跳至主要內容

AI提示詞工程 Prompt Engineering-單元-Start-整體知識地圖

 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/翻譯/除錯）。
  • 工程最佳實踐與文件化：正向指令優先於限制條件、結構化輸入/輸出（JSON / JSON Schema / JSON Repair）、變數使用與實驗模板紀錄。

2. 必要的前置知識 (Prerequisites)

  • LLM 的基本運作原理：理解模型是依據先前 Token 序列來預測下一個 Token 的機率分佈，而非真正具備人類邏輯。
  • 模型抽樣參數的作用：理解 Temperature（控制隨機度）、Top-K（限定機率最高的 K 個詞）與 Top-P（限定累積機率達到 P 的詞集）的基本概念與功能。

3. 各概念之間的關係 (Relationships)

  • 底層機制與配置（LLM 預測機制與抽樣參數）：決定了模型輸出的基礎行為與隨機程度。
  • 提示結構與角色（System / Role / Contextual Prompting）：確立模型的身份、總體目標與當前背景，為輸出設置架構與風格。
  • 範例與引導（Zero / One / Few-shot）：透過示範讓模型模仿特定的輸出樣式或模式。
  • 複雜邏輯與工具擴充（Step-back, CoT, Self-consistency, ToT, ReAct）：當單純提示無法完成複雜任務時，透過拆解步驟、多路探索或結合外部 API 解決複雜問題。
  • 工程營運與最佳實踐（APE, Code/JSON, 文件化紀錄）：將提示詞標準化、結構化與自動化，以利整合進軟體系統中。

4. 容易混淆、矛盾或例外之處 (Commonly Confused Points & Exceptions)

  • 正向指令 vs. 限制條件 (Instructions vs. Constraints)：直覺上常使用「不要做什麼」（限制條件），但研究顯示使用正向「做什麼」（正向指令）效果更好且不易混淆模型。
  • 抽樣參數的極端覆蓋現象：
    • 當 Temperature 設定為 0 時，Top-K 與 Top-P 將變得無關緊要（模型一律選擇機率最高的 Token）。
    • 當 Top-K 設定為 1 時，Temperature 與 Top-P 同樣會失效。
    • 當 Top-P 設定為 0（或極小值）時，Temperature 與 Top-K 亦會失效。
  • 重複循環 Bug (Repetition Loop Bug)：在 Temperature 極低（過度確定性）或極高（過度隨機性）的情況下，模型都可能陷入重複產生相同字詞或句型的循環中。
  • CoT 推理時的 Temperature 設定：一般生成任務在需要創意時可調高 Temperature，但在進行 CoT 推理與解答確定性問題時，教材明確建議應將 Temperature 設為 0。

5. 最值得優先掌握的內容 (Top Priority)

  1. 抽樣參數控制（Temperature, Top-K, Top-P）：這是直接影響生成質量與穩定度的基石。
  2. Few-shot Prompting 與範例選擇：學會提供高質量示範與混合類別。
  3. System Prompting & Role Prompting：明確設定 AI 身份與輸出行為規範。
  4. Chain of Thought (CoT) Prompting：解決邏輯與數學推導問題的最實用技術。
  5. 正向指令與 JSON 結構化輸出/輸入：提升提示詞在實際系統中穩定運行的最佳實踐。

📚 建議學習順序（先基礎 → 再理解 → 最後應用）

階段一：基礎建立（LLM 原理與控制參數）

  • 單元 1：LLM 運作原理與提示詞工程定義
  • 單元 2：LLM 輸出配置（Output Length, Temperature, Top-K, Top-P 的機制與相互作用）

階段二：結構與提示技巧理解（從基礎到高級技巧）

  • 單元 3：基礎提示技術（Zero-shot、One-shot 與 Few-shot Prompting）
  • 單元 4：結構化提示（System Prompting、Role Prompting 與 Contextual Prompting）
  • 單元 5：邏輯推理提示（Step-back Prompting 與 Chain of Thought）
  • 單元 6：多路探索與代理技術（Self-consistency、Tree of Thoughts 與 ReAct）

階段三：實務與高級應用（最佳實踐與自動化）

  • 單元 7：提示詞設計最佳實踐（正向指令、簡潔設計、變數使用）
  • 單元 8：結構化資料處理（JSON 輸出/輸入 Schema 與 JSON Repair 技術）
  • 單元 9：自動化與程式提示（Automatic Prompt Engineering 與 Code Prompting）
  • 單元 10：提示詞實驗營運與文件化紀錄模板

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

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