一、學習目標
完成本單元後，你將能夠：
- 解釋 Prompt Engineering 的定義與重要性
- 應用五大核心 Prompt 技巧撰寫高品質指令
- 針對文字、圖像、程式碼三類任務設計進階 Prompt
- 識別常見 Prompt 錯誤並進行修正
- 說明 AI 輸出驗證與人機協作（Human-in-the-Loop）的必要性
二、核心內容
2.1 為什麼 Prompt Engineering 很重要？
生活類比： 你去餐廳點餐，如果只說「我要吃東西」，服務生無從下手；但如果說「我要一份七分熟的牛排、不要醬汁、附沙拉」，廚師才能精準出菜。跟 AI 說話也是一樣——輸入的品質決定輸出的品質。
這個概念業界稱為 Garbage In, Garbage Out（GIGO，垃圾進垃圾出）。AI 語言模型（Large Language Model, LLM）本身能力強大，但它只能根據你給的指令（Prompt）來推斷你的意圖。指令模糊，結果就模糊；指令精確，結果就精確。
| 輸入品質 | AI 行為 | 輸出結果 |
|---|---|---|
| 模糊、缺乏脈絡 | 猜測使用者意圖 | 答非所問、過於通泛 |
| 清晰、有脈絡 | 精準理解任務 | 符合需求、可直接使用 |
| 精確 + 格式要求 | 結構化生成 | 高品質、省去後製時間 |
Prompt Engineering 是一門研究如何設計有效 Prompt 的方法論，目標是讓 AI 穩定產出高品質、符合需求的內容。
2.2 五大核心 Prompt 技巧
技巧一：明確清晰的指令（Clear Instructions）
避免曖昧語句，把你真正要的說清楚。
| 版本 | Prompt 範例 | 問題 |
|---|---|---|
| 差勁 Prompt | 「幫我寫一篇文章」 | 不知道主題、長度、對象、語氣 |
| 好的 Prompt | 「幫我用繁體中文寫一篇 500 字的部落格文章，主題是『如何選購第一台咖啡機』，語氣輕鬆友善，適合咖啡新手閱讀。」 | 主題、字數、語氣、受眾全部指定 |
提升清晰度的四個要素：
- 任務（Task）：你要 AI 做什麼？
- 脈絡（Context）：背景是什麼？
- 格式（Format）：輸出長什麼樣？
- 限制（Constraint）：有什麼不能做？
技巧二：角色扮演提示（Role-Based Prompting）
給 AI 指定一個專業角色，讓它從特定視角回答。
生活類比： 你問一個朋友「這間餐廳怎麼樣？」和問一位米其林評審「這間餐廳怎麼樣？」，得到的回答深度截然不同。
範例：
假設你是一位擁有十年經驗的專業行銷顧問，
請分析以下產品的市場定位並提供三個差異化策略。
產品：[產品描述]| 角色設定 | 適用場景 |
|---|---|
| 「假設你是資深軟體工程師」 | 程式碼審查、技術架構建議 |
| 「假設你是法律顧問」 | 合約條款分析（注意：僅供參考，非法律意見） |
| 「假設你是國中老師」 | 將複雜概念簡化解說 |
| 「假設你是嚴格的編輯」 | 文章校對與改寫 |
技巧三：提供脈絡與背景（Providing Context）
把任務的背景資訊交給 AI，讓它不需要猜測。
範例（行銷文案任務）：
目標讀者是 25-35 歲的科技愛好者，
他們熟悉 3C 產品但預算有限，
傾向在 Instagram 和 YouTube 獲取資訊。
請為我們的新款無線耳機撰寫一段 100 字的廣告文案，
強調性價比與音質。考試提示： 脈絡（Context）包含：目標受眾、使用場景、現有限制、已知資訊。提供越充分的脈絡，AI 的輸出越能命中需求。
技巧四：指定輸出格式（Format Instructions）
告訴 AI 你要的輸出結構，省去手動整理的時間。
| 格式指令 | 效果 |
|---|---|
| 「用 Markdown 格式撰寫，包含標題、子標題和條列清單」 | 輸出可直接貼入文件工具 |
| 「以 JSON 格式輸出，欄位包含 name、price、description」 | 輸出可直接串接程式邏輯 |
| 「請用表格整理，欄位為：優點、缺點、適用情境」 | 結構化比較，易於閱讀 |
| 「分成三段，每段不超過 80 字」 | 控制篇幅，符合版面限制 |
範例：
請用 Markdown 格式整理以下五個城市的旅遊重點，
每個城市包含：最佳季節、必去景點（3 個）、
推薦美食（2 項）、預估每日預算（美金）。技巧五：少樣本學習（Few-Shot Learning）
提供幾個範例，讓 AI 學習你想要的風格或格式。
生活類比： 教新員工工作，與其長篇大論說規則，不如直接給他三份「優秀報告的範例」，他立刻就懂了。
範例（社群文案風格示範）：
請參考以下風格，為我的咖啡廳撰寫三則 Instagram 貼文：
範例一：「早晨的第一口咖啡，是給自己的溫柔問候。
今天也要好好的。 #手沖咖啡 #慢生活」
範例二：「雨天最配一杯拿鐵，
坐在窗邊聽雨聲，整個人都靜下來了。
你今天的咖啡時光是什麼樣的？」
現在請為我撰寫三則類似風格的貼文，
主題是：週末限定的草莓蛋糕。| Prompt 技巧 | 解決的問題 | 關鍵字 |
|---|---|---|
| Clear Instructions | AI 不知道要做什麼 | 任務、字數、語氣 |
| Role-Based Prompting | 輸出缺乏專業深度 | 假設你是… |
| Providing Context | AI 猜錯受眾或場景 | 目標讀者、背景是… |
| Format Instructions | 輸出需要手動整理 | 用 Markdown、JSON、表格 |
| Few-Shot Learning | AI 抓不到你要的風格 | 請參考以下範例 |
2.3 進階應用：三大任務類型的 Prompt 策略
文字生成任務
策略一：先大綱後展開（Outline First, Then Expand）
一次要求 AI 寫完整篇長文，品質往往不穩定。更好的做法是分兩步驟：
步驟一：「請為『AI 在醫療診斷的應用』這個主題
規劃一份包含六個章節的文章大綱。」
步驟二：「請根據大綱的第三章，
撰寫約 400 字的內文，
加入兩個實際案例。」策略二：改寫與風格轉換（Rewriting / Style Change）
「請將以下這段學術論文摘要，
改寫成適合一般大眾閱讀的科普文章語氣，
保留核心資訊但去除專業術語：
[原始文字]」策略三：SEO 優化
「請根據關鍵字『台北咖啡廳推薦』，
撰寫一篇 SEO 友善的部落格文章標題（5 個選項）
和 Meta Description（150 字以內），
自然融入關鍵字，避免關鍵字堆砌。」圖像生成任務（以 Midjourney 為例）
圖像 Prompt 的邏輯與文字不同，需要描述視覺元素而非意圖。
結構公式： 主體 + 場景/環境 + 風格/媒材 + 光線/色調 + 技術參數
| 要素 | 範例 |
|---|---|
| 主體 | A young woman reading a book |
| 場景 | sitting by a rain-streaked window in a cozy café |
| 風格 | in the style of Studio Ghibli animation |
| 光線 | soft warm afternoon light |
| 技術參數 | —ar 16:9 —v 6 —stylize 500 |
完整範例：
A young woman reading a book, sitting by a rain-streaked
window in a cozy café, in the style of Studio Ghibli
animation, soft warm afternoon light, muted earth tones,
detailed background --ar 16:9 --v 6 --stylize 500考試提示：
--ar控制長寬比（aspect ratio），--v指定模型版本，--stylize控制風格化強度。常見比例：--ar 1:1（正方形）、--ar 16:9（橫式）、--ar 9:16（直式/手機）。
程式碼任務
策略一：逐步除錯（Step-by-Step Debugging）
「以下 Python 程式碼執行時出現 IndexError，
請一步一步分析可能的原因，
並說明修正方式：
[貼上程式碼]
錯誤訊息：[貼上錯誤訊息]」策略二：產生測試案例（Test Case Generation）
「請為以下函式撰寫完整的 pytest 單元測試，
涵蓋：正常輸入、邊界值、異常輸入三種情況：
[貼上函式程式碼]」2.4 AI 輸出驗證與人機協作（Human-in-the-Loop）
即使 Prompt 寫得再好，AI 輸出仍可能出現以下問題：
| 問題類型 | 說明 | 驗證方式 |
|---|---|---|
| 幻覺（Hallucination） | AI 捏造不存在的事實、數字、引用 | 交叉比對可信來源 |
| 過時資訊 | 模型訓練截止日之後的資訊不知道 | 確認知識截止日（Knowledge Cutoff） |
| 偏見放大 | 訓練資料的偏見反映在輸出中 | 多角度審視，引入多元觀點 |
| 格式錯誤 | JSON 格式不完整，程式碼語法有誤 | 自動化測試、Lint 工具 |
Human-in-the-Loop（人機協作迴圈） 指的是在 AI 工作流程中保留人工審核節點，確保關鍵決策或高風險輸出都經過人類確認。
生活類比： 自動駕駛汽車可以輔助駕駛，但目前仍需要人類監控路況並隨時接管。AI 生成內容也是同理——AI 是助手，人類是最終負責人。
2.5 常見 Prompt 錯誤與修正
| 常見錯誤 | 錯誤範例 | 修正方式 |
|---|---|---|
| 指令過於模糊 | 「幫我改善這段文字」 | 說明改善方向：「使語氣更正式」或「縮短至 50 字」 |
| 一次要求太多 | 「幫我寫文章、做 SEO、翻譯成英文、再做摘要」 | 拆分成多個獨立 Prompt，逐步完成 |
| 缺乏脈絡 | 「幫我回覆這封 email」但沒附上原信 | 附上所有相關資料（原信、背景、你的立場） |
| 否定式指令 | 「不要太正式」 | 改為正面描述：「語氣輕鬆、像朋友聊天」 |
| 未指定輸出長度 | 未說明字數 | 明確指定：「約 200 字」或「不超過三點」 |
三、關鍵名詞中英對照
| 中文 | 英文 | 說明 |
|---|---|---|
| 提示工程 | Prompt Engineering | 設計有效 AI 指令的方法論 |
| 指令 / 提示詞 | Prompt | 輸入給 AI 的文字指令 |
| 垃圾進垃圾出 | Garbage In, Garbage Out (GIGO) | 輸入品質決定輸出品質 |
| 角色扮演提示 | Role-Based Prompting | 指定 AI 扮演特定角色 |
| 少樣本學習 | Few-Shot Learning | 提供範例讓 AI 學習特定格式或風格 |
| 零樣本學習 | Zero-Shot Learning | 不提供範例直接下指令 |
| 思維鏈提示 | Chain-of-Thought (CoT) Prompting | 要求 AI 逐步推理，提升複雜任務準確度 |
| 幻覺 | Hallucination | AI 生成不符事實的內容 |
| 人機協作迴圈 | Human-in-the-Loop | 在 AI 流程中保留人工審核節點 |
| 知識截止日 | Knowledge Cutoff | 模型訓練資料的最後更新日期 |
| 長寬比 | Aspect Ratio (—ar) | 圖像生成中控制輸出比例的參數 |
四、考試重點提示
重點一：五大技巧的名稱與對應情境 考試常以情境題出現，例如：「某行銷人員希望 AI 模仿特定品牌語氣，應使用哪種技巧？」答案是 Few-Shot Learning（提供該品牌文案範例）。
重點二：Garbage In, Garbage Out 的涵義 強調 Prompt 品質是 AI 輸出品質的根本決定因素，不能依賴 AI「猜出」使用者意圖。
重點三：Hallucination 的定義與因應 AI 幻覺是指模型生成看似合理但不符事實的內容。因應方式是保持 Human-in-the-Loop，並交叉驗證重要資訊。
重點四：Chain-of-Thought（思維鏈）提示 在 Prompt 中加入「請一步一步思考」或「請說明你的推理過程」，可顯著提升 AI 在邏輯推理和數學問題上的準確度。
重點五：圖像 Prompt 的結構 考試可能考到圖像 Prompt 的組成要素：主體、場景、風格、光線、技術參數（如
--ar、--v）。
Q1. 以下哪個 Prompt 最符合「明確清晰指令」的原則？
A. 「幫我寫一篇文章。」 B. 「幫我寫一篇關於 AI 的文章，大概 500 字左右。」 C. 「請用繁體中文，為科技部落格撰寫一篇 500 字文章，主題是『AI 如何改變醫療診斷』，語氣專業但易讀，目標讀者為有基礎科技知識的上班族。」 D. 「請寫一篇 AI 文章，不要太專業。」
Q2. 行銷人員想讓 AI 模仿某個品牌一貫的輕鬆幽默語氣，最適合使用哪種 Prompt 技巧？
A. Role-Based Prompting（角色扮演提示） B. Few-Shot Learning（少樣本學習） C. Format Instructions（格式指令） D. Zero-Shot Learning（零樣本學習）
Q3. 下列哪一項最能描述 AI「幻覺（Hallucination）」？
A. AI 因為運算資源不足而停止回應 B. AI 生成看似合理但內容不符事實的文字 C. AI 無法理解使用者的 Prompt 並要求重新輸入 D. AI 輸出的格式與要求不符
Q4. 使用 Midjourney 生成圖像時，--ar 9:16 這個參數代表什麼？
A. 圖像的風格化強度為 9:16 的比例 B. 使用第 9 版到第 16 版的模型 C. 輸出長寬比為 9:16，適合直式（手機）版面 D. 圖像解析度為 9 百萬乘以 16 百萬像素
Q5. Human-in-the-Loop（人機協作迴圈）最主要的目的是什麼？
A. 讓 AI 自動完成所有工作，人類只負責啟動流程 B. 取代傳統的軟體測試流程 C. 在 AI 工作流程中保留人工審核節點，確保關鍵輸出的品質與正確性 D. 減少企業對 AI 工具的依賴
解答與解析
| 題號 | 答案 | 解析 |
|---|---|---|
| Q1 | C | 選項 C 包含語言、平台、字數、主題、語氣、目標讀者六項明確要素，完全符合清晰指令原則。A 和 B 過於模糊；D 使用否定式描述「不要太專業」，不如正面描述具體語氣。 |
| Q2 | B | Few-Shot Learning 透過提供品牌過去的文案範例，讓 AI 學習並模仿特定風格。Role-Based Prompting 是指定角色（如「假設你是幽默作家」），但無法精確複製品牌特有語氣。 |
| Q3 | B | Hallucination 專指 AI 生成內容看似合理（有邏輯、有格式），但實際上包含錯誤事實、捏造引用或不存在的資料。這是生成式 AI 的已知限制，需人工驗證。 |
| Q4 | C | --ar 是 Aspect Ratio（長寬比）的縮寫。9:16 為垂直比例，常用於手機螢幕或 Instagram Reels 等直式版面。16:9 則為橫式（電視/電腦螢幕）比例。 |
| Q5 | C | Human-in-the-Loop 的核心概念是「保留人工節點」，特別針對高風險或關鍵決策，確保 AI 的幻覺、偏見或錯誤不會直接影響最終結果。AI 是工具，人類是最終責任者。 |