大型語言模型提示工程進階指南

概要： 本課標誌著從隨意的人工智慧互動轉向嚴謹的提示工程，打破大語言模型「類似人類」的錯覺。學員將學習將大語言模型視為機率引擎，並實作 CO-STAR 框架（情境、目標、風格、語氣、受眾、回應），為所有人工智慧行為建立邏輯「骨架」。 學習成果：

• 分析大語言模型的機率本質，理解為何結構化輸入優於對話式文字。
• 解構並應用 CO-STAR 框架各組件，創造高保真、複雜的提示。
• 区分模糊的對話請求與工程級結構框架。
• 建立基礎結構，降低人工智慧幻覺與輸出變異。
• 準備後續課程中進階「上下文學習」技術所需的邏輯支架。

概要： 從宏觀邏輯轉向微觀精準，本模組探討「上下文學習」。參與者將學習如何透過少樣本提示，利用大語言模型的模式識別能力，以「黃金範例」實現特定風格轉換及嚴格遵守資料架構。 學習成果：

• 辨別零樣本、單樣本與少樣本提示策略的差異。
• 建構高品質、無歧義的範例，以減少模型幻覺。
• 應用風格轉換技術，模仿特定品牌語調與寫作風格。
• 使用模式匹配執行精確的資料格式化任務，輸出 JSON 與 XML。
• 分析提示效能，判斷模仿是否不足以處理複雜邏輯。

概要： 本節重點從風格模仿轉向「邏輯透明度」。學員將探索思維鏈（CoT）推理，提升數學與邏輯題目的準確性，並學習將龐大、高風險的指令分解為可管理的序列子提示。 學習成果：

• 解釋「讓我們一步步思考」背後的詞元預測機制及其對準確性的影響。
• 透過在提示內提供明確的邏輯示範，手動設計思維鏈提示。
• 運用垂直與水平任務分解，將多層次專案拆解為子提示。
• 通過審核生成的推理鏈，識別並排除人工智慧輸出中的邏輯謬誤。
• 建構模組化提示序列，將前一邏輯步驟的輸出傳遞至下一階段。

概要： 本課聚焦於「人工智慧作為函數」，教授學員如何將原始推理轉化為結構化、機器可讀的智能。內容涵蓋強制執行 JSON/Markdown 模式、使用邊界標記，以及應用負面提示以消除對話冗餘。 學習成果：

• 定義並實作嚴格的 JSON 與 Markdown 模式，確保輸出 100% 可程式解析。
• 使用負面提示技術，消除對話冗餘與人工智慧「閒聊」。
• 建構多層限制，防止報告中虛構不存在的數據點。
• 應用邊界分隔符，區分推理步驟與最終結構化交付內容。
• 評估高風險提示工程中創造自由與結構嚴謹之間的權衡。

概要： 最後一課從個別提示撰寫轉向系統架構。學員將學習建立模組化、變數化的模板，並運用元提示——利用人工智慧自身來架構與優化指令——同時建立專業的版本控制與資料庫管理。 學習成果：

• 掌握模組化設計：將複雜提示拆解為可重用、變數化的模板，實現可擴展且可重複的工作流程。
• 實施元提示技術：利用人工智慧模型自動架構、產生與優化高性能系統指令。
• 建立迭代測試協議：應用系統化測試與版本控制，確保提示更新具有一致的邏輯與輸出品質。
• 建立專業提示資料庫：建構並組織一個結構化資源庫，涵蓋各種企業與創意用途的優化提示。