介紹
入職六個月後，我一直在「不知何故」地使用生成式人工智慧。例如，在本科期間，我用樹莓派 4 研究物聯網的加密演算法，當時我只能向 ChatGPT 詢問一些常規問題，例如「跟我講講輕量級加密技術」。雖然我能理解生成式人工智慧模型，但我懷疑自己是否真正充分發揮了它們的潛力。
然後，在我去參加新的畢業生培訓課程的路上，我在新聞應用中收到了關於上述文章的通知：「Google正在為前 10,000 名新會員提供一門免費的「提示要點」課程，這是一門經谷歌認證的課程，旨在學習生成式人工智慧提示！」老實說，我報名參加這門課程是為了獲得谷歌認證的方式
最大的學習①：TCREI框架－提示也是「設計」出來的
與框架的相遇
課程中首先給我留下深刻印象的是「深思熟慮地創造真正優秀的輸入」這句話。
這句話本身就表達了利用生成式人工智慧的心態，並提供了五個步驟作為將其付諸實踐的具體方法。
TCREI 框架的五個步驟
-
任務－明確你想要做什麼
-
上下文（包括必要的上下文）- 提供背景訊息
-
參考文獻—支持訊息
-
評估（評估輸出）－檢查答案的質量
-
迭代——反覆改進
起初，我以為「生成式人工智慧是一個新術語…」但在實際使用後，我意識到它與導師在新研究生培訓中教給我的內容類似。
TCREI 與新畢業生培訓之間的驚人關係
新畢業生培訓的內容和TCREI非常相似：
新畢業生培訓中教授了AI運用的基礎知識！
-
T（任務） =「從結論開始」→明確你想要做什麼
-
C（Context） =“闡明5W1H”→分享背景資訊
-
R（參考文獻） =“提供證據”→提供參考訊息
-
E（評估） =「回顧今天」→評估你與人工智慧互動的收穫
-
I（迭代） =「重複直到你理解」→提問直到你滿意為止
我想，“他們為什麼要教這麼明顯的東西…？”，但我從未想過新畢業生培訓實際上會涵蓋使用人工智慧的基礎知識。
事實上，在與生成式AI互動時，我注意到結構化問題產生的答案品質明顯高於模糊問題。這是因為，就像老闆一樣，資訊越有條理，AI提供的建議就越準確。
使用 TCREI 的範例：選擇加密演算法
之前（粗略提示）：
IoTで使える暗号教えて↓回覆
IoTデバイス向けの暗号について説明します。
IoTデバイスは計算能力やメモリが限られているため、
軽量で効率的な暗号方式が重要です。
## 主要な軽量暗号
対称鍵暗号（ブロック暗号）
- AES-128: 最も広く採用されている標準
- PRESENT: 80/128ビット鍵、極めて小さいハードウェア実装が可能
- CLEFIA: ソニーが開発、AESと同等のセキュリティで高速処理
- SIMON/SPECK: NSAが設計、ハードウェア/ソフトウェア両方で効率的
ストリーム暗号
- ChaCha20: TLSでも採用、ソフトウェア実装で高速
- Grain: 極小ハードウェア実装向け（約1300ゲート）
- Trivium: シンプルな設計で高速
[以下省略...]
→ 一般論しか返せない...After（TCREI適用）：
Task: IoT機器の限られたリソースでもセキュリティ強度を担保できる
軽量暗号アルゴリズムを3つ提案してください
Context:
* デバイス：Raspberry Pi 4（組み込みIoTゲートウェイ）
* 用途：センサーノードからの機密データ暗号化
* リソース制約：
* メモリ使用量：10KB以下
* 消費電力：バッテリー駆動のため2W以下必須
* CPU：ARM Cortex-A72（AES-NIなし）
* セキュリティ要件：128ビット安全性、10年間の暗号強度
References:
<current_issue>
AES-128実装済みだが消費電力が高く（2.8W）バッテリーが1日持たない
</current_issue>
NIST軽量暗号コンペティション採用アルゴリズムを中心に、
実装の複雑さとPythonライブラリの有無も含めて評価してください↓回覆
IoT環境での軽量暗号化要件を踏まえ、以下3つのアルゴリズムを推奨します：
## 1. ASCON (NIST軽量暗号標準化の最終選定)
特徴と利点
- 2023年にNISTが軽量暗号の標準として正式採用
- 認証付き暗号化（AEAD）により暗号化と認証を一体化
- スポンジ構造による実装のシンプルさ
性能指標
- メモリ使用量：約2-4KB（実装により変動）
- 消費電力：AES-128の約40-50%削減
- スループット：ARM Cortex-A72で約200-300 Mbps
Python実装
from pyascon import ascon_encrypt, ascon_decrypt
key = b'16_byte_key_here'
nonce = b'16_bytenonce__'
plaintext = b'sensor_data'
associated_data = b'metadata'
ciphertext = ascon_encrypt(key, nonce, associated_data, plaintext)
## 2. ChaCha20-Poly1305
特徴と利点
- ARMプロセッサでの高効率実装が可能
- ストリーム暗号ベースで低レイテンシ
- TLS 1.3でも採用される信頼性
性能指標
- メモリ使用量：約3-5KB
- 消費電力：AES-NIなしのCPUでAES-128の約30-40%削減
- スループット：ARM環境で特に高速（約400-500 Mbps）
[以下省略...]
→ 具体的な提案と実装方法まで提示！為什麼回應的品質會改變？
透過指定特定的約束，例如“一種可以在物聯網中使用的加密技術，在 Raspberry Pi 4 上，電池供電，功率低於 2W，內存低於 10KB，保持 128 位元安全性 10 年”，AI 現在可以產生實用的答案。
重點： TCREI的後半部（E和I）也很重要！
-
評估：檢查實際規格，看看AI方案是否真的在2W下有效
-
迭代：提出一個附加問題：“你能再降低一點功耗嗎？”
TCREI 帶來的三個變化
顯著改善的三個方面
- 答案的解析度有所提高
“這太抽象了……”→“我明白了，讓我們更深入地探討一下這個部分。”
- 對話變得富有建設性
“那你想說什麼？”→“好的，我們接下來問這個”
- 學習效率快速提升
“我聽了10遍才終於明白”→“2-3次交流後就能抓住精髓”
最大的教訓2：提示鏈－「設計」對話的視角
提示鏈到底是什麼？
直到我在課程中了解到它之前，我並沒有真正考慮過它，但提示鍊是一種分階段分解複雜問題並在先前答案的基礎上進行更深入挖掘的技術。
提示鏈的本質
就像人類一樣，當人工智慧同時收到大量請求時，它就會陷入困境。
漸進式聆聽可讓您在保留背景的同時提供專家的回應。
例如：
-
❌“教我一切有關銷售演示的內容”
-
⭕ “我該先向誰求婚？”→“問題是什麼？”→“解決方案是什麼？”
實際案例：建立教材，教導母校的低年級學生激勵技巧
舉個例子，如果我母校的學生要求我教他們如何使用生成式人工智慧，那麼會發生什麼，所以我使用人工智慧建立了一些材料。
❌ 傳統批量問題：
大学生向けのプロンプト入門資料作って。
わかりやすく全部まとめてください。→ 您可以在任何地方找到相同類型的「ChatGPT 介紹」內容…
⭕ 鍊式方法（一種讓 AI 輕鬆回答的流程）：
4步驟提示鏈實施
首先要說的是：
母校の後輩向けにプロンプト講座の資料を作りたいです。
段階的に情報を伝えるので、各ステップの回答を踏まえて
次の質問に答えてください。
まずStep 1として、対象者の分析から始めます。步驟 1：分析你的受眾
対象者の情報です：
* 対象：情報工学科3年生（プログラミング経験あり）
* 現状：ChatGPTは使うけど「なんとなく」レベル
* 目的：卒論研究でAIを効率的に活用したい
* 時間：30分程度のハンズオン形式
この学生たちが最も知りたいと思う内容を3つ挙げてください→ 人工智慧從學生的角度決定需要什麼
第二步：深入挖掘絆腳石
前の回答を踏まえて、次のステップに進みます。
Step 1で「研究での活用方法」が最重要とわかりました。
理系学生がAIを研究に使う際によくある失敗パターンを5つ、
具体例と共に挙げてください→ 利用先前的背景，提供有關學生具體問題的詳細訊息
步驟 3：提出解決方案
ここまでの分析を基に、解決策を考えます。
Step 2の失敗パターンに対して、TCREIフレームワークで
解決できる方法を整理してください。
特に「すぐ試せる例」を含めて提案してください→ 理論與實務的完美結合
步驟 4：建立文件結構
最後に、これまでの内容を統合します。
Step 1-3の内容を踏まえて、30分程度の
ハンズオン資料の構成を作成してください。→ 實用且循序漸進的學習材料
透過明確地說明您將像這樣“分階段進行”，AI 可以更輕鬆地保持上下文！
透過使用此方法，您可以快速建立讓您的初級同事興奮並思考“這很有用！”的材料，而不是“公司某人的另一次艱難談話...”
身為新畢業的工程師的感悟
學習如何與人工智慧「合作」的重要性
一開始我以為只是「向AI提問」而已，但其實重要的是「設計與AI的對話」。
溝通的本質是一樣的
向上級報告和提示AI本質上是一樣的。
建構和傳達訊息非常重要，這樣其他人才能輕鬆做出判斷和回應。
你在訓練中學到的「電梯遊說」的想法也適用於提示：
-
冗長的解釋❌
-
結構化、簡潔的溝通⭕
了解對方（AI）的特徵將能夠實現更好的溝通。
我從失敗中學到的東西
常見錯誤：一次發送 10 個請求
早期的誤解：
由於我認為它很“高效”，所以我把大量的請求塞進了一個提示中。
問題点：
從人工智慧的角度來看，很難確定優先級，導致答案不完整。
教訓：
人工智慧就像人類一樣：循序漸進、清晰且有條理。
概括
我在 Google Prompting Essentials 課程中學習的 TCREI 框架和提示鏈不僅僅是技巧。
心態的改變改變了一切
我們不應該“與人工智慧互動”，而應該“設計與人工智慧的互動”。
這種觀點的改變使得：
-
可以提出明確的限制
-
循序漸進的方法可以進行深入的討論
-
人工智慧現在可以毫不猶豫地提供實用的、專業的答案。
無論你是工程師、銷售人員，或是其他任何職業，學習如何有效地與AI合作都能顯著提升你的工作效率。即使你只是隨意地提示你的生成式AI，只要將上述提示方法融入到你的生成式AI中，它或許就能給出超出你預期的高品質答案（笑）。
憑證
[Google提示基本憑證]
參考
-
Google 提示基礎課程（Coursera）
-
課程中學習的TCREI框架
原文出處：https://qiita.com/kaichan_dot/items/62514c1a087d80be5b67
1) --- 會變成分隔線（上一行必須是空白）
2) # 會變成一級標題
3) ## 會變成二級標題
4) ### 會變成三級標題
5) **粗體文字**會顯示粗體文字
6) ```當第一行與最後一行會顯示程式碼
7) 請搜尋 Markdown 語法，了解各種格式