Prompt Engineering
What？
Prompt Engineering 是一種使用自然語言提示（prompt）來引導大型語言模型（如 GPT）執行特定任務的方法，不需或只需極少的微調。 換句話說，它是讓模型「用你提供的輸入方式學會解題」，而不是重訓模型本身。
輸入：請將以下英文翻成中文：I love AI. 輸出：我愛人工智慧
Who？
- 開發者與資料科學家：設計提示用於分類、生成、問答等任務
- 非工程背景用戶：透過提示介面（如 ChatGPT）操作模型
- 企業/組織：用 Prompt Engineering 設計工作流程，如客服、摘要、自動回信
When？
- 概念萌芽：早在 GPT-2（2019）時期就有簡單使用
- 真正普及：從 GPT-3 發表（2020）後，由於其強大「少樣本學習」能力而廣為人知
- 成熟應用期：2022–2025 年，Prompt Engineering 成為熱門工作技能
Where？
- 文字生成工具：如 Notion AI、ChatGPT、Jasper
- Retrieval-Augmented Generation 系統：提示用於引導語言模型讀取外部知識
- 自動標註：用 prompt 產生資料以節省人工成本
- 內部流程自動化：如填表、轉換格式、資料彙整
Why？
- 快速實驗：無須微調模型，馬上能嘗試想法
- 降低技術門檻：非專業程式人員也能與模型互動
- 擴展能力：一個模型能藉由不同提示執行成千上萬種任務
- 節省資源：避免高成本微調與部署多個模型
How？
- 撰寫提示：例如「請將以下資料轉成 JSON 格式」
- 送入模型：通常是大型語言模型，如 GPT、Claude、Gemini
- 模型推理與生成：模型根據提示與上下文產生對應輸出
- 迭代調整：根據回應修改提示以獲得更精準結果
補充說明
| 類型 | 說明 | 範例 |
|---|---|---|
| Zero-shot | 無提供範例 | 「請翻譯成英文」 |
| Few-shot | 提供少量範例 | 「A 是什麼？B 是什麼？→ C 是？」 |
| Chain-of-thought | 加上推理步驟 | 「讓我們一步步思考這個問題…」 |