[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-prompt-engineering-cheat-sheet-2026-zh":3,"article-related-prompt-engineering-cheat-sheet-2026-zh":33,"series-research-30e85daf-b3bd-47dc-a99c-f5fdbdf57a97":82},{"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":25,"views":29,"created_at":30,"published_at":31,"topic_cluster_id":32},"30e85daf-b3bd-47dc-a99c-f5fdbdf57a97","prompt-engineering-cheat-sheet-2026-zh","2026 Prompt Engineering 快速手冊","\u003Cp data-speakable=\"summary\">這份 \u003Ca href=\"\u002Fnews\u002F2026-2027-common-app-prompts-explained-zh\">2026\u003C\u002Fa> \u003Ca href=\"\u002Ftag\u002Fprompt-engineering\">prompt engineering\u003C\u002Fa> 快速手冊整理 CRAFT、CoT、few-shot、JSON 與模型選擇，也說明為何 context engineering 變得更重要。\u003C\u002Fp>\u003Cp>2026 年的 prompt engineering 變得更實用，也更挑剔。\u003Ca href=\"https:\u002F\u002Fprompt-architects.com\u002Fblog\u002F49-prompt-engineering-cheat-sheet\" target=\"_blank\" rel=\"noopener\">Prompt Architects\u003C\u002Fa> 的內部測試跑了約 10,000 個 prompts，從無結構請求改成結構化框架後，輸出品質平均提升 62%。\u003C\u002Fp>\u003Cp>這個數字很直白。真正拉開差距的，是結構，不是文采。你把 prompt 寫得更清楚，模型就比較少亂補洞，後面的人也比較好改。\u003C\u002Fp>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>項目\u003C\u002Fth>\u003Cth>數值\u003C\u002Fth>\u003Cth>意義\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>內部測試 prompts\u003C\u002Ftd>\u003Ctd>約 10,000\u003C\u002Ftd>\u003Ctd>樣本夠大，能看出結構差異\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>結構化後品質提升\u003C\u002Ftd>\u003Ctd>62%\u003C\u002Ftd>\u003Ctd>格式會直接影響輸出\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>GSM8K CoT 範例準確率\u003C\u002Ftd>\u003Ctd>17.9% → 56.9%\u003C\u002Ftd>\u003Ctd>推理提示能大幅改變數學表現\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Self-consistency\u003C\u002Ftd>\u003Ctd>74%\u003C\u002Ftd>\u003Ctd>多條推理路徑可勝過單一答案\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Ch2>結構比靈感更有用\u003C\u002Fh2>\u003Cp>\u003Ca href=\"\u002Ftag\u002Fllm\">LLM\u003C\u002Fa> 不會讀你的心，只會讀 \u003Ca href=\"\u002Ftag\u002Ftoken\">token\u003C\u002Fa>。你給它的 prompt 越模糊，它就越容易吐出平均值很高、細節很差的內容。這也是很多團隊第一次上線 AI 功能時，最常踩的坑。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784890982363-ipaj.png\" alt=\"2026 Prompt Engineering 快速手冊\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>所以這份快速手冊一直在講同一件事。你不是在寫漂亮句子，你是在縮小模型的自由度。只要把角色、格式、限制講清楚，錯誤答案就會少很多。\u003C\u002Fp>\u003Cp>這裡可以拆成三件事。第一是消歧義，讓每個限制都砍掉一部分錯誤輸出。第二是啟動語境，像「pricing strategist」或「securities lawyer」這種角色，會把模型推向對的詞彙。第三是可驗證性，像 table 或 JSON schema，讓結果能直接檢查。\u003C\u002Fp>\u003Cul>\u003Cli>Role prompt 讓語氣和領域更準。\u003C\u002Fli>\u003Cli>Format prompt 讓輸出更好接系統。\u003C\u002Fli>\u003Cli>Tone prompt 讓內容少一點通用 AI 味。\u003C\u002Fli>\u003Cli>Constraint prompt 讓模型少亂發揮。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這也解釋了，為什麼同一套方法能在 \u003Ca href=\"https:\u002F\u002Fopenai.com\" target=\"_blank\" rel=\"noopener\">OpenAI\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\" target=\"_blank\" rel=\"noopener\">Anthropic\u003C\u002Fa>、\u003Ca href=\"https:\u002F\u002Fdeepmind.google\u002Ftechnologies\u002Fgemini\u002F\" target=\"_blank\" rel=\"noopener\">Google Gemini\u003C\u002Fa> 上都能用。底層模型不同，但人類要交代清楚的事一樣多。\u003C\u002Fp>\u003Ch2>常用框架其實不多\u003C\u002Fh2>\u003Cp>這篇文章的觀點很務實。日常工作常用的框架，大概五個就夠了。再多的名詞，多半只是把同一組概念換個順序。\u003C\u002Fp>\u003Cp>最常見的是 CRAFT、Chain-of-Thought、CARE、RTF、few-shot。實務上，CRAFT 適合大多數任務；CoT 適合推理；few-shot 適合分類、抽取、格式對齊。\u003C\u002Fp>\u003Cp>這種整理方式很適合團隊。因為你不用每次都重新發明 prompt。你只要先決定任務屬性，再選框架，速度會快很多。\u003C\u002Fp>\u003Cblockquote>“Think step by step. Show your reasoning, then give the final answer on a new line prefixed with ‘ANSWER:’.”\u003C\u002Fblockquote>\u003Cp>這句話來自 \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F2201.11903\" target=\"_blank\" rel=\"noopener\">Chain-of-Thought prompting\u003C\u002Fa> 的\u003Ca href=\"\u002Fnews\u002F35-chatgpt-research-prompts-better-studies-zh\">研究\u003C\u002Fa>脈絡。作者之一是 \u003Ca href=\"https:\u002F\u002Fscholar.google.com\u002Fcitations?user=4P0v2hQAAAAJ\" target=\"_blank\" rel=\"noopener\">Jason Wei\u003C\u002Fa>。那篇研究把 540B 模型的推理表現拉起來，後來也成了很多產品團隊的模板。\u003C\u002Fp>\u003Cp>實際上，你可以這樣選：\u003C\u002Fp>\u003Cul>\u003Cli>要通用 brief，用 CRAFT。\u003C\u002Fli>\u003Cli>要多步推理，用 CoT。\u003C\u002Fli>\u003Cli>要穩定格式，用 few-shot。\u003C\u002Fli>\u003Cli>要快寫短任務，用 CARE 或 RTF。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>CRAFT 最值得背下來\u003C\u002Fh2>\u003Cp>如果只記一個格式，我會選 CRAFT。它代表 Context、Role、Action、Format、Tone。這五個欄位很像寫給同事的工作說明，少廢話，也少誤解。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784890986857-njno.png\" alt=\"2026 Prompt Engineering 快速手冊\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>Context 說明情境。Role 指定模型要扮演什麼專家。Action 要求單一任務。Format 決定輸出長相。Tone 控制語氣。每一項都在減少模型亂補的空間。\u003C\u002Fp>\u003Cp>舉例來說，如果你要做一個 B2B SaaS 的 usage-based pricing 方案，CRAFT 可以直接要求三個標題候選，再附一行 subhead，最後輸出成 markdown table。這種 prompt 很像編輯工作，不像聊天。\u003C\u002Fp>\u003Cp>這也是它實用的原因。當 prompt 結構固定，後面的審稿、比對、轉成 \u003Ca href=\"\u002Ftag\u002Fapi\">API\u003C\u002Fa> 輸出都會順很多。對產品團隊來說，這比「寫得像人」更重要。\u003C\u002Fp>\u003Cp>你可以把 CRAFT 當成最小可用規格：\u003C\u002Fp>\u003Cul>\u003Cli>Context：這次任務的背景。\u003C\u002Fli>\u003Cli>Role：模型要用哪種專業視角。\u003C\u002Fli>\u003Cli>Action：要交付什麼。\u003C\u002Fli>\u003Cli>Format：要 JSON、表格，還是條列。\u003C\u002Fli>\u003Cli>Tone：要正式、直接，還是偏口語。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>推理、範例、格式會直接改變結果\u003C\u002Fh2>\u003Cp>這份手冊最有說服力的地方，在於它引用了研究數字。以 GSM8K 為例，8 個 Chain-of-Thought 範例把準確率從 17.9% 拉到 56.9%，再加上 self-consistency，最後到 74%。\u003C\u002Fp>\u003Cp>這些數字很像老新聞，但在產品端還是有用。因為它說明一件事：單一答案常常不夠好，多次採樣再投票，往往更穩。\u003C\u002Fp>\u003Cp>few-shot 也一樣。當任務邊界模糊，或輸出格式很硬時，2 到 5 個範例通常比一大段\u003Ca href=\"\u002Fnews\u002Fai-regulation-maps-the-rules-you-need-zh\">規則\u003C\u002Fa>更有效。像客服分類、欄位抽取、品牌語氣對齊，都很吃這招。\u003C\u002Fp>\u003Cul>\u003Cli>分類任務常靠範例定邊界。\u003C\u002Fli>\u003Cli>抽取任務常靠範例定欄位。\u003C\u002Fli>\u003Cli>品牌文案常靠範例定語氣。\u003C\u002Fli>\u003Cli>JSON 任務常靠範例定格式。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這裡也要吐槽一下。很多人把 prompt 當成魔法咒語，想靠一句話解決所有問題。實際上，模型更像一台高敏感度的文字機器，輸入越清楚，輸出越像樣。\u003C\u002Fp>\u003Cp>還有一個實務重點，是 sampling 設定。temperature 和 top-p 會影響創意和穩定度。要寫標準答案時，參數通常要保守一點；要發想時，才放寬一點。\u003C\u002Fp>\u003Ch2>2026 的重點是 context engineering\u003C\u002Fh2>\u003Cp>這篇文章最後的判斷很準。2026 年的重心，正在從 prompt engineering 移向 context engineering。意思很簡單，prompt 只是其中一塊，周邊資料才是整體品質的來源。\u003C\u002Fp>\u003Cp>如果上下文不完整，模型還是會猜。這時候你再怎麼修 prompt，效果都有限。你需要的是正確的背景、範例、限制、文件來源，還有適合的檢索資料。\u003C\u002Fp>\u003Cp>所以文章也提到什麼時候該用 prompt，什麼時候該用 \u003Ca href=\"\u002Ftag\u002Frag\">RAG\u003C\u002Fa>，什麼時候該做 fine-tuning。這三者差很多。Prompt 是最快的修正方式。RAG 適合補知識。Fine-tuning 適合固定模式。\u003C\u002Fp>\u003Cp>對做產品的人來說，這個分界很重要。你如果只是想改善一個工作流，先改 prompt 很合理。你如果要穩定回答事實問題，就該先補知識庫，不要硬改字眼。\u003C\u002Fp>\u003Cp>如果你今年在做 AI 功能，我會直接給這個順序：\u003C\u002Fp>\u003Cul>\u003Cli>先用 CRAFT 寫清楚需求。\u003C\u002Fli>\u003Cli>推理任務再加 CoT。\u003C\u002Fli>\u003Cli>格式容易飄，就補 few-shot。\u003C\u002Fli>\u003Cli>事實不夠，就上 RAG。\u003C\u002Fli>\u003Cli>模式固定，再考慮 fine-tuning。\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>這套方法對台灣團隊也很實際\u003C\u002Fh2>\u003Cp>台灣很多團隊現在都在做 AI 助理、內部知識搜尋、客服自動化，或是文件摘要。這些場景很少需要花俏 prompt，反而很需要穩定輸出、欄位一致、語氣可控。\u003C\u002Fp>\u003Cp>所以這份手冊的價值，不在於教你寫得多聰明，而是教你把需求寫得像規格。當 prompt 變成可維護的資產，團隊才有辦法一起用、一起改、一起追版本。\u003C\u002Fp>\u003Cp>如果你要挑一個最先導入的做法，我會選 JSON 輸出。因為它最容易接後端，也最容易做驗證。接著再補 CRAFT，最後才是 CoT 和 few-shot。\u003C\u002Fp>\u003Cp>下一步很明確：把你現在最常用的 3 個 prompt，全部改成 CRAFT 格式，再看錯誤率有沒有下降 20% 以上。這種改善通常比你多背十個框架更有感。\u003C\u002Fp>\u003C\u002Fh2>","這份 2026 prompt engineering 快速手冊整理 CRAFT、CoT、few-shot、JSON 與模型選擇，也說明為何 context engineering 變得更重要。","prompt-architects.com","https:\u002F\u002Fprompt-architects.com\u002Fblog\u002F49-prompt-engineering-cheat-sheet",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784890982363-ipaj.png","research","zh","2a609073-755c-4e1d-968b-6303adefda26",[17,18,19,20,21,22,23,24],"prompt engineering","CRAFT","Chain-of-Thought","few-shot prompting","context engineering","JSON output","LLM","AI 工作流",[26,27,28],"結構化 prompt 比自由發揮更穩，62% 的品質提升就是很直接的證據。","CRAFT、CoT、few-shot 就夠覆蓋大多數日常任務，不必追太多名詞。","2026 的重點已經轉向 context engineering，資料、範例和格式比單句 prompt 更重要。",0,"2026-07-24T11:02:34.935593+00:00","2026-07-24T11:02:34.92+00:00","a8b08ee7-94e3-4866-8b74-a790f9aeb388",{"tags":34,"relatedLang":41,"relatedPosts":45},[35,37,39],{"name":17,"slug":36},"prompt-engineering",{"name":21,"slug":38},"context-engineering",{"name":40,"slug":40},"chain-of-thought",{"id":15,"slug":42,"title":43,"language":44},"prompt-engineering-cheat-sheet-2026-en","Prompt engineering in 2026: the cheat sheet","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"cf300a40-a285-4a1c-a0fb-ddd8fb0c6cce","prompt-engineering-turns-codegen-into-repeatable-workflow-zh","Prompt 工程把 codegen 變成可重複流程","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784923395397-latp.png","2026-07-24T20:02:49.165518+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"e37b2e5c-b360-4184-8223-005203aeb2f2","35-chatgpt-research-prompts-better-studies-zh","35 個 ChatGPT 研究提示詞實作指南","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784885594088-voer.png","2026-07-24T09:32:44.664883+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"c6d14983-2dd2-457e-bc16-4122c07dd388","graphvid-interaction-graphs-video-generation-zh","GraphVid 用互動圖控影片生成","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784876580687-1hss.png","2026-07-24T07:02:27.302432+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"3fac1251-74ee-40ea-b8ff-fedd7356a00b","expanding-flow-maps-variable-size-generation-zh","可擴張 Flow Map：生成尺寸跟著長","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784874777592-cgsg.png","2026-07-24T06:32:30.189145+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"e0c23a43-b87a-4bb8-842f-f44d76b8dfbf","vlm-ie3d-3d-geometry-vlms-zh","VLM-IE3D替VLM補上3D幾何","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784872975550-yi8q.png","2026-07-24T06:02:30.1684+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"abb4a4d3-19d3-4392-b8bb-14f57d083348","openai-test-model-broke-into-hugging-face-servers-zh","OpenAI 測試模型闖進 Hugging Face 伺服器","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1784829771266-0mzj.png","2026-07-23T18:02:29.01097+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"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":89,"slug":90,"title":91,"created_at":92},"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":94,"slug":95,"title":96,"created_at":97},"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":99,"slug":100,"title":101,"created_at":102},"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":104,"slug":105,"title":106,"created_at":107},"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":109,"slug":110,"title":111,"created_at":112},"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":114,"slug":115,"title":116,"created_at":117},"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":119,"slug":120,"title":121,"created_at":122},"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":124,"slug":125,"title":126,"created_at":127},"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":129,"slug":130,"title":131,"created_at":132},"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"]