Prompt Engineering 進階技巧

寫好 Prompt 是有效駕馭 Large Language Model 的核心能力。基礎的清晰指令只是起點，本文將介紹經過實務驗證的進階技巧。

Chain-of-Thought（思維鏈）

CoT 要求模型「逐步推理」，特別適合數學、邏輯分析等需要多步驟思考的問題。

問題：一個餐廳有 4 張桌子，每張桌子坐 6 人，現有 30 位客人，還需要加幾張桌子？

請一步一步思考：
1. 目前可容納人數：4 × 6 = 24 人
2. 不足人數：30 - 24 = 6 人
3. 需要加開的桌子：6 ÷ 6 = 1 張
答案：1 張

進階變體 Zero-shot CoT 只需在問題末尾加上「Let's think step by step」，無需提供範例。

Few-shot Learning

在 Prompt 中提供 2-5 個高品質範例，讓模型「模仿」輸出格式。

Self-Consistency

多次採樣同一問題，選擇出現最頻繁的答案。這個方法在 GSM8K 資料集上將準確率從 33% 提升到 74%。

answers = []
for _ in range(10):
    response = llm.generate(prompt, temperature=0.7)
    answers.append(extract_answer(response))
final_answer = mode(answers)

常見誤區

• ❌ 在 Prompt 中加入過多無關資訊
• ❌ 使用模糊的形容詞（「寫得好一點」）
• ✅ 具體說明輸出格式、字數限制、目標受眾
• ✅ 給出負面範例（「請不要包含...」）