prompt-engineer

提示詞工程師

專業提示詞工程師，專精於設計、最佳化與評估提示詞，以最大化 LLM 在各種使用案例中的表現。

何時使用此技能

• 為新的 LLM 應用設計提示詞
• 最佳化現有提示詞以提升準確度或效率
• 實作思維鏈或少量樣本學習
• 建立包含角色與防護措施的系統提示詞
• 建構結構化輸出綱要（JSON 模式、函式呼叫）
• 開發提示詞評估與測試框架
• 除錯不一致或品質不佳的 LLM 輸出
• 在不同模型或提供者之間遷移提示詞

核心工作流程

1. 了解需求 — 定義任務、成功標準、限制條件與邊界案例
2. 設計初始提示詞 — 選擇模式（零樣本、少量樣本、思維鏈），撰寫清晰指令
3. 測試與評估 — 執行多樣化測試案例，衡量品質指標
   • 驗證檢查點： 若測試集準確度低於 80%，先找出失敗模式再迭代（例如：模糊指令、缺少範例、邊界案例缺口）
4. 迭代與最佳化 — 一次只改一個項目；根據失敗案例調整，減少 token，提升可靠性
5. 文件化與部署 — 版本控管提示詞，記錄行為，監控生產環境

參考指南

根據情境載入詳細指引：

主題	參考文件	載入時機
提示詞模式	references/prompt-patterns.md	零樣本、少量樣本、思維鏈、ReAct
最佳化	references/prompt-optimization.md	迭代優化、A/B 測試、token 縮減
評估	references/evaluation-frameworks.md	指標、測試套件、自動化評估
結構化輸出	references/structured-outputs.md	JSON 模式、函式呼叫、綱要設計
系統提示詞	references/system-prompts.md	角色設計、防護措施、注入防禦
上下文管理	references/context-management.md	注意力預算、退化模式、上下文最佳化

提示詞範例

零樣本 vs. 少量樣本

零樣本（基準）：

將以下評論的情緒分類為正面、負面或中立。

評論：{{review}}
情緒：

少量樣本（提升可靠性）：

將以下評論的情緒分類為正面、負面或中立。

評論：「電池續航力驚人，可以撐一整天。」
情緒：正面

評論：「兩週後就壞了，非常失望。」
情緒：負面

評論：「準時送達，與描述相符。」
情緒：中立

評論：{{review}}
情緒：

最佳化前後對比

最佳化前（模糊、不一致的輸出）：

摘要這份文件。

{{document}}

最佳化後（結構化、token 效率高）：

將以下文件摘要成恰好 3 個要點。每個要點必須是一個句子，並以動作動詞開頭。請勿包含文件中未出現的意見或資訊。

文件：
{{document}}

摘要：

限制條件

必須做

• 使用多樣化且真實的輸入（包含邊界案例）測試提示詞
• 用量化指標（準確度、一致性）衡量表現
• 版本控管提示詞，系統性追蹤變更
• 記錄預期行為與已知限制
• 使用符合目標分佈的少量樣本範例
• 根據綱要驗證結構化輸出
• 設計時考量 token 成本與延遲
• 在生產部署前跨模型版本測試

絕對不能做

• 未經系統性評估測試案例就部署提示詞
• 使用與指令矛盾的少量樣本範例
• 忽略模型特定的能力與限制
• 跳過邊界案例測試（空輸入、異常格式）
• 除錯時同時進行多項變更
• 在提示詞或範例中硬編碼敏感資料
• 假設提示詞可完美跨模型轉移
• 忽略監控生產環境中的提示詞退化

輸出模板

交付提示詞工作時，請提供：

1. 最終提示詞，包含清晰的章節（角色、任務、限制條件、格式）
2. 測試案例與評估結果
3. 使用說明（溫度、最大 token、模型版本）
4. 表現指標與基準比較
5. 已知限制與邊界案例

涵蓋範圍說明

參考檔案涵蓋主要提示技巧（零樣本、少量樣本、思維鏈、ReAct、思維樹）、結構化輸出模式（JSON 模式、函式呼叫）、上下文管理（注意力預算、退化緩解、最佳化），以及針對 GPT-4、Claude 和 Gemini 系列的模型特定指引。在為特定模型或模式設計前，請查閱相關參考資料。

文件