生成式人工智慧（Generative AI）正迅速地改變著我們的生活，而大型語言模型就是這項科技革命不可或缺的一部分。
大型語言模型擁有強大的語言處理能力，可以理解和生成各種文字內容，例如撰寫文章、語言翻譯、創作歌曲等等。然而，要讓大語言模型發揮真正的潛力，關鍵在於 Prompt Engineering。
什麼是Prompt Engineering?
提示工程 (Prompt Engineering) 就像是一把魔法棒，它能引導大型語言模型理解你的需求，並生成你想要的結果。
假設，你想要請朋友推薦一家餐廳，你可能會說：「我想吃點好吃的，最好是素食。」 你的描述越清楚，朋友就越能推薦符合你需求的餐廳。
同樣，在與模型交談時，你也要提供清晰明確的指示，才能讓它理解你的意圖，並生成更有用的內容。
大型語言模型的原理
大型語言模型 (Large Language Model) 就像一個博學多聞的語言大師，擁有海量的知識。它透過學習大量的資料，例如書籍、文章、網站等，理解語言之間的關聯性和模式。
舉例來說，如果 LLM 學習了「下雨後街道會變得潮濕」這個句子，它就能推斷出「雨」和「潮濕」之間的關係。當你向 LLM 提出一個問題或請求時，它會根據已學習的語言模式，預測下一個最有可能出現的詞彙，並逐字逐句的生成答案。
想像一下，你輸入一個不完整的句子：「下雨後街道會變得」，它會根據學習到的知識，推斷出「潮濕」這個詞彙的機率最高，因此完成句子為「下雨後街道會變得潮濕」。
LLM 的限制
儘管 LLM 擁有驚人的語言處理能力，但它並非完美無缺。LLM 可能產生「幻覺(Hallucination)」，也就是說，它可能會生成不符合事實的資訊。這是因為它在預測文字時，可能會受到訓練資料中的錯誤資訊影響，或是在沒有足夠資訊的情況下，憑空捏造出一些虛假內容。
因此，在使用 LLM 的過程中，我們需要保持批判性思考，仔細檢視其生成的內容，確認其準確性、客觀性，以及是否符合我們的需求。
如何撰寫有效的Prompt
想要讓 LLM 產生符合你預期的結果，撰寫有效的Prompt至關重要。你需要明確傳達你的需求，讓 LLM 理解你的意圖。以下幾個技巧可以幫助你撰寫更有效的提示。
清晰明確
首先，應明確指示 LLMs 執行的任務，例如使用「總結」、「翻譯」等動詞來引導它。
其次，提供充足的背景資訊，幫助 LLMs 理解你的需求，例如在要求它撰寫產品文案時，應說明目標客群、產品特色等細節。
近一步來說，若想請 LLM 撰寫一篇關於台灣夜市的介紹文章，可以這樣下指令：「請以台灣夜市為主題，撰寫一篇 500 字左右的文章，內容包含歷史發展、特色小吃、文化體驗等面向，並以輕鬆活潑的語氣吸引外國遊客。」
結構化
除了基本原則外，善用指令結構化技巧更能提升 LLMs 的輸出品質。在格式方面，建議明確區分指令與內容，例如使用「###」等符號分隔你的指令。
這種做法尤其適用於較為複雜的指令，能有效避免混淆，提高 LLMs 的處理效率。
一般指令：
幫我寫一封邀請函，邀請王先生參加我們公司在 12 月 1 日舉辦的產品發佈會，地點在台北 101 大樓。
優化後的指令：
### 指令：
請撰寫一封電子郵件，邀請王先生參加產品發佈會。
### 發佈會資訊：
* 時間：2023 年 12 月 1 日，晚上 7 點
* 地點：台北 101 大樓 3 樓宴會廳
* 產品：全新 AI 智能語音助理
### 其他需求：
* 語氣：正式、禮貌
* 內容需包含：產品介紹、活動流程、報名方式
### 電子郵件內容：
（此處留空，讓 LLM 生成）設定輸出格式
想像一下，當你要求 LLMs 整理一份產品清單，卻得到一大段雜亂無章的文字，是不是會讓你眼花撩亂、難以消化？ 格式化指令的目的，就是讓 LLMs 的輸出結果更符合人類的閱讀習慣，提高資訊的可讀性和易用性。
因此我們還必須明確說明你希望 LLM 以什麼樣的格式輸出內容，例如表格、條列式、程式碼等。
範例：
請幫我整理一份關於 Prompt Engineering 的學習資源清單，包含以下資訊：
- 資源名稱
- 資源類型（例如：網站、書籍、課程等）
- 資源連結
- 簡短介紹（不超過 20 字）
- 請將整理好的資訊以表格形式呈現，並使用 Markdown 語法。
思維鏈提示
面對複雜的任務時，直接向 LLMs 下達指令，可能會得到不盡理想的結果。此時，可以運用「思維鏈提示 (Chain of Thought)」，引導 LLMs 將問題拆解成多個步驟，逐步思考並推理，最終得出更合理的答案。
假設我們要為新款運動手錶產品，設計一個能提升品牌知名度的社群媒體行銷活動，我們可能會用以下的指令：
傳統指令：為新款運動手錶產品，設計一個能提升品牌知名度的社群媒體行銷活動。
思維鏈提示 (分次提問)：
- 我們的目標客群是誰？他們的興趣和行為模式為何？
- 如何吸引目標客群的注意？可以利用哪些社群平台和內容形式？
- 如何提升活動的互動率和參與度？
- 如何將活動參與者轉化為潛在客戶？
- 如何評估活動成效？
從多個答案中，篩選最佳解
由於 LLMs 的輸出結果帶有機率性，即使輸入相同的指令，也可能得到不同的答案。為了提高答案的準確度，可以讓 LLMs 生成多個答案，並比較這些答案之間的一致性，從中篩選出最可信的結果。
例如，若想請 LLMs 翻譯一段文字，可以生成三個不同的版本，並比較三個版本之間的差異。如果某個句子在三個版本中都翻譯成相同的意思，則該句子的翻譯較為可靠。反之，如果某個句子在三個版本中翻譯的差異很大，則需要進一步人工修正。
Few-Shot Prompting
少樣本提示 (Few-Shot Prompting) 是一種透過提供數個範例，來引導 LLM 理解你的需求的方法。還記得小時候學習寫作時，老師經常讓我們模仿範文，從中學習寫作技巧和表達方式嗎？Few-shot Prompting 正是借鑑了這種學習方式。
不過在應用 Few-shot Prompting 時，請務必記住以下幾個要素：
- 在提示中明確說明你希望 LLM 執行什麼任務，並提供幾個範例讓它參考。
- 提供的範例應該具備一致性，例如：
- 內容風格一致：提供幾個現有的產品文案，讓 LLM 學習你的寫作風格。
- 格式一致：提供幾個使用表格來呈現數據的範例。
- 不要提供太多範例，以免限制 LLM 的創造力。一般來說，1-5 個範例就足夠。
我們以情感分析為例：
根據下方樣本
- 這家餐廳太棒了！ -> 正面
- 我對他們的炒飯很失望。 -> 負面
- 烏龍麵還可以。 -> 中性
請判斷以下文字的情感是正面、負面還是中性。
『這家餐廳的服務態度很差，食物也不好吃。』
迭代流程
Prompt engineering 就像是一個不斷精進的藝術，需要不斷調整和優化才能達到最佳效果。
你需要不斷修改和調整你的 Prompt，來取得最佳的輸出版本。以下分享幾個步驟，幫助你進行迭代式提示：
- 首先，根據你的需求撰寫一個初版，並觀察 LLM 生成的內容。
- 分析 LLM 生成的內容，找出不足之處，例如：
- 內容是否準確？
- 內容是否符合你預期的格式？
- 內容是否缺乏關鍵資訊？
- 根據評估結果，修改你的提示，例如：
- 添加缺失的背景資訊。
- 更精準描述你的需求。
- 更改提示的措辭。
- 提供範例供 LLM 參考。
舉例來說，如果你想讓 LLM 幫你列出五個適合公司團康活動的主題，但 LLM 生成的主題過於普通，缺乏創意。你可以修改提示，加入「主題要具備趣味性和創意性」的描述，並提供一些具體的範例，例如「以電影為主題的活動」、「以運動會為主題的活動」。
透過不斷迭代和優化，你就能逐步提升 Prompt 的品質，讓 LLM 產生更加符合預期且有用的內容。
總結
Prompt Engineering 的應用範疇相當廣泛，幾乎涵蓋了所有需要文字處理的工作場景。它可以用於撰寫電子郵件、報告、行銷文案等，大幅提升內容產出的效率。
此外，LLMs 也能協助總結會議記錄、分析顧客評價、從文件中提取關鍵資訊，甚至翻譯文件、潤飾文稿等等，因此掌握如何撰寫好的 Prompt 成為職場人士必不可少的職能之一。
