GoldenBird Blog = 就是 Willy 的隨手筆記

 如是你正在指導一位 全能演員 上台表演，為了完美的表現出你期待的角色，你至少要給他三種提示： System Prompting（系統提示） ：就像 導演給的「劇組最高公約與演出規範」 。它決定了模型的底層總目標、安全邊界與交件格式（例如：「無論如何，你都必須講中文，且答案最後必須輸出成 JSON 格式」）。 Role Prompting（角色提示） ：就像 給演員的「角色人設與性格劇本」 。它為模型賦予一個具體身份、語氣風格與專業視角（例如：「你是一位說話幽默、風格犀利的資深職涯顧問」）。 Contextual Prompting（情境提示） ：就像 當前場景的「背景道具與即時情報」 。它提供與眼前這場戲直接相關的動態資訊，讓模型能精準貼合當前狀況（例如：「目前的諮詢者是一位工作 3 年、想轉職 AI 的軟體工程師」）。 🎯 核心重點 三者的核心目的與劃分 ： System Prompting ：定義模型的 基本能力與整體目標（The 'big picture'） 。常用於設定輸出結構（如 JSON）、規範安全條款等。 Role Prompting ：賦予模型 特定角色身份（Character / Identity） 。能為輸出注入專業領域視角（Focused expertise）、寫作風格與語氣（Tone & Style，如正式、幽默、啟發性等）。 Contextual Prompting ：提供 即時、具體的任務背景資訊（Immediate & task-specific context） 。能協助模型捕捉微妙差異並精準調整回答內容。 三者的相互重疊與組合（Framework for design） ： 在實際應用中，這三者常有重疊或組合使用（例如：在 System Prompt 中設定角色的同時，一併要求 JSON 輸出格式）。區分三者有助於建立結構清晰、意圖明確的提示詞架構。 System Prompt 要求 JSON 輸出的隱藏優勢 ： 在 System Prompt 中要求以 JSON 等結構化格式輸出，不僅方便後端程式解析，更能 強制模型遵循結構，從而有效降低「幻覺（Hallucinations）」 。 💡 實際例子（打造 AI 職涯顧問） 假設我們要開發一個輔助...

 去年 2025 年初，一位好友知道我從對岸回台，要回南部探望老母，就約著一定要請我吃一頓飯。他是有情有義的好兄弟，我當然要答應赴約。 他所在的城市，是號稱把一顆西瓜推出來，只要披著綠色外套都會選上市長的城市。而他從小到大的成長、學習、工作，主要都在這個城市；在他心中，全世界最棒的城市就是這裡，全世界最好吃的東西也都是來自於這裡。 在飯席中，他很有興趣地問了一個問題：「聽說現在中國的經濟狀況很差，快崩潰了吧？聽說民不聊生呢，老百姓過得很慘啊？」 今年 2026 年中秋節前，家族的一位長輩知道我回台灣了，非常關心我，一定要請我吃一頓飯，特別安排在台北市最有名的台菜餐廳。他說我很久沒有吃正宗的台灣味了，所以要請我到這家餐廳，我內心非常感謝長輩的關懷之情。 在飯席談笑之間，長輩也問了我同樣的問題：「聽說現在中國的經濟狀況很差，快崩潰了吧？老百姓過得也不好？」 他們的色彩都很鮮明，也很關心中國大陸經濟的現況，希望從我口中聽到他們想要的結果。而且他們都是理工科背景，我也不想用一些經濟數據來賣弄學問。 所以，我的回答是： 「台灣經濟的快速成長，大概是從民國 50 幾年的十大建設開始，一直到民國 80 年，頂多延到民國 88年這一段期間，之後台灣經濟也就沒有兩位數的高速成長了，就算沒有停滯，也可以說是成長緩慢了吧。 那請問一下，我們都經歷過台灣的這個時代，台灣的經濟到現在有崩潰嗎？有民不聊生嗎？老百姓有過得很慘而且沒有飯吃嗎？ 再說我們熟悉的日本，它在 1990 年的時候經濟泡沫破滅，從此經濟也是發展停滯，到現在也超過 30 年了。請問現在日本的經濟有崩潰嗎？有民不聊生嗎？老百姓沒有飯吃嗎？ 因為台灣和日本在經濟快速成長的那 20 幾年，至少都累積了一代、兩代甚至三代的財富了。現在每年經濟個位數的成長，頂多讓老百姓想要一夜暴富的機會變少了，甚至沒有了，但還不至於所謂的經濟崩潰或民不聊生，甚至沒飯吃吧？ 現在來看看中國大陸，中國大陸自從 1979 年改革開放，然後經濟飛速成長，每年兩位數的成長率，一直到 2020 年疫情期間，才沒有兩位數的經濟成長率。 所以，大陸經濟的快速成長期也有 30 年，至少也累積了一代、兩代、甚至三代的財富。而且中國大陸的內需市場有 14 億人口，再加上他們的中產階級是全世界人數最多的，保守計算有 1 億 5,000 萬到 ...

 最近網紅「錫蘭」批評台灣「星座國師」的事件，鬧得沸沸揚揚，贊成與反對的意見，在社群媒體上更是彼此針鋒相對。 這也讓我想到很多年以前學習命理時，我曾經問過老師父：「西方的占星術與星座學到底準確度如何？」 這位老師父沒有正面回答我的問題，他只淡淡地跟我說：「占星術與星座學這些東西，是西方人的寶貝，印度人又把它們發揚光大，現在主要是吉普賽人靠這個為生。你想想，這是人家吃飯的傢伙，會這麼輕易地把這些謀生的工具傳授給你一個東方人嗎？」

 如果現在來了一位新實習生幫你處理公文，你如何指示他完成工作？： Zero-shot（零樣本提示） ：就像「 直接交辦任務 」。你只跟他說「請把這封信分類為正面或負面」，不給他任何過去的範本，完全考驗他原本的理解能力。 One-shot（單樣本提示） ：就像「 附上一份範本 」。你給他看過往處理過的 1 個 成功案例，讓他仿照那個格式來填寫。 Few-shot（多樣本提示） ：就像「 附上 3～5 份多樣化的範本 」。你給他看多個不同情境的示範，讓他迅速抓到規則與寫作模式，大幅降低做錯的機率。 🎯 核心重點 Zero-shot Prompting（零樣本提示） ： 最簡單的提示類型， 完全不提供任何示範例子 ，僅給出任務說明或問題。 當 Zero-shot 無法精準引導模型產出符合結構或風格的答案時，就需要升級使用 One-shot 或 Few-shot。 One-shot & Few-shot Prompting（單樣本與多樣本提示） ： One-shot ：提供 1 個 示範範例，讓模型進行模仿。 Few-shot ：提供 多個 示範範例（展現特定模式）。 範例數量的黃金法則 ：通常建議提供 3 到 5 個 高質量的範例（亦可從 6 個開始測試），複雜任務可適度增加，但需注意不要超過模型的 Token 長度限制。 高品質 Few-shot 範例的挑選原則 ： 相關性與高品質 ：範例必須極度精準且撰寫良好，因為模型會忠實模仿，範例中的微小錯誤都會混淆模型。 加入邊界案例（Edge Cases） ：若希望模型能處理罕見或異常的輸入，必須在範例中加入極端或不尋常的案例。 分類任務的過擬合避坑技巧（Mix up the classes） ： 在進行文字分類的 Few-shot 提示時， 必須打散（混合）範例中標籤類別的出現順序 （例如不要全部 Positive 放在前面，Negative 放在後面），避免模型「過度擬合（Overfitting）」，也就是只會死記順序規律，而非學習文本特徵。 💡 實際例子 假設你是公司的客服主管，希望 AI 幫你把 客戶在網站上的留言 ，自動轉成 「問題類別｜優先度」 的輸出格式。 1. Zero-shot（零樣本提示：完全不給範例） 你發...

 如果把 LLM 比喻成一個 「說故事的演講者」 ，那麼提示詞是題目，而模型配置參數（Output Configuration）就是你給這位演講者的 「講話規則按鈕」 ： Output Length（輸出長度限制） ：就像規定演講者的 最大字數限制 。超過字數它就會立刻閉嘴，但這不會自動讓它講得更精簡，除非你寫提示詞要求它「簡短總結」。 Temperature（隨機度/溫度） ：控制演講者要 嚴肅遵守常理 還是 發揮天馬行空的創意 。溫度低（趨近 0）時，它每次只選最安全、機率最高的詞；溫度高時，各種罕見或意想不到的字詞都有機會出現。 Top-K 與 Top-P（候選詞過濾網） ：在決定下一個字前，先把可能性太低或不相關的字詞過濾掉。 Top-K ：只留機率最高的 「前 K 個字」 （例如前 30 個字）。 Top-P ：只留累積機率達到 「P 百分比」 的字群（例如累積機率達 90% 的所有字）。 🎯 核心重點 Output Length（Token 限制） ：限制生成 Token 的上限。生成更多 Token 代表更多運算、更高成本與較慢的響應。 注意 ：縮短限制只會讓模型達到上限時「直接中斷生成」，不會自動讓模型寫作風格變簡練。 Temperature（溫度參數） ： 控制 Token 選擇的隨機程度。 Temperature = 0（Greedy Decoding 貪婪解碼） ：確定性最高，每次都固定挑選機率最高的 Token。適合數學解題、程式碼生成或有唯一標準答案的任務。 Temperature 越高 ：輸出越隨機、多樣化且具創意；極高時所有 Token 的出現機率會趨近相同。 Top-K 與 Top-P Sampling（抽樣過濾） ： Top-K ：限定從機率最高的 前 K 個 Token 中進行抽樣。Top-K = 1 等同於貪婪解碼（Greedy Decoding）。 Top-P（Nucleus Sampling） ：限定從累積機率和達到 P （範圍 0 到 1）的最小 Token 集合中抽樣。 參數之間的相互作用與極端覆蓋現象 ： 在同時提供多個參數時（如 Vertex AI），系統會先用 Top-K 與 Top-P 的篩選條件交集出候選 Token，再根據 Temperatur...

 想像大語言模型（LLM）就像一個 文字接龍預測引擎 。它其實不像人類那樣具有真正的思考或理解能力，而是根據你先前給它的所有文字（Prompt），在訓練過的數據資料中計算並猜測「下一個最可能出現的字詞」，這「下一個最可能出現的字詞」也就是你常聽到的Token。 而 提示詞工程（Prompt Engineering） ，就像是 為這個接龍高手寫一份精準的「遊戲規則與背景提示」 。透過不斷優化你給它的文字結構、說明與設定，引導它一路接出我們想要的正確答案與樣式，而不是亂猜。這是一個需要不斷試驗與調整的 迭代過程 。 🎯 核心重點 LLM 底層運作（預測引擎） ：LLM 本質上是一個 預測引擎（Prediction Engine） 。它接收文字序列作為輸入，根據訓練數據計算機率並預測下一個 Token，接著將新產生的 Token 放到句尾，不斷重複這個過程（自迴歸生成）。 Prompt（提示詞）的本質 ：提示詞是你提供給模型的輸入，目的是建立良好的上文情境，引導模型預測出正確且符合預期的 Token 序列。 提示詞工程的定義 ：設計、優化與評估高質量提示詞的 迭代過程（Iterative process） 。包含挑選合適的模型、優化提示長度、調整寫作風格與結構，以及搭配模型的輸出配置（Configurations）。 人人皆可上手 ：不需要是資料科學家或機器學習工程師，任何人都可以撰寫提示詞。 💡 實際例子 假設你希望 AI 幫你寫一封請求客戶退款的郵件： 隨意提示（非工程化） ： 「幫我寫信給客戶要求退款。」 結果 ：模型可能只接出一句過於簡單、缺乏背景與禮貌的文字，例如 "Please give me a refund." 。 經過提示詞工程設計（優化後） ： 「你是一位客氣且專業的商務代表。請撰寫一封電子郵件給客戶，說明因系統重複扣款，我們需要為其辦理退款，請對方提供銀行帳號。語氣需保持誠懇與專業。」 結果 ：透過設定 角色 與 明確背景 ，模型能精準預測並接龍出一封格式完整、用語得體的正式商務郵件。 ❌ 常見錯誤 以為 LLM 具有人類般的邏輯思考與理解能力 ：LLM 本質上是依據機率來預測下一個 Token，並非像人類一樣擁有真正的認知思考。若輸入情境模糊，它就會依據機率隨機...

 學習教材：《Prompt Engineering》 本書探討了提示工程的核心概念、多種進階技巧、以及最佳實務（use cases）。內容涵蓋如何設定大型語言模型的輸出長度與取樣參數，並且介紹零樣本、少樣本、角色扮演、思維鏈、以及如何結合外部工具的推理與行動等實用策略。此外，本書也示範了如何利用人工智慧來編寫、解釋、翻譯和除錯程式碼。最後，本書提供了多項專業的建議，例如簡化提示設計、優先使用正面指令、利用如JSON的結構化格式、以及落實詳盡的版本記錄與迭代。 本書作者Lee Boonstra是一名人工智慧軟體工程師、技術主管和系統架構師，在谷歌全球首席技術官辦公室（OCTO）、應用創新工廠等擁有10年以上的資歷。 免費下載： https://www.kaggle.com/whitepaper-prompt-engineering 單元-Start-「AI 提示詞工程」整體知識地圖 1. 核心概念 (Core Concepts) LLM 運作機制 ：大語言模型（LLM）本質上是自迴歸的「下一個 Token 預測引擎」。 提示詞工程 (Prompt Engineering) ：透過設計、優化與評估高質量的提示詞，引導 LLM 產生精準輸出的迭代過程。 模型輸出配置 (Output Configuration) ：包含 Output Length（輸出長度限制）以及 Sampling Controls（抽樣控制參數：Temperature、Top-K、Top-P）。 提示技術 (Prompting Techniques) ： 基礎提示 ：Zero-shot、One-shot、Few-shot。 結構提示 ：System Prompting（系統提示）、Role Prompting（角色提示）、Contextual Prompting（情境提示）。 進階推理與代理技術 ：Step-back Prompting（抽象退後）、Chain of Thought (CoT，思維鏈)、Self-consistency（自我一致性）、Tree of Thoughts (ToT，思維樹)、ReAct（推理與行動）。 自動化與程式提示 ：Automatic Prompt Engineering (APE)、Code Prompting（程式碼生成/解釋...

暢銷書《納瓦爾寶典》（The Almanack of Naval Ravikant）的男主角納瓦爾，對於如何培養判斷力，提出三個主要的決策原則，依據網路得來的資訊如下： 1.預設否決 （No-Go） 如果你無法決定，答案就是否定的。 當有人給你一個改變現狀的機會時，預設答案應該是「不」，除非你能清楚說服自己要接受。 2.痛苦優先 （Pain-First） 當兩個選項都差不多，就選短期更痛的那條路。 3.內心平靜 （Inner-Peace） 選那個長遠來看，會讓你更平靜的選項。 只有能通過這三層過濾之後的選擇，才值得你投入資源。 上述的三個原則，與企業倫理的道德決策有異曲同工之妙！ 曾讀到企業倫理的教科書上（時日已久，忘記書名了），對於經營決策符不符合道德倫理？書中給出最簡單的判斷原則。它要管理者做決策時，先回答下面三個問題： 第一、這個決策符不符合公司內部規範與外部法律？ 第二、這個決策的結果會不會只讓少數人得利，卻損害了大多數人？ 第三、未來你敢不敢向家人承認是你做了這個決策？ 毒油事件牽涉的企業經營者和政府官員，他們會如何回答這三個問題呢？