Google官方AI提示工程白皮書解析：讓AI聽懂你的命令有方法，學會這7個技巧大模型就不會答非所問

在 AI 模型越來越強大的今天，與其說「你是怎麼問的」不如說「你怎麼設計提示」更關鍵。Google 團隊近日發表一份由 Lee Boonstra 主筆的白皮書《Prompt Engineering》，系統性地介紹如何針對大型語言模型（LLM）設計高效提示，幫助開發者與使用者從 AI 模型中獲得更準確、有條理的回應。

Prompt 工程是什麼？

提示工程是一種設計文字輸入（prompt）的技術，透過設計得宜的語句，引導 AI 模型輸出符合預期的結果。無論你是要它總結一段文字、生成程式碼、翻譯語言、分析情境或分類資料，一個好的 prompt 能讓 AI 表現出色；反之，模糊或無結構的 prompt 往往得到的是雜亂、無用的答案。

核心設定參數：溫度值、Top-K、Top-P、Token 數量

除了提示內容，模型本身的輸出設定也深深影響結果。像是：

Temperature（溫度）：控制隨機性，低值偏向固定輸出，高值則會讓輸出更有創意。
Top-K 與 Top-P（nucleus sampling）：設定模型只從前 K 名或累計機率前 P 的詞彙中挑選下一個 token。
最大 Token 數量：決定輸出的長度。

這些參數若搭配不當，也可能出現模型進入「重複迴圈」產生冗詞的問題。

不過，這些參數設定只有進階使用本地端跑大模型的人才會用的到，對於一般我們習慣直接使用像是ChatGPT、Gemini、Grok等已經由官方幫我們調教好的這些大模型，是沒辦法調整這個參數的。

提示詞技巧實戰：從零樣本到角色扮演

提示詞（Prompt）是與大型語言模型（如 ChatGPT、PaLM 2、Gemini 等）互動的「介面語言」。根據 Google 白皮書的歸類，設計提示詞的策略可分為幾種主要類型，各自對應不同的任務與使用需求。

白皮書歸納多種常見的 prompt 設計方式，包括：

Zero-shot：直接給任務指令，不提供範例。
Few-shot：加入幾個範例，幫助模型模仿。
系統提示（System Prompt）：定義任務目的與結構。
角色提示（Role Prompt）：讓模型扮演特定角色，如導遊、老師。
上下文提示（Contextual Prompt）：提供任務背景資訊。
Chain of Thought：要求模型逐步推理，有助於複雜問題解題。
Step-back Prompting：讓模型先思考相關問題，再回答原始任務。

以下進一步提供範例，方便大家理解。

1. Zero-shot Prompt（零樣本提示）

最直接的方式，單純給指令不加任何範例。

範例：

請將這段英文翻譯為繁體中文：The future of AI is exciting.

2. Few-shot Prompt（少樣本提示）

加入一到兩個範例，提高模型理解任務格式的準確度。

範例：

英文：Good morning.
中文：早安。
英文：How’s the weather today?
中文：

3. System Prompt（任務說明）

告訴模型它的角色與行為範圍。

範例：

你是一位資深 UI 設計師，請針對以下 APP 界面給出使用者體驗改善建議。

4. Role Prompt（角色扮演）

讓 AI 模型「扮演某人」幫助聚焦回答風格。

範例：

假設你是營養師，請為中午要外食的上班族推薦三種高蛋白但不油膩的便當選項。

5. Contextual Prompt（情境式提示）

給背景資訊，讓模型理解任務情境。

範例：

使用者為新手攝影師，請簡單解釋「快門速度」與「感光度」的差異。

6. Chain-of-Thought Prompt（思路鏈）

鼓勵模型一步步推理，適用於邏輯與數理問題。

範例：

問：如果1顆蘋果要15元，我買了4顆，然後用100元付款，找回多少錢？請逐步列出計算過程。

7. Step-back Prompting（反向思考）

請模型先思考要問什麼，幫助拆解複雜任務。

範例：

為了判斷「這家公司是否值得投資」，我們應該先問自己哪幾個問題？請列出三項。

提示詞七大技巧類型對照：何時用、為何用？正反範例解析！

接下來我們進一步用更多的例子，讓你理解各種提示詞技巧的使用場合

1️⃣ Zero-shot Prompt（零樣本提示）

✔ 適用簡單任務 / 快速測試

✅ 正面範例

請翻譯以下英文句子為繁體中文：It is raining today.

模型回應清晰、精確

今天正在下雨。

❌ 負面範例（沒說要翻譯、沒指定語言）

It is raining today.

🔴 模型可能誤解成續寫或評論天氣，不翻譯

Yes, it seems like a gloomy day.

💡 為什麼要加任務指令？
模型無法預測你的意圖，Zero-shot 必須指令明確、具體。

2️⃣ Few-shot Prompt（少樣本提示）

✔ 適用於格式需要模仿、語氣有要求的任務

✅ 正面範例

英文：Good night.
中文：晚安。
英文：Thank you.
中文：

模型正確理解任務，並模仿格式

謝謝你。

❌ 負面範例（無示範）

請翻譯英文：Thank you.

🔴 模型可能使用簡體、英文回答，或亂換格式

Thanks.
感謝（沒有前後對應格式）

💡 為什麼提供範例？
能穩定模型輸出格式與風格，尤其用於自動化批次處理效果最佳。

3️⃣ System Prompt（系統任務說明）

✔ 用來設定模型身份、用途與語氣範疇

✅ 正面範例

你是一位資深科技記者，請撰寫一段正式口吻的新聞導言。

模型語氣嚴謹，風格新聞化

❌ 負面範例（沒設定角色）

幫我寫一段新聞稿。

🔴 模型可能語氣過於輕鬆、像部落格

大家注意啦～新 iPhone 又來了！

💡 為什麼要設定「你是誰」？
角色定位能幫助模型調整語氣、專業度與上下文理解。

4️⃣ Role Prompt（角色扮演）

✔ 適合模擬對話、客服、教學與風格演出任務

✅ 正面範例

請扮演一位有耐心的小學數學老師，向十歲孩子解釋「分數是什麼」。

模型會用簡單語言、有例子、語氣溫和

❌ 負面範例（直接說：解釋分數）

解釋分數。

🔴 模型可能使用過於技術化的術語

分數是兩個整數 a/b 的比值...

💡 為什麼要加入角色？
能影響模型的用詞、邏輯、語調，適用於使用者導引與對話設計。

5️⃣ Contextual Prompt（提供上下文）

✔ 當任務需理解背景，避免模型「自行想像」錯誤場景

✅ 正面範例

背景：你是一名客服，面對一位對送貨延遲不滿的客戶。
任務：請撰寫一段道歉且具建議的回應。

模型能理解立場與語氣，給出具體建議

❌ 負面範例（沒給背景）

幫我寫一段道歉文字。

🔴 模型可能內容空泛、無針對性

很抱歉造成不便，希望您能見諒。

💡 為什麼要提供背景？
模型沒有記憶、不知道任務場景，上下文有助建立任務「狀態」。

6️⃣ Chain-of-Thought（思路鏈提示）

✔ 複雜問題、需要邏輯推理與數學運算時特別有效

✅ 正面範例

請一步步計算：我有 500 元，買了三樣商品，分別是 150、180 和 90 元，還剩多少？

模型會依序列出計算過程與結果

❌ 負面範例（只問最終答案）

我買了這三樣商品後還剩多少錢？

🔴 模型可能算錯，或中途跳步驟

💡 為什麼要要求分步驟？
可以讓模型「慢慢想」，降低算錯、亂猜的機率。

7️⃣ Step-back Prompting（反向拆解提示）

✔ 複雜任務前先引導模型「反問」，強化思考結構

✅ 正面範例

在回答「我該不該離職創業？」之前，請先列出應該考量的五個關鍵問題。

模型會先建立決策框架，再進行判斷

❌ 負面範例（直接問：我該不該離職？）

我該離職嗎？

🔴 模型回應過於簡化或主觀

視情況而定，創業很辛苦。

💡 為什麼要讓模型「先退一步」？
能幫助生成更全面的回應架構、避免一刀切式結論。

技巧類型	建議使用情境	常見錯誤	改寫建議
Zero-shot	快速直白任務	沒說清楚	明確任務語句
Few-shot	格式/語氣穩定	無範例模仿錯	加 1–2 組範例
System	建立角色邏輯	模型亂發揮	定義任務/身份
Role	對話/角色模擬	回應風格錯誤	指定角色語氣
Context	多變任務背景	無背景失焦	補上下文說明
CoT	數學/邏輯題目	一步到位錯誤	要求分步驟
Step-back	決策/諮詢類	結論過快偏頗	先列思考面向