🔧 阿川の電商水電行

Shopify 顧問、維護與客製化

💡

小任務 / 單次支援方案

單次處理 Shopify 修正／微調

⭐️

維護方案

每月 Shopify 技術支援 + 小修改 + 諮詢

🚀

專案建置

Shopify 功能導入、培訓 + 分階段交付

👉 瞭解詳情 / 免費諮詢

小編精選 - 技術文章翻譯 · 11月17日

及時的工程設計甚至還沒開始呢

1: 魔法字詞的死與科學驗證的黎明

巷間耳語著「提示工程的終結」。
實際上，隨著AI性能的提升，即使不精細研究作文技巧，也能穩定地獲得高品質的輸出。
但是這並不意味著技術的「死亡」。

提示工程終於結束了依賴個人感受的「寫作技術」或「咒語」的『詐騙者與五花八門的無名小卒聚集的可疑時代』，
正逐步進化為更具系統性與可重複性的「情境工程（資訊環境設計）」，
更進一步設計AI的思考過程的「認知提示」（思考函數設計），進入『正當工程的時代』。

Google官方資料揭示的「時代的終結」

其象徵是2025年1月Google公開的技術資料「Prompt Engineering Whitepaper」。

這份資料集合了「角色設定」和「步驟思考」等技術。
實際上，這是一個這些技巧已經變成一般常識的官方宣告。

然而，本質仍然有所不同。

資料後半介紹的「ReAct」或「思維樹（ToT）」（思考連鎖的進化型）的技巧，超越了簡單的提示框架，
從提示工程的黎明期就存在的理論體系，但這些技術以非常誤解的方式廣泛流傳。

「分階段指示」、「分解任務」、「結構化」等似乎抽象而簡單的翻譯提示，許多人可能都曾模糊實踐過，但幾乎實際感受到效果的人不多。
但是，當你解讀原始理論時，會發現其微妙之處有著顯著的差異。

舉個例子，讓我們看一下ReAct (Reason + Act)這一方法。
這一理論的本質並非「隨意行動」，而是：

先整理思考（Reasoning），
依計畫執行（Acting），
觀察所得結果，並作為下一次思考的材料（Observation）

透過這樣的思考與行動的明確循環，將人類的真理應用於AI，以達到更高的效率。

圖片來源

然而，這個「思考和行動的回路」的動態本質被忽略了，只有像是「分解任務」這樣模糊且效果有限的做法被截取並流傳開來。

在學術的基礎上，

「何時進行(When)」
「在哪個領域(Where)」
「用什麼策略(How)」
「為何進行(Why)」

的体系了解缺失，使得只學會了對症療法的提示，卻錯誤地認為自己已經理解了，這正扭曲了這項技術的本質價值。

透過AI這面鏡子，我們日常如何粗略地使用『語言』的現實，正逐漸被科學化揭示，這種觀點呼應了「提示工程已經死亡」的說法，當前正被廣泛討論。

這既是一種對於我們最親近工具的漠視，也是我們「反思」的過程本身。

為何必須寫上「擁有10年經驗的Python工程師」？

這一現實揭示了最著名的「魔法字詞」角色設定的本質。

你是一位〇〇的專家。

許多人都不假思索地寫「你是一位〇〇的專家」。
然而，越是熟練的人越會直覺地感受到僅此不足，無意識中添加了具體性＝情境。

你是一位擁有10年經驗的Python工程師。
請根據你在FastAPI和Uvicorn上開發的經驗回答問題。

這一直覺的巧思，實際上有其科學根據。

【有益的刃】：啟動思考引擎的角色

什麼角色？
如「裁判」、「程式設計師」等，具有客觀明確的思考流程的專業職位。
為何有效？
當指示AI以「專家」的身份行事時，這會促使它自發地有條理地思考（思考連鎖）並顯著提升解決複雜問題的準確率 (arXiv:2308.07702)。
結論：特別有效於需要邏輯分析或專業知識的情況。
添加如「經驗年數」或「使用技術」等可信的細節，可以進一步聚焦思考，提高準確性。

【無益的刃】：僅改變語調的角色

什麼角色？
如「老師」、「母親」等，更著重於一般性的人格或態度的角色。
為何無效？
幾乎無法對客觀任務的性能有所貢獻 (arXiv:2311.10054)。AI會變得更有禮貌，但不會變得更聰明。
結論：不應用於提高答案的質量。
不必要的細節反而會成為阻礙AI思考的干擾因素。

【有害的刃】：破壞思考的角色

什麼角色？
涉及種族、性別、宗教等與個人身份有關的角色。
為何危險？
可能放大網上的扭曲偏見（偏見），使推論性能降低超過70%，造成嚴重的負面影響 (arXiv:2311.04892)。
結論：絕對不應使用。
這是破壞AI邏輯性及再生產有害刻板印象的極其不負責任的行為。

這項技巧的關鍵在於其角色是否具備，

「客觀明確的思考流程」或
只是「主觀的印象」。

例如，以下的角色設定看似在指示專業性，但實際上卻是混淆了AI的選擇，典型的例子如下。

「專業的會議記錄員」
看似具體，但「會議記錄」所需的思考流程隨不同語境全然不同。內部會議需要提煉要點的編輯思考，而正式的國會答辯則需要逐字逐句的紀錄思考。AI無法判斷該以哪種模式運作，最終產生中規中矩的輸出。
「頂尖顧問」「一流商人」
「頂尖」或「一流」是主觀評價，無法給予AI具體的思考軸;結果只是信心十足地羅列毫無內容的商業術語而已。
「溝通的高手」
這也是模糊的。「溝通」的目的（說服、共鳴、傳遞信息等）模糊不清，因此AI無法判斷應發揮何種能力。

這些完全是將「角色」這一名稱的衣裝穿在AI身上，卻未能正確啟動其頭腦中的思考引擎。

歸根究底，我們對於角色扮演的期待並不僅僅是口調的模仿。而是希望將該角色所具備的邏輯思考框架安裝到AI身上，並讓其活用。

AI不會「揣測」你的意圖

到目前為止的討論顯然，人與人之間的對話依賴於大量的「隱性知識」，而與AI的對話則完全不存在這些背景。

與人類對話中，對方可能會「揣測」我們的意圖並給出最佳建議。
但是，AI是一個沒有「揣測」意圖的純資訊處理機器。

在與AI的對話中，總是需要人類主動「揣測」，並將所有必要的信息語言化並提供。

這就是提示工程必須迈向下一階段的必然性。

2: 隱性知識的形式知化：情境工程的時代

「情境工程」這一詞，是自2025年夏季開始，由前特斯拉AI負責人、OpenAI創始成員安德烈·卡爾帕西等全球頂尖專家提出的概念。

AI的新技術不是提示，而是情境工程
 西門·威利森的網誌

我支持「情境工程」這一詞，
因為情境工程才能為下一步提供「恰當情報」的微妙藝術與科學。

其本質在於，重新定義與AI的對話，從「指令（提示）的互動」轉向「資訊環境（情境）的設計」。

觀點	舊有提示工程	情境工程
主要對象	靜態的「字串（String）」	動態的「資訊環境（System）」
目的	手動探索最佳的「咒語」	自動優化以獲得預期輸出的「文脈生成」
方法	感覺、提示集	信息物流、系統設計

這一轉變的背景有兩個巨大技術變化。

情境窗口的爆炸性增長
RAG（從外部資料庫的動態信息檢索）的普及

如今主戰場不再是「如何改進單一的指令」。
而是要建構「最佳文脈」，以作為系統的方式進行高度設計，徹底轉變為此。

「那個，拿過來」AI為何無法理解的理由

人類之間的對話驚人地依賴於情境。
若在餐桌上對家人說「那個，拿過來」，會立即傳達出眼前指向的是醬油瓶。這裡包含了：

共享的物理空間（「餐桌」的場所）
過去的經驗（總是用醬油）
關係性（彼此是家人）

等大量的「隱性前提」。

然而與AI的對話完全缺乏這些前提。
對AI而言，我們的要求始終只是「脫離情境的文本數據」。

為使AI能夠執行任務，需設計並語言化所需的資訊環境。
這就是「情境工程」的核心。

情境的構成要素：為AI設計世界的「七種工具」

優秀的情境工程並不僅僅是寫長的指令。
它是設計AI思考的「初始設定」的行為。
透過意識地語言化和結構化以下「七種工具」，可以引導AI的思考。

要素	說明	具體例子
前提（Premise）	思考的基礎，堅定的基本方針和共識。	「我們公司的品牌形象是『可信賴』和『創新』。」
情境（Situation）	任務產生的直接背景或目前的具體情況。	「競爭對手A公司開始了降價促銷，市場份額正在被搶奪。」
目的（Purpose）	透過這次對話最終想要達成的具體目標。	「想要集思廣益，策劃出三個對抗的活動方案。」
動機（Motive）	為何希望達成該目標的根本理由或意圖。	「短期內提高銷售是目的，但真正的狙擊是提升客戶忠誠度。」
限制（Constraint）	必須遵循的規則、條件、限制。	「預算在500萬以內，遵循法務部的合規指導。」
形式（Format）	預期輸出的具體結構或風格。	「每個方案的目標、方法、預期效果都以要點形式歸納。」
參考（Reference）	應使用的信息來源、數據、範本。	「分析附上的過去成功案例PDF，提取對此次企劃有幫助的要點。」

通過這些要素的組合，我們可以為AI構建出「像放在餐桌上的醬油瓶」這樣的虛擬情境，
從而極大提高任務成功的幾率。

這已經不再是黑客AI的「秘技」。
而是和AI這種「無意志之智」合作的極具邏輯性和可重複性的「合作設計技術」。

RAG（資訊） vs 提示（知識體系）

理解構成情境的兩大因素，RAG和提示之間的本質區別也至關重要。

RAG提供「資訊」。
提示提供「觀點的體系」。

提示的真正價值在於設置LLM的「觀點體系（思考框架）」。

讓我們通過具體的商業分析例子來思考這一區別。
假設要分析某公司A的經營狀況。

案例①：僅提供RAG的情況（僅給大量的魚）

獲取A公司的財報和新聞報導，然後指示AI如下。

請依據以下資料，總結A公司的狀況。

[RAG所獲得的大量文本數據...]

這樣會僅得到「資訊列表」，無法用於決策。

案例②：提供RAG和優秀的提示（教會烹飪魚）

使用相同資訊（RAG），但在提示中指定「思考的型態」。

請依據以下資料，使用**SWOT分析框架**分析A公司的情況。

[RAG所獲得的大量文本數據...]

這樣的指示使得AI從單純的摘要機器轉變為分析工具。
AI會通過「SWOT分析」的視角來篩選和分類資訊，生成如「A公司的優勢是技術力，但劣勢是營銷力」的結構化見解。

RAG提供大量的魚，而優秀的提示則是教會AI如何將魚製成「刺身」、「烤魚」和「燉魚」。

優秀的「思考型態」的缺乏會使得大量的信息無法發揮意義。
這一挑戰超越了情境工程的範疇，引導我們進入設計AI的「思考過程」的下一階段。

3：設計AI的「思考過程」的時代：認知提示

如果情境工程是設計AI所需之輸入（Input）的工程，那麼其前方則是
工程學地處理AI的推理過程（Process），全新的地平在待開展。
這是時代的開端：從「想要什麼（What）」，到「希望如何思考（How）」，即設計AI的思考過程的時代。

情境工程之後的地平

為了教會AI「更好的思考方式」，新的設計方法不斷湧現。
這裡介紹三種代表性的方法。

1. 認知提示（Cognitive Prompting）

― 將人類的思考流程安裝到AI中 ―
- 思考方式：將人類解決問題的思考流程（設置目標、分解問題、資訊過濾等）作為AI的指示（提示）的方法。通過模仿人類的問題解決過程，引導LLM的思考。(論文鏈接)

不良範例 ✗:

請總結這篇文章。

這樣會使得AI的判斷完全隨機。

良好範例 ✓（認知提示）:

目的：文章的總結  
因此，請順序執行以下思考流程。

1. **確定主張：** 將這篇文章最核心的主張（結論）提煉成一行。  
2. **分解根據：** 按重要性列出支持上述主張的三個主要根據。  
3. **整合和總結：** 最後使用步驟1和步驟2的結果，將整體總結為300字以內。

【效果】
透過強制AI遵循「主張→根據→整合」的編輯者思考流程，而不是隨意地進行摘要，能顯著提高輸出的質量與一致性。

2. 後設認知提示（Metacognitive Prompting）

― 使AI「自我反省」而變得聰明 ―
- 思考方式：讓AI自身評估「自己的思考過程是否合適？」並給予自我修正的機會，以促進更可靠的推論。(解說鏈接)

不良範例 ✗:

請想出一份新的能量飲料的行銷計畫。

這樣可能會產生不切實際或考量不足的計畫。

良好範例 ✓（後設認知提示）:

首先，請為新的能量飲料提出**草案**的行銷計畫。  
接著，作為自己最嚴厲的評論者，從以下三個角度**自我評價**該草案。  
- 前提是否正確？  
- 是否真正能打動目標群體？  
- 在預算內是否可行？

最後，根據該自我評價，提出改善過的**最終版**草案。

【效果】
通過將「自我反省回路」嵌入提示中，可以引導AI補強先前答案的弱點，誘發出更健全及現實的輸出。

3. 系統框架（Systematic Frameworks）

― 將提示結構化為「設計圖」―
- 思考方式：按照「角色」、「目的」、「約束」、「例外處理」等組成要素，系統性地設計提示，消除指示的含糊性，並提高回應的穩定性和可重現性。5C框架(arXiv:2507.07045)等方法為人所知。

不良範例 ✗:

請撰寫我們新服務的部落格文章。目標是年輕人，請用親切的語氣。

這樣會使得解釋的方式隨著負責人不同而變化，從而無法穩定質量。

良好範例 ✓（系統框架）:

請根據以下框架撰寫部落格文章。

- **角色（Role）：** 面向年輕人的科技媒體內容撰寫者  
- **目的（Objective）：** 提高新服務X的知名度並引導至預註冊網站  
- **目標（Target）：** 年齡在18至24歲的學生，尤其是喜歡小工具者  
- **約束（Constraint）：** 避免專業術語。字數限制在800字以內。  
- **例外處理（Exception）：** 不要直接提及競爭對手的產品名稱。  
- **內文格式（Format）：** 以Markdown格式撰寫。在文章結尾務必設置預註冊的鏈接。

【效果】
無論是誰執行提示，均能保持輸出質量的一致性。指示的漏失會減少，帶來團隊協作的AI應用及業務流程的自動化時將發揮巨大的效果。