通點，選擇最一致可靠的答案，降低偶然出錯的機率。
-
請模型自我檢查：在提示中加入讓模型檢驗自己的要求，例如「請在給出最終答案前檢查上述推理是否有誤」，鼓勵模型在回答前先確認內容符合要求。
-
多輪對話分步：將複雜任務拆成多輪對話來完成。先讓模型在第一輪產出某部分結果或提問澄清，再在後續輪次逐步深入，減輕單次提示的負擔並提高回答品質。
-
單輪專注單一任務：避免在一條提示中同時要求模型完成過多不同任務。如果需要同時產出多種結果，最好拆成多次詢問，確保每次對話聚焦在單一目標上。
-
內置自我修正：設計提示時融入自我校正步驟，例如：「請先給答案，再檢查有無遺漏或錯誤，最後提供修正後的答案。」讓模型在單次回答中也能進行反思和改進。
-
明確程式碼需求：在請模型產生程式碼時，詳細指明語言、功能需求和限制條件。例如：「以Python撰寫一個函數來排序清單，不允許使用內建排序函式。」提供越明確的技術規範，模型越能產出符合要求的代碼。
-
程式碼片段引導：可以在提示中先給出部分程式碼骨架或關鍵字，例如函式定義開頭、
import語句等。這種領頭提示有助於模型沿著您希望的方向編寫程式，輸出更格式正確且相關的程式碼片段。
創意運用
-
運用比喻故事：讓模型透過講故事或比喻的方式來說明概念，例如「把電腦網絡比作郵局系統來解釋」。這種表達能讓輸出內容更生動有趣，激發模型的創意潛能。
-
一次產出多樣想法：鼓勵模型頭腦風暴，在單次回答中給出多個選項或點子。例如：「請提供五種可能的產品名稱」。透過一次收集多種構想，方便您比較挑選最佳創意。
-
圖像生成細節：在文本提示中詳細描述所需圖像的場景、主體和風格（如「一座被夕陽照映的古老城堡，油畫風格」），給模型明確的繪圖藍圖，可提升生成圖像的質量和吻合度。
-
負面提示關鍵詞：對於圖像創作，除了描述想要的元素，也明確列出不要出現的元素或風格（如「排除黑暗背景」）。這能幫助模型避開不希望的特徵，更精準地呈現理想畫面。
-
保留創作空間：在追求創意時，不要過度約束模型的輸出。適當保持指令的開放性，讓模型有發揮自由，例如不對答案設過多限制，可能收穫意料之外的驚喜創意。
-
協作式續寫：採取接龍方式與模型共同創作內容。您可以先提供一小段開頭，然後請模型續寫後續部分。透過這種互動，模型往往能迸發靈感，補充出豐富的細節或意想不到的轉折。
-
模仿特定風格或人物：要求模型以某個知名人物的口吻或特定文本風格來撰寫內容，例如莎士比亞式的語言風格。模型將嘗試模仿該風格特點，生成帶有鮮明風格烙印的有趣內容。
-
創意挑戰限制：將任務遊戲化，給模型設定特殊的創作限制。例如：「撰寫一段不含任何『E』字母的句子」或要求押特定韻腳。這類挑戰可以激發模型的創造性解題能力。
-
情境模擬：把問題置於虛構或非常規的場景中讓模型解決，藉此發掘新奇的觀點。例如：「假設你現在處於火星殖民地，如何解決糧食短缺問題？」透過改變情境，可誘導模型產出與平常不同的創新解法。
-
多模態創意結合：如果模型支援多種輸入輸出形式，嘗試將文字、圖像等結合來激發靈感。例如先讓模型產生一首詩，再根據詩的意境繪製圖像。靈活運用多模態能力，能拓寬創作的表現力。
最佳實踐
-
補充知識盲區：針對模型訓練資料中可能缺乏的領域，主動在提示中提供相關知識背景或說明，彌補模型的知識不足，避免因資訊缺口產生錯誤或空泛的回答。
-
檢索強化提示：善用檢索增強生成（RAG）策略，在提示中嵌入來自可靠資料源的資訊（如文件片段、數據），或讓模型先查詢知識庫，再依據檢索結果回答，提升內容的真實性和詳實度。
-
系統消息設定：如果所用平台支援，利用系統級提示預先設定AI的角色、語氣和行為守則。這種隱式指令能在對話一開始就確立基調，讓模型在整個交互中遵循一致的風格和規範。
-
定期總結上下文：在長對話或多輪交流中，適時讓模型總結前文重點或由您重申要點。這有助於模型持續掌握核心議題，防止隨著對話進行遺忘早先的重要資訊。
-
注意訊息長度限制：留意模型的上下文長度（context length）上限，避免餵入過長的提示或內容。如果任務需要處理大量文字，考慮分段提問或摘要後再提供，確保模型不會因訊息過長而截斷重要內容。
-
調整隨機度：根據任務性質調整Temperature等參數。需要創意發散時提高Temperature以增加多樣性；重視準確一致時降低Temperature讓輸出更穩定可控。
-
控制回答長度：如果只需要簡明扼要的回答，可在提示中明確要求字數上限或段落數。另外也可透過API參數設定最大輸出長度，避免模型生成冗長的內容。
-
請求精簡回覆：為避免模型出現「好的，我來為您回答…」這類冗語，可以在提示中直接要求直截了當的回覆。例如：「直接給出步驟，不需額外說明」。減少多餘客套，讓內容更精煉聚焦。
-
善用同義轉述：如果模型對某個措辭理解不佳，嘗試換種說法再次提問。使用不同的詞語、句型或提問角度測試，找出模型最能理解且產生理想回答的表述方式。
-
多角度試驗：對同一需求，您可以改變提示的措辭順序、語氣（如命令式或詢問式）甚至加入強調詞，觀察對結果的影響。透過多次實驗比較，找出對模型最有效的提問技巧。
-
將提示當程式調試：像調試程式碼一樣優化您的提示。一次只調整一個變數（如改一個關鍵措辭或增減一條規則）來觀察輸出變化，循序漸進地改良提示，最終得到表現穩定滿意的輸出。
-
評估並持續改進：定期將您的提示在各種不同輸入情境下進行測試，觀察模型表現是否都符合預期。若發現某些情境下結果不理想，分析原因並相應調整提示，以提升提示對各種情況的適用性。
-
考慮替代方案：如果反覆調整提示仍無法得到理想結果，考慮更換模型或進行微調訓練。針對特定任務微調過的模型通常更能精確遵循要求，此時提示可以相對簡化。
-
緊跟最新趨勢：留意生成式AI領域的新進展，持續學習最新的提示技巧和社群經驗。模型在不斷演進，新功能（如工具使用、函數調用等）或他人的成功案例都能為您的提示工程帶來啟發。
-
保持耐心與創意：提示工程需要反覆試驗和調整，請您保持耐心，不斷嘗試新思路。將創意融入提示，勇於實驗各種可能的方法，引導模型朝著您期望的方向發展，最終獲得令人滿意的結果。