跳至主要內容

AI提示詞工程 Prompt Engineering-單元-04-結構化提示（系統提示、角色提示與情境提示）

 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

  1. 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。
  2. 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。
  3. 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求職者的 AI 系統，我們可以將提示詞拆解為三個層次：

【System Prompt（系統規範）】
你是一個專業的求職諮詢系統。請分析使用者的狀況並提供建議。
輸出必須符合以下 JSON 格式：
{
  "summary": "一句話評估",
  "suggestions": ["建議1", "建議2", "建議3"]
}

【Role Prompt（角色人設）】
請扮演一位擁有 15 年矽谷招募經驗、說話直接、語氣專業且具鼓勵性的資深 HR 總監。

【Contextual Prompt（當前情境）】
背景情境：使用者目前擔任前端工程師 3 年，希望在半年內轉職為 AI 應用工程師，但缺乏大型語言模型（LLM）專案經驗。
  • 模型輸出： 
    {
  "summary": "前端經驗是你的優勢，但缺乏 LLM 實務專案是目前的關鍵短板。",
  "suggestions": [
    "利用現有前端技能，結合 Gemini API 開發一個具備 UI 的小型 AI 工具專案。",
    "深入學習 Prompt Engineering 與 RAG（檢索增強生成）的基礎架構。",
    "在 Resume 中突出展示與 AI API 對接的實作經驗，而非僅強調純前端開發。"
  ]
}

❌ 常見錯誤

  1. 把所有需求混在一起成一大段亂麻：沒有區分「系統硬性規則」、「角色語氣」與「背景情境」，導致模型混淆何者是必須嚴格遵守的格式指令，何者只是背景參考。
  2. 角色設定過於空泛：僅寫「你是一個專家」，而未指定具體的語氣風格（如 Direct, Humorous, Persuasive 等）或專業視角，無法發揮 Role Prompting 提升回答質量與特化的效益。
  3. 以為角色設定能替代背景資訊：以為賦予模型「科技顧問」的角色後，它就會自動通曉使用者的特定背景，而忽略了提供動態的 Contextual Prompt。

📖 來源依據

單元內容依據《Prompt Engineering》教材：

  • System, Contextual 與 Role Prompting 概述與差異：第 18–19 頁
  • System Prompting 定義、範例與 JSON 優勢：第 19–21 頁
  • Role Prompting 範例與語氣風格清單：第 21–23 頁
  • Contextual Prompting 定義與範例：第 23–25 頁
  • JSON 結構化輸出降低幻覺：第 21 頁、第 60 頁

📝 3 題理解測驗

第 1 題（單選題） 關於 System Prompting、Role Prompting 與 Contextual Prompting 的主要功能劃分，下列何者描述最為正確？ (A) System Prompting 用於設定角色語氣，Role Prompting 用於提供動態對話背景，Contextual Prompting 用於規定輸出格式。 (B) System Prompting 定義模型的總體目的與系統規範，Role Prompting 設定身份語氣與專業風格，Contextual Prompting 提供當前任務的特定背景。 (C) 三者完全相同，只是不同 AI 廠商對提示詞的叫法不同。 (D) Contextual Prompting 是三者中最不重要的，因為模型會自動抓取使用者所有的背景資訊。

第 2 題（單選題） 根據教材，在 System Prompt 中要求模型將抽取的資料以 JSON 格式 回傳，除了方便程式解析之外，還有什麼關鍵的工程效益？ (A) 可以自動將模型 Temperature 降為 0。 (B) 能強制模型建立輸出結構，從而有效減少「幻覺（Hallucinations）」。 (C) 可以讓模型的回答速度提升 10 倍。 (D) 可以不必設定 Token 長度限制。

第 3 題（應用簡答題） 假設你要設計一個「幫國小生批改英文作文」的 AI 系統。 請分別寫出這個系統的：

  1. System Prompt（至少包含一項格式或系統規則）
  2. Role Prompt（設定身份與語氣風格）
  3. Contextual Prompt（當前批改任務的背景）

測驗答案：（參考）
第1題：B。System Prompting 定義模型的總體目的與系統規範，Role Prompting 設定身份語氣與專業風格，Contextual Prompting 提供當前任務的特定背景。
第2題：B 。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）」。
第3題：
System Prompt（至少包含一項格式或系統規則）：你是一個專業的英文作文批改系統，要批改英文作文，並且打出0~100之間的分數作為成績，也要給出改進建議。輸出格式必須符合下列的CSV或Markdown檔案格式：
學生姓名、班級、學號、成績、建議
Role Prompt（設定身份與語氣風格）：你是一位任教超過十年資歷的英文課程老師。
Contextual Prompt（當前批改任務的背景）：國中二年級學生的平時測驗。

註：

這「學習系列」的文章，是記錄自己與AI一起探索知識的過程，也是我將AI做為私人家教的一項試驗。對於如何藉由Ai輔助自我學習，請參考這篇：
https://blog.udn.com/tku_89056/192561353
https://goldenbird-willy.blogspot.com/2026/09/gemini-notebook-ai.html

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

標籤：

留言

發佈留言

此網誌的熱門文章

GoldenBird_Willy_品牌来信001：从麦肯锡的《中国奢侈品报告2019》可以学到什么？

您好， 先祝愿您和家人健康平安！安全安心度过新冠病毒的疫情时期。 《中国奢侈品报告 2019 》（注1），这份出自全球顶尖商业谘询公司麦肯锡的品牌调查报告，除了内容之外，我提供两个亮点，让您得到更多的益处。 第一、依循《金字塔原理》的写作方式。 做为专业的商业人才，必须具备高效的写作表达技巧，不论是应用在您的策划案、简报制作、甚至社交软件上。 麦肯锡的谘询顾问的解决问题思维、以及报告写作结构，都是以《金字塔原理》为本。例如，您可以看到在《中国奢侈品报告 2019 》中，几乎每一段落的第一句，就写出该段落的结论（重点、或方案），接下来的文字才解释为什么会提出这样的结论。简而言之，就是先讲“所以”，再来讲“因为”，这样的思维和表达方式，是不是与您的习惯很不一样。 强烈建议您购买 《金字塔原理》 这本书！当然，也要提醒您，这本书并不好读，因为它是专业的商业训练教材。您可以先在Google或百度上搜寻这本书的相关介绍和资料，我先附上一篇书评 《世界属于逻辑动物》 给您参考， 这书评认为《金字塔原理》不仅仅是训练一个人的超级沟通能力，更会强化您的超级逻辑能力，作者是美国科特勒营销集团中国区的高级顾问孙路弘，值得您看看。 第二、简洁易懂的图表制作方式。 在《中国奢侈品报告 2019 》的每一个图表，它们的呈现方式和技法，全都值得您模仿。我也 提供给您一个 模板档案 （注2），这个模版出自知名的法国设计公司之手，是提供给创业者用来制作募资策划书、简报 PPT ，您只要登录它的网页，提供您的 E-mail ，就可以顺利下载了。 希望您能够善用它，从今天起尝试用这个模板，仿效《中国奢侈品报告 2019 》，制作更有专业水平的图表及简报。 最后，想要创建坚实的品牌力量，就要准备好，如何和顾客进行有效沟通的厉害本领！ 祝 顺心 Agaruda 2020/4/15  於 Google Blogger
發佈留言
閱讀更多

如何將Gemini Notebook 打造成私人的AI家教

 這兩年，流行將AI 當作自我學習的好伙伴，用它來提升自我成長，或是建立一個專屬的知識管理系統。相關的方法和文章眾多，經由我自己親身的體驗之後，我覺得最簡單有效的，是這兩種方法，分別是MIT 的研究生之法、以及IPAS 自學路之法。 接下來先簡單的介紹這兩種方法，若你想要更完整地瞭解這些方法的內容，請參考附上的資料來源。 最後，根據我自己的體驗，我將說明這兩種方法各自適合的對象。 MIT 研究生之法 （資料來源： https://www.bnext.com.tw/article/90275/notebooklm-mit-student-three-questions） 一名麻省理工學院 (MIT) 研究生使用 Gemini NotebookLM ，然後透過三大關鍵提問，將一個學期的課程內容濃縮至48小時內完成學習，進而通過了該課程的資格考試。 問題一：找出基礎框架 將該課程的6 本教科書、15 篇研究論文、與上課講義逐字稿，上傳Gemini notebook，建立該課程知識庫的筆記本。 然後，向Gemini notebook提問！ 第一個問題是： 「這個領域所有專家共享的 5 個核心心智模型是什麼？」 （What are the 5 core mental models every expert shares?） 這個提問能讓 AI 直接汲取該課程的主要知識框架，建構完整的學術脈絡。 問題二：先找爭論，再找共識 他接著提出第二個問題： 「這個領域的專家在哪 3 個地方存在根本分歧？各方最強的論點是什麼？」 （Now show me the 3 places where experts in this field fundamentally disagree, and what each side's strongest argument is.） 探索哪些問題已有定論、哪些還在爭論中。瞭解在該課程領域內，學術界存在的共識與爭議。 問題三：高強度問答深化理解 接著是第三個問題： 「生成 10 個能區分深度理解與死背知識的問題。」 （Generate 10 questions that would expose whether someone deeply understands this subject versus some...
發佈留言
閱讀更多

點評：郎咸平談現代中國大陸的婚姻危機

最近，有部短影片《郎咸平講實話：婚姻破產四大真相，遠比沒錢殘酷一萬倍》，探討了現代中國大陸的婚姻危機，這個危機的核心，並非單純的經濟貧困或個性不合，而是「整代人生活與承擔能力的斷層」。（原影片： https://www.youtube.com/watch?v=XKGHASXQLCs&t=217s） 郎咸平教授，原是兩岸知名的財經學者，現年七十餘歲，但是老而彌堅，轉戰自媒體，往網紅之路邁進。他的頻道《郎咸平說》，涉及了總體經濟分析、社會事件批判、個人生活感悟，當然還有推銷自己的財經課程。 若把郎教授的頻道當做八卦聽聽，倒也不失為瞭解中國大陸社會的快速通道，尤其在一些熱點話題上，他分析、歸納、以及提出獨特觀點的能力，還是打敗了那些只能合法要飯的自媒體工作者。 以下，是用Ai整理影片的逐字稿，也加上了我的點評。
發佈留言
閱讀更多