[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-prompt-engineering-explained-without-the-hype-zh":3,"article-related-prompt-engineering-explained-without-the-hype-zh":27,"series-tools-13819f2d-e9a1-4af2-88f3-7dbe4cb4ce61":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":11,"views":24,"created_at":25,"published_at":26,"topic_cluster_id":11},"13819f2d-e9a1-4af2-88f3-7dbe4cb4ce61","prompt-engineering-explained-without-the-hype-zh","別把 Prompt Engineering 想太神","\u003Cp>生成式 AI 很會接話。可是一個字丟給它，常常只會拿到一段空話。AWS 說，prompt engineering 就是用更清楚的指令，去導引模型吐出更有用的答案。\u003C\u002Fp>\u003Cp>講白了，這是把模糊需求，改成可用輸出。對開發者來說，這不是玄學。這是把 LLM 從「會講」變成「能用」的基本功。\u003C\u002Fp>\u003Ch2>Prompt engineering 到底是什麼\u003C\u002Fh2>\u003Cp>\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fwhat-is\u002Fprompt-engineering\u002F\" target=\"_blank\" rel=\"noopener\">AWS\u003C\u002Fa> 對 prompt engineering 的定義很直接。它就是用輸入內容，引導生成式 AI 產生想要的結果。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775164736525-0uq1.png\" alt=\"別把 Prompt Engineering 想太神\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>翻成台灣話，就是你怎麼跟模型講話，模型就怎麼回你。你給它角色、任務、限制、格式，它通常就比較不會亂飄。你只丟一句「幫我整理」，它很可能回你一坨看似有內容的文字。\u003C\u002Fp>\u003Cp>這件事的本質，不是文筆好不好。重點是結構。你要讓模型知道，自己是誰，要做什麼，要給誰看，最後要長什麼樣子。\u003C\u002Fp>\u003Cp>實務上，好的 prompt 常會包含這幾項：\u003C\u002Fp>\u003Cul>\u003Cli>角色設定，例如客服、工程師、分析師\u003C\u002Fli>\u003Cli>任務範圍，例如摘要、翻譯、分類、寫 code\u003C\u002Fli>\u003Cli>限制條件，例如字數、語氣、禁止內容\u003C\u002Fli>\u003Cli>輸出格式，例如表格、條列、JSON\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這些東西看起來很瑣碎。可是對 LLM 來說，差很多。模型是根據 token 機率往下接，不是人類那種先理解再思考。\u003C\u002Fp>\u003Cp>所以同一個模型，換個 prompt，表現就可能差一截。這也是為什麼 prompt engineering 會變成 AI 應用裡很實際的一環。\u003C\u002Fp>\u003Ch2>為什麼 prompt 會差這麼多\u003C\u002Fh2>\u003Cp>問題不在模型不會答。問題在它太容易答歪。你給的上下文越少，它就越愛自己補腦。這在 demo 階段還好，真的上線就很煩。\u003C\u002Fp>\u003Cp>像 AWS 舉的例子很實際。使用者問「哪裡可以買襯衫」，這句話本身太空。是要網購，還是找附近門市？是男裝、女裝，還是童裝？如果 prompt 沒把條件寫進去，模型只能猜。\u003C\u002Fp>\u003Cp>我覺得這也是很多 AI 產品卡住的地方。團隊以為是模型不夠強，其實是輸入太爛。你要模型穩，先把 prompt 寫穩。\u003C\u002Fp>\u003Cblockquote>“Prompt engineering is the process where you guide generative artificial intelligence solutions to generate desired outputs.” — \u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fwhat-is\u002Fprompt-engineering\u002F\" target=\"_blank\" rel=\"noopener\">AWS\u003C\u002Fa>\u003C\u002Fblockquote>\u003Cp>這句話很平，但很準。prompt 不是包裝紙。它就是控制面板。你想要什麼答案，最好先把規則講清楚。\u003C\u002Fp>\u003Cp>對產品團隊來說，這件事還有一個現實好處。prompt 可以重複使用。你不用每次都從零開始寫。把常見場景做成模板，客服、搜尋、摘要、分類都能共用一套骨架。\u003C\u002Fp>\u003Cul>\u003Cli>降低使用者重試次數\u003C\u002Fli>\u003Cli>讓輸出格式更穩定\u003C\u002Fli>\u003Cli>減少不相關回答\u003C\u002Fli>\u003Cli>讓團隊更好維護 AI 功能\u003C\u002Fli>\u003C\u002Ful>\u003Cp>但別把它想成一次寫好就結束。prompt engineering 本來就要反覆測。改一個字，結果可能差很多。這很像除錯，只是你除的是語意，不是 syntax。\u003C\u002Fp>\u003Ch2>實際產品裡，prompt 怎麼用\u003C\u002Fh2>\u003Cp>AWS 把 prompt engineering 的用途分成幾類。像是專業知識、批判思考、創意發想。這些分類看起來很學院派，但其實對應到很多真實產品。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775164733470-evgo.png\" alt=\"別把 Prompt Engineering 想太神\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>例如醫療場景，模型可以根據症狀摘要，幫忙整理可能方向。客服場景，prompt 可以要求模型只根據政策回答，不准自由發揮。內容工具則可以把語氣鎖成正式、口語，或偏技術寫法。\u003C\u002Fp>\u003Cp>這就是 prompt engineering 好玩的地方。它不是只會「聊天」。它可以把同一個模型，調成不同工作模式。差別就在 prompt 寫得夠不夠準。\u003C\u002Fp>\u003Cp>下面幾個對比，最容易看出差異：\u003C\u002Fp>\u003Cul>\u003Cli>「摘要這份文件」很容易變成泛泛而談；加上重點、風險、下一步，就會實用很多\u003C\u002Fli>\u003Cli>「哪裡買襯衫」太空；加上地點、價格帶、通路，就能變成可執行建議\u003C\u002Fli>\u003Cli>數學題如果要求先拆步驟，通常比直接要答案更穩\u003C\u002Fli>\u003Cli>創意 brief 如果寫明受眾、情緒、格式，產出通常更接近需求\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這裡要講白一點。prompt engineering 不會讓模型變聰明。它只是讓模型更容易被控制。這個差別很重要，因為你在分配工程時間時，就知道該修模型，還是修輸入。\u003C\u002Fp>\u003Ch2>AWS 提到的幾種 prompting 方法\u003C\u002Fh2>\u003Cp>AWS 列了幾種常見方法。像 chain-of-thought、tree-of-thought、maieutic、complexity-ba\u003Ca href=\"\u002Fnews\u002Ffive-ai-infra-frontiers-bessemer-2026-zh\">se\u003C\u002Fa>d、generated knowledge、least-to-most、self-refine。名字很長，概念其實很直白。\u003C\u002Fp>\u003Cp>\u003Ca href=\"https:\u002F\u002Faws.amazon.com\u002Fblogs\u002Fmachine-learning\u002Fintroducing-amazon-bedrock\u002F\" target=\"_blank\" rel=\"noopener\">Amazon Bedrock\u003C\u002Fa> 是 AWS 做生成式 AI 應用的服務。這些 prompt 技巧放進去，就很像給 foundation model 裝上不同操作模式。你不是只跟模型聊天，你是在設計它怎麼想。\u003C\u002Fp>\u003Cp>幾個常見方法，可以這樣理解：\u003C\u002Fp>\u003Cul>\u003Cli>chain-of-thought：把問題拆成小步驟\u003C\u002Fli>\u003Cli>tree-of-thought：同時試幾條路，再選一條\u003C\u002Fli>\u003Cli>generated knowledge：先產出相關知識，再拿去回答\u003C\u002Fli>\u003Cli>least-to-most：先解簡單子題，再往上疊\u003C\u002Fli>\u003C\u002Ful>\u003Cp>這些方法的目的，不是炫技。是減少模型亂猜。尤其在多步推理、分析、規則很多的任務上，效果通常比較穩。\u003C\u002Fp>\u003Cp>如果你在做產品，這種穩定性很重要。因為使用者不在乎你的 prompt 多漂亮。他只在乎答案對不對，格式有沒有跑掉，能不能直接拿去用。\u003C\u002Fp>\u003Cp>這裡也可以順手比一下不同 AI 產品的思路。像 \u003Ca href=\"https:\u002F\u002Fopenai.com\u002Fchatgpt\u002F\" target=\"_blank\" rel=\"noopener\">ChatGPT\u003C\u002Fa> 偏通用對話，\u003Ca href=\"https:\u002F\u002Fwww.anthropic.com\u002Fclaude\" target=\"_blank\" rel=\"noopener\">Claude\u003C\u002Fa> 很強調長文與上下文，\u003Ca href=\"https:\u002F\u002Fwww.google.com\u002Fgemini\u002F\" target=\"_blank\" rel=\"noopener\">Gemini\u003C\u002Fa> 則和 Google 生態整合很深。底層都是模型，但 prompt 寫法會直接影響體驗。\u003C\u002Fp>\u003Ch2>這件事為什麼現在更重要\u003C\u002Fh2>\u003Cp>幾年前，大家還在拼模型參數。現在很多團隊發現，光有大模型不夠。真正上線後，常常是 prompt、資料、流程、權限一起決定結果。\u003C\u002Fp>\u003Cp>這也解釋了為什麼 prompt engineering 會從「技巧」變成「工程」。你要版本控管，要測試，要比對輸出。最好還要能回溯，知道哪版 prompt 讓客服回答開始亂飄。\u003C\u002Fp>\u003Cp>產業脈絡也很明顯。企業導入 AI 後，第一個痛點通常不是模型太弱，而是輸出不穩。今天回得像樣，明天又開始胡扯。這時候，調 prompt 往往比換模型更快。\u003C\u002Fp>\u003Cp>如果你要做更完整的 AI 系統，通常還會搭配 \u003Ca href=\"https:\u002F\u002Fplatform.openai.com\u002Fdocs\u002Fguides\u002Ffunction-calling\" target=\"_blank\" rel=\"noopener\">function calling\u003C\u002Fa>、\u003Ca href=\"\u002Fnews\u002Fwhat-openrag-does-for-enterprise-ai-zh\">RAG\u003C\u002Fa>、權限控管，還有輸出驗證。prompt 只是第一層，但它常常是最先出問題的一層。\u003C\u002Fp>\u003Cp>所以我會說，prompt engineering 不是浪漫的創作。它比較像工程現場的校正工作。很土，但很有效。\u003C\u002Fp>\u003Ch2>結語：先把 prompt 當成程式碼\u003C\u002Fh2>\u003Cp>如果你現在有在做 AI 產品，我會建議一件事：把 prompt 當成程式碼管理。版本要留。測試要做。常見場景要模板化。\u003C\u002Fp>\u003Cp>下一步也很明確。不要只看模型會不會答。要看它在 \u003Ca href=\"\u002Fnews\u002Fmeta-10b-el-paso-ai-data-center-plan-zh\">100\u003C\u002Fa> 次測試裡，能不能穩定輸出同一種格式。能不能少講廢話。能不能守住限制條件。\u003C\u002Fp>\u003Cp>說真的，這才是 prompt engineering 的價值。不是把 AI 變神。是讓它少出包，讓你少收爛尾。\u003C\u002Fp>\u003Cp>如果你的團隊還在手動複製貼上 prompt，現在就該整理了。先從 3 個高頻場景開始。把角色、任務、格式寫死。再看結果有沒有真的穩下來。\u003C\u002Fp>","Prompt engineering 不是玄學。AWS 直接把方法、用途和取捨講清楚，重點是把模糊需求變成可用輸出，讓 LLM 更穩、更好控。","aws.amazon.com","https:\u002F\u002Faws.amazon.com\u002Fwhat-is\u002Fprompt-engineering\u002F",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1775164736525-0uq1.png","tools","zh","738e7f42-6aac-4342-9cf8-31818fc2c74d",[17,18,19,20,21,22,23],"prompt engineering","AWS","生成式 AI","LLM","prompt","Amazon Bedrock","人工智慧",4,"2026-04-02T21:18:35.227524+00:00","2026-04-02T21:18:35.057+00:00",{"tags":28,"relatedLang":41,"relatedPosts":45},[29,31,33,34,36,38,40],{"name":17,"slug":30},"prompt-engineering",{"name":22,"slug":32},"amazon-bedrock",{"name":23,"slug":23},{"name":18,"slug":35},"aws",{"name":19,"slug":37},"生成式-ai",{"name":20,"slug":39},"llm",{"name":21,"slug":21},{"id":15,"slug":42,"title":43,"language":44},"prompt-engineering-explained-without-the-hype-en","Prompt Engineering, Explained Without the Hype","en",[46,52,58,64,70,76],{"id":47,"slug":48,"title":49,"cover_image":50,"image_url":50,"created_at":51,"category":13},"d3ec03a8-a805-4a21-9826-72a74a72b625","databricks-model-serving-llm-deploy-guide-zh","Databricks Model Serving 讓 LLM 部署變簡單","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780525998117-7ur8.png","2026-06-03T22:32:51.005996+00:00",{"id":53,"slug":54,"title":55,"cover_image":56,"image_url":56,"created_at":57,"category":13},"4dd225a8-bf6c-4768-a486-a27956c7033d","opencode-digitalocean-model-freedom-zh","OpenCode+DigitalOcean 讓你切換模型","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780525116428-1q7g.png","2026-06-03T22:18:06.969758+00:00",{"id":59,"slug":60,"title":61,"cover_image":62,"image_url":62,"created_at":63,"category":13},"4bdcf208-fb80-484e-b4b6-06af035a6df1","modulate-aws-voice-chats-into-signals-zh","Modulate 用 AWS 把語音聊天做成訊號","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780519733892-rxue.png","2026-06-03T20:48:22.697917+00:00",{"id":65,"slug":66,"title":67,"cover_image":68,"image_url":68,"created_at":69,"category":13},"f44a28d3-2305-43de-b5fa-21217d561054","amazon-rekognition-content-moderation-filter-zh","Amazon Rekognition把審核變成過濾器","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780517005409-bxfc.png","2026-06-03T20:02:57.634353+00:00",{"id":71,"slug":72,"title":73,"cover_image":74,"image_url":74,"created_at":75,"category":13},"80f6f40b-3217-45e4-acff-7b2f6d261779","codex-workspace-limits-tell-you-why-zh","Codex 讓工作區限額錯誤說人話","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780514293711-ltqa.png","2026-06-03T19:17:41.340056+00:00",{"id":77,"slug":78,"title":79,"cover_image":80,"image_url":80,"created_at":81,"category":13},"daa3d568-4bc5-4f29-aa64-225928ace9b4","book-2-turns-sneaker-drop-into-merch-zh","Book 2 把球鞋發售變成周邊系統","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1780513400116-8jeh.png","2026-06-03T19:02:49.03795+00:00",[83,88,93,98,103,108,113,118,123,128],{"id":84,"slug":85,"title":86,"created_at":87},"855cd52f-6fab-46cc-a7c1-42195e8a0de4","surepath-real-time-mcp-policy-controls-zh","SurePath 推出即時 MCP 政策控管","2026-03-26T07:57:40.77233+00:00",{"id":89,"slug":90,"title":91,"created_at":92},"9b19ab54-edef-4dbd-9ce4-a51e4bae4ebb","mcp-in-2026-the-ai-tool-layer-teams-use-zh","2026 年 MCP：團隊真的在用的 AI 工具層","2026-03-26T08:01:46.589694+00:00",{"id":94,"slug":95,"title":96,"created_at":97},"af9c46c3-7a28-410b-9f04-32b3de30a68c","prompting-in-2026-what-actually-works-zh","2026 提示工程，真正有用的是什麼","2026-03-26T08:08:12.453028+00:00",{"id":99,"slug":100,"title":101,"created_at":102},"05553086-6ed0-4758-81fd-6cab24b575e0","garry-tan-open-sources-claude-code-toolkit-zh","Garry Tan 開源 Claude Code 工具包","2026-03-26T08:26:20.068737+00:00",{"id":104,"slug":105,"title":106,"created_at":107},"042a73a2-18a2-433d-9e8f-9802b9559aac","github-ai-projects-to-watch-in-2026-zh","2026 必看 20 個 GitHub AI 專案","2026-03-26T08:28:09.619964+00:00",{"id":109,"slug":110,"title":111,"created_at":112},"a5f94120-ac0d-4483-9a8b-63590071ac6a","claude-code-vs-cursor-2026-zh","Claude Code 與 Cursor 深度對比：202…","2026-03-26T13:27:14.279193+00:00",{"id":114,"slug":115,"title":116,"created_at":117},"0975afa1-e0c7-4130-a20d-d890eaed995e","practical-github-guide-learning-ml-2026-zh","2026 機器學習入門 GitHub 實用指南","2026-03-27T01:16:49.712576+00:00",{"id":119,"slug":120,"title":121,"created_at":122},"bfdb467a-290f-4a80-b3a9-6f081afb6dff","aiml-2026-student-ai-ml-lab-repo-review-zh","AIML-2026：像課綱的學生實驗 Repo","2026-03-27T01:21:51.467798+00:00",{"id":124,"slug":125,"title":126,"created_at":127},"80cabc3e-09fc-4ff5-8f07-b8d68f5ae545","ai-trending-github-repos-and-research-feeds-zh","AI Trending：把 AI 資源收成一張表","2026-03-27T01:31:35.262183+00:00",{"id":129,"slug":130,"title":131,"created_at":132},"3ce6e6e2-bac5-463e-9f8d-45caabcc61f7","awesome-ai-for-science-research-tools-map-zh","AI 科研工具清單，開始像地圖了","2026-03-27T01:46:50.521945+00:00"]