[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-prompt-engineering-becoming-infrastructure-zh":3,"article-related-prompt-engineering-becoming-infrastructure-zh":28,"series-research-6b0e0e51-acc2-46dc-a376-6b7fc78f7918":76},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":11,"views":25,"created_at":26,"published_at":27,"topic_cluster_id":11},"6b0e0e51-acc2-46dc-a376-6b7fc78f7918","prompt-engineering-becoming-infrastructure-zh","Prompt 工程正在變成基礎設施","\u003Cp>Prompt \u003Ca href=\"\u002Fnews\u002Fopenai-quiet-bets-money-image-zh\">en\u003C\u002Fa>gineering 以前像小技巧。現在不太像了。當一個 prompt 會影響 1 萬名學生、1,000 筆客服回覆，這就不是玩具。這是系統設計。\u003C\u002Fp>\u003Cp>Springer 的新章節，來自 \u003Ca href=\"https:\u002F\u002Flink.springer.com\u002Fbook\u002F10.1007\u002F979-8-8688-2338-1\" target=\"_blank\" rel=\"noopener\">Prompt Engineering for Everyone\u003C\u002Fa>。作者 \u003Ca href=\"https:\u002F\u002Fscholar.google.com\u002Fcitations?user=Q1L5J4QAAAAJ\" target=\"_blank\" rel=\"noopener\">Hamid Tavakoli\u003C\u002Fa> 很直接。他把 prompt engineering 拉到倫理、治理、領域知識這一層。\u003C\u002Fp>\u003Cp>講白了就是，會下指令不夠。你還要知道它會害到誰。這篇章節不是教你多寫幾句漂亮話。它在提醒你，prompt 已經進到正式工作流了。\u003C\u002Fp>\u003Ch2>從小技巧變成職業工作\u003C\u002Fh2>\u003Cp>很多人對 prompt engineering 的印象，還停在 ChatGPT 的幾個範本。像是「請幫我濃縮成 3 點」。這種用法沒錯，但太淺了。Tavakoli 的重點是，prompt 已經是人和模型之間的介面。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1776742218129-fisd.png\" alt=\"Prompt 工程正在變成基礎設施\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>一旦 prompt 會影響別人的結果，它就不是私人捷徑。它變成可被檢查的工作產物。這很像軟體工程。你寫的不是句子而已。你寫的是一段會跑進流程的規則。\u003C\u002Fp>\u003Cp>章節也把 prompt 生態講得很完整。裡面有模型開發者、產品團隊、領域專家、教育者、政策人員，還有終端使用者。這組合很雜，但現實就是這樣。Prompt 不是一個人說了算。\u003C\u002Fp>\u003Cul>\u003Cli>Prompt 已進入教育、醫療、治理、產業流程。\u003C\u002Fli>\u003Cli>Prompt 會影響使用者路徑和決策結果。\u003C\u002Fli>\u003Cli>領域知識和文字技巧一樣重要。\u003C\u002Fli>\u003Cli>Prompt 工作需要版本管理和審核。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>我覺得最後一點最重要。因為一個 prompt 不是貼上去就完事。它可能要像 API 一樣管版本。改一個字，結果就差很多。這不是誇張。這是 LLM 的日常。\u003C\u002Fp>\u003Cp>章節也把 prompt engineer 的定義拉大了。只要你寫的 prompt 會影響別人，你就在做這件事。這定義很煩，但很真實。很多公司現在其實已經有這種人，只是沒掛這個職稱。\u003C\u002Fp>\u003Ch2>倫理問題早就不是假議題\u003C\u002Fh2>\u003Cp>這章對風險寫得很多，而且很合理。因為 prompt 影響的是輸出內容。輸出一旦進入正式流程，就可能出現代表性傷害、知識性傷害、制度性傷害。這些詞聽起來學術，但意思很白話。\u003C\u002Fp>\u003Cp>誰被誤寫、誰被誤導、誰來收拾爛攤子。這些都跟 prompt 有關。尤其在醫療、教育、客服、政府服務這些場景，錯一次不是小事。它可能會留下紀錄，還會被人拿去做下一步判斷。\u003C\u002Fp>\u003Cp>這也是為什麼治理會變重要。當 prompt 進入公共服務或企業服務，它就碰到安全、透明、責任這些要求。你不能只說「模型自己會學」。系統要能追蹤。流程要能審核。\u003C\u002Fp>\u003Cblockquote>“The field of artificial intelligence is moving from a race for capability to a race for responsibility.” — \u003Ca href=\"https:\u002F\u002Fwww.nsf.gov\u002Fnews\u002Fspeeches\u002F2023\u002F0831-margaret-mitchell\" target=\"_blank\" rel=\"noopener\">Margaret Mitchell\u003C\u002Fa>\u003C\u002Fblockquote>\u003Cp>這句話放在這裡很合。\u003Ca href=\"\u002Fnews\u002Fwhy-prompt-standards-matter-for-ai-work-zh\">AI\u003C\u002Fa> 的問題，已經不是能不能做。是你敢不敢交給它做。Prompt engineering 就卡在中間。它決定模型怎麼理解任務，也決定錯誤會往哪裡跑。\u003C\u002Fp>\u003Cp>你可以把它想成 API 文件的親戚。API 文件寫爛，服務會壞。Prompt 寫爛，模型可能還會很有自信地亂答。這種錯最討厭。因為它看起來像對的。\u003C\u002Fp>\u003Ch2>能力地圖比「小抄」有用多了\u003C\u002Fh2>\u003Cp>這章最實用的地方，是它沒有把 prompt engineering 當單一技能。Tavakoli 提出能力地圖。從基礎理解，到溝通表達，再到系統設計，最後進到治理。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1776742227126-jp11.png\" alt=\"Prompt 工程正在變成基礎設施\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>這種分法很像軟體團隊的成熟度模型。新手知道怎麼問問題，和產品負責人設計 10 萬人用的 AI 流程，根本不是同一件事。章節把這件事講清楚，對團隊很有幫助。\u003C\u002Fp>\u003Cp>如果你要拿這篇當內訓素材，我會這樣拆：\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>基礎素養\u003C\u002Fstrong>：懂模型限制、懂 Token、懂 prompt 基本結構。\u003C\u002Fli>\u003Cli>\u003Cstrong>溝通能力\u003C\u002Fstrong>：能把意圖講清楚，也會檢查輸出。\u003C\u002Fli>\u003Cli>\u003Cstrong>系統設計\u003C\u002Fstrong>：把 prompt 放進產品、服務、工作流。\u003C\u002Fli>\u003Cli>\u003Cstrong>治理能力\u003C\u002Fstrong>：定義審核、責任歸屬、風險處理。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這比網路上那種「10 個神奇 prompt」實在太多了。因為企業真正需要的，不是每個人都會魔法。企業需要的是：誰負責、誰審、誰改、誰背鍋。\u003C\u002Fp>\u003Cp>章節還有一個很直白的意思。Prompt engineering 正在變成基礎設施。不是說它像高速公路那麼顯眼。是說它會默默決定資訊怎麼被取用、決策怎麼被框架、AI 怎麼被接進組織。\u003C\u002Fp>\u003Cp>對開發者來說，這很現實。如果你在做 AI 產品，prompt 就該有 owner。要有 review。要有失敗分析。沒有這些，代表你不是沒有流程，是流程還很野。\u003C\u002Fp>\u003Ch2>拿競品和數據來看，差異更明顯\u003C\u002Fh2>\u003Cp>這章不是空談。它的觀點，跟現在主流平台的做法其實很接近。像 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Findex\u002Fintroducing-chatgpt\u002F\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\" target=\"_blank\" rel=\"noopener\">Anthropic\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fai.google\u002Fdiscover\u002Fgemini\u002F\" target=\"_blank\" rel=\"noopener\">Google Gemini\u003C\u002Fa>，都把 prompt 當成產品的一部分，而不是附屬品。\u003C\u002Fp>\u003Cp>你看 \u003Ca href=\"https:\u002F\u002Fdocs.anthropic.com\u002Fen\u002Fdocs\u002Fbuild-with-claude\u002Fprompt-engineering\u002Foverview\" target=\"_blank\" rel=\"noopener\">Anthropic 的 prompt 文件\u003C\u002Fa>，重點是結構、清楚、任務分解。\u003Ca href=\"https:\u002F\u002Fcloud.google.com\u002Fvertex-ai\u002Fgenerative-ai\u002Fdocs\u002Flearn\u002Fprompts\u002Fintroduction\" target=\"_blank\" rel=\"noopener\">Vertex AI 的指南\u003C\u002Fa> 也是把 prompt 放進應用設計。這些都在說同一件事：prompt 不是聊天小抄，是產品層的一部分。\u003C\u002Fp>\u003Cp>如果看治理工具，差距更明顯。\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fopenai\u002Fopenai-cookbook\" target=\"_blank\" rel=\"noopener\">OpenAI Cookbook\u003C\u002Fa> 裡面不只講 prompting，也講 evaluati\u003Ca href=\"\u002Fnews\u002Famazons-ai-push-is-creating-internal-duplication-zh\">on\u003C\u002Fa> 和 tool use。這代表業界已經在往「可重複、可測試、可追蹤」走。不是靠一個人靈感爆發。\u003C\u002Fp>\u003Cul>\u003Cli>OpenAI 偏向產品化與工具串接。\u003C\u002Fli>\u003Cli>Anthropic 偏向結構化提示與安全性。\u003C\u002Fli>\u003Cli>Google Vertex AI 偏向企業應用整合。\u003C\u002Fli>\u003Cli>\u003Ca href=\"https:\u002F\u002Fwww.iso.org\u002Fstandard\u002F81230.html\" target=\"_blank\" rel=\"noopener\">ISO\u002FIEC 42001\u003C\u002Fa> 提供 AI 管理制度框架。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這裡可以看到一個數字化的現實。當一個 prompt 影響 1 次回覆，風險還小。當它影響 1,000 次、1 萬次，問題就變成流程問題。這也是為什麼治理比技巧更值錢。\u003C\u002Fp>\u003Cp>我也想吐槽一下。很多團隊還在收集 prompt 範本，像在收集食譜。可是真正該做的，是建立測試集、記錄版本、定義失敗門檻。沒有這些，prompt 再漂亮都只是 demo。\u003C\u002Fp>\u003Ch2>為什麼台灣團隊現在就該看懂\u003C\u002Fh2>\u003Cp>台灣很多公司已經在用 LLM 做客服、知識庫、內部助理、文件摘要。這些場景看起來不難，但最容易出事。因為它們常常直接接到真實使用者，而且量很大。\u003C\u002Fp>\u003Cp>如果一個 prompt 每天跑 5,000 次，那它就不是個人技巧。它是營運流程。這時候你要問的不是「這句話順不順」。你要問的是「這句話會不會把錯誤放大」。\u003C\u002Fp>\u003Cp>這也牽涉到資料和權責。誰能改 prompt？誰能看 log？誰能回溯錯誤？如果這些答案不清楚，AI 功能上線後就很容易變成黑盒子。這對法遵、資安、客服都很麻煩。\u003C\u002Fp>\u003Cp>再補一個脈絡。現在各家模型都在比上下文長度、工具調用、agent 能力。但越往上走，prompt 的角色反而更像規格書。你要定義任務，也要定義邊界。這不是小事。\u003C\u002Fp>\u003Cp>所以 Tavakoli 這章最有價值的地方，不是教你更會下指令。它是逼你承認一件事。你已經在做系統工作了，只是以前沒把它叫出來。\u003C\u002Fp>\u003Ch2>接下來會怎麼走\u003C\u002Fh2>\u003Cp>我自己的判斷很簡單。接下來 12 到 18 個月，prompt engineering 會更像內部制度，而不是獨立炫技。職稱可能不一定叫 prompt engineer，但責任一定會分散到產品、研發、法遵、營運。\u003C\u002Fp>\u003Cp>如果你的團隊還沒有 prompt owner，現在就該補。至少要有版本紀錄、測試案例、錯誤回報流程。這三個先做起來，會比再找 20 個 prompt 範本有用。\u003C\u002Fp>\u003Cp>最後留一個很實際的問題給你：你們現在用的 AI prompt，能不能說清楚是誰寫的、為什麼這樣寫、出錯怎麼辦？如果答案講不出來，那它還不是基礎設施。它只是還沒爆炸的風險。\u003C\u002Fp>","Springer 新章節指出，Prompt engineering 已不只是寫得巧，而是牽涉倫理、治理與領域知識的系統工作。","link.springer.com","https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F979-8-8688-2338-1_12",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1776742218129-fisd.png","research","zh","c49960e7-31c4-4734-9bc4-5aa5fdeb5b63",[17,18,19,20,21,22,23,24],"prompt engineering","人工智慧治理","LLM","AI 基礎設施","prompt 管理","AI 倫理","Springer","台灣開發者",7,"2026-04-21T00:15:42.239955+00:00","2026-04-21T00:15:42.01+00:00",{"tags":29,"relatedLang":35,"relatedPosts":39},[30,32,34],{"name":17,"slug":31},"prompt-engineering",{"name":19,"slug":33},"llm",{"name":24,"slug":24},{"id":15,"slug":36,"title":37,"language":38},"prompt-engineering-becoming-infrastructure-en","Prompt Engineering Is Becoming Infrastructure","en",[40,46,52,58,64,70],{"id":41,"slug":42,"title":43,"cover_image":44,"image_url":44,"created_at":45,"category":13},"d6f25c66-98f5-4971-8d1d-487fb5fe1881","claude-sonnet-46-sre-benchmark-rootly-zh","Claude Sonnet 4.6 對上 SRE 工作更接近 Opus","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782750780131-xelc.png","2026-06-29T16:32:28.457338+00:00",{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"29321237-6e9a-4271-b9fb-e43e798d5dff","glm-52-beats-claude-semgrep-idor-test-zh","GLM 5.2 在 IDOR 測試贏過 Claude","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782749882713-7i5n.png","2026-06-29T16:17:31.911487+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"5172bfc7-34c8-4477-a177-ffa615497ecf","opd-distillation-skills-without-bruteforce-rl-zh","OPD 讓你把技能蒸餾進模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782730101413-5wjx.png","2026-06-29T10:47:57.457072+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"6f5be102-5764-44f1-ab3f-722fc5c32c23","google-deepmind-turns-science-into-tools-zh","Google DeepMind把AI變研究工具","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782721105628-g4op.png","2026-06-29T08:17:57.716568+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"c649adb7-c8ae-4ade-a092-2c0d53beeb71","measuring-llm-behavior-portability-zh","LLM 行為不一定可移植","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782717472977-na8g.png","2026-06-29T07:17:29.597679+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"637c3016-e364-4bfe-904e-5e60a18ed678","prompt-injection-ai-security-problem-zh","Prompt injection 已是 AI 資安問題","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1782716580916-m1nm.png","2026-06-29T07:02:36.173749+00:00",[77,82,87,92,97,102,107,112,117,122],{"id":78,"slug":79,"title":80,"created_at":81},"f18dbadb-8c59-4723-84a4-6ad22746c77a","deepmind-bets-on-continuous-learning-ai-2026-zh","DeepMind 押注 2026 連續學習 AI","2026-03-26T08:16:02.367355+00:00",{"id":83,"slug":84,"title":85,"created_at":86},"f4a106cb-02a6-4508-8f39-9720a0a93cee","ml-papers-of-the-week-github-research-desk-zh","每週 ML 論文清單，為何紅到 GitHub","2026-03-27T01:11:39.284175+00:00",{"id":88,"slug":89,"title":90,"created_at":91},"c4f807ca-4e5f-47f1-a48c-961cf3fc44dc","ai-ml-conferences-to-watch-in-2026-zh","2026 AI 研討會投稿時程整理","2026-03-27T01:51:53.874432+00:00",{"id":93,"slug":94,"title":95,"created_at":96},"cf046742-efb2-4753-aef9-caed5da5e32e","adaptive-block-scaled-data-types-zh","IF4：神經網路量化的聰明選擇","2026-03-31T06:00:36.990273+00:00",{"id":98,"slug":99,"title":100,"created_at":101},"53a0dc54-0371-4e40-8d5e-74e94a73840c","geometry-aware-similarity-metrics-for-neural-representations-zh","超越距離測量：用微分幾何重新理解神經網路","2026-03-31T06:01:01.241968+00:00",{"id":103,"slug":104,"title":105,"created_at":106},"fee7d472-a775-4b1d-bbc2-1e8bca1bbf8b","on-the-fly-repulsion-in-the-contextual-space-for-rich-divers-zh","讓AI繪圖更有創意：用排斥力提升生成多樣性","2026-03-31T06:01:25.439673+00:00",{"id":108,"slug":109,"title":110,"created_at":111},"a9901203-d69b-447b-8854-15d14eab32b4","vision-aided-beam-prediction-cnn-eca-zh","影像輔助波束預測升級 CNN","2026-04-01T10:00:25.8073+00:00",{"id":113,"slug":114,"title":115,"created_at":116},"b55e7dd4-0a24-4b3d-804d-b0309a03f498","triple-band-fss-mimo-antenna-sub-6-ghz-zh","三頻 FSS MIMO 天線瞄準 sub-6 GHz","2026-04-01T13:18:36.857305+00:00",{"id":118,"slug":119,"title":120,"created_at":121},"f68290bd-e7f3-4b30-ba22-dcd4e0130a66","openclaw-1299-repos-eight-weeks-analysis-zh","OpenClaw 1299 個 Repo 的資料解讀","2026-04-02T05:03:45.208411+00:00",{"id":123,"slug":124,"title":125,"created_at":126},"ed9f80eb-eb02-4d35-8ad4-0ddf428751dd","beam-coherence-aware-combining-mmwave-mimo-zh","毫米波 MIMO 的雙階合併法","2026-04-02T05:27:26.897188+00:00"]