跳至主要內容
LinPolly
文章 人工智慧

LLM 提示工程最佳實踐：寫出真正有效的 Prompt

LLM 提示工程最佳實踐：寫出真正有效的 Prompt

在使用大型語言模型（LLM）開發應用程式的過程中，Prompt 的品質往往決定了輸出結果的好壞。一個精心設計的 Prompt 可以讓模型的表現大幅提升，而一個粗糙的 Prompt 則可能讓你得到毫無用處的回答。這篇文章整理了實際開發中最常用的提示工程技巧。

為什麼提示工程很重要？

LLM 通過預測下一個 Token 來工作，對輸入的措辭方式非常敏感。同樣的問題，用不同方式表達，可能得到截然不同的結果。提示工程就是利用這種特性，引導模型產生我們想要的輸出。

核心原則一：明確性優先

模糊的指令會導致模糊的輸出。

不好的 Prompt：

幫我寫一篇文章

好的 Prompt：

請用繁體中文寫一篇針對初學者的 Docker 入門文章，
長度約 800 字，包含以下內容：
1. Docker 是什麼
2. 為什麼要使用 Docker（對比傳統部署方式）
3. 安裝 Docker 的步驟
4. 一個實際的 Hello World 範例
使用 Markdown 格式，加入適當的程式碼區塊。

核心原則二：角色扮演（Role Prompting）

給模型一個明確的角色，可以大幅改善輸出品質：

system_prompt = """
你是一位擁有 10 年經驗的 TypeScript 高級工程師，
專精於 Node.js 後端開發和系統架構設計。
回答風格：
- 直接指出問題所在
- 提供可執行的程式碼範例
- 說明為什麼這樣做比其他方式更好
- 如果有安全隱患，一定要明確指出
"""

核心原則三：少樣本學習（Few-Shot Prompting）

提供幾個範例讓模型理解你期望的輸出格式：

請將英文錯誤訊息翻譯成對開發者友善的繁體中文說明。

範例：
輸入：TypeError: Cannot read property 'name' of undefined
輸出：【類型錯誤】嘗試讀取一個 undefined 物件的 'name' 屬性。
      常見原因：物件未正確初始化，或非同步操作尚未完成就嘗試存取資料。

輸入：ECONNREFUSED 127.0.0.1:5432
輸出：【連線拒絕】無法連線到本機 5432 埠（通常是 PostgreSQL）。
      常見原因：資料庫服務未啟動，或連線設定有誤。

請翻譯：
輸入：SyntaxError: Unexpected token < in JSON at position 0

核心原則四：思維鏈（Chain-of-Thought）

對於複雜的推理任務，引導模型一步一步思考：

請分析這段程式碼是否存在 SQL Injection 風險。
請按以下步驟分析：
1. 找出所有用到使用者輸入的地方
2. 確認這些輸入是否有被適當處理
3. 如果有風險，說明攻擊者如何利用它
4. 提供修復方案

程式碼：
```python
def get_user(username):
    query = f"SELECT * FROM users WHERE username = '{username}'"
    return db.execute(query)

## 結構化輸出技巧

開發應用時通常需要 JSON 格式的結構化輸出：

```python
prompt = """
分析以下產品評論，以 JSON 格式輸出（只輸出 JSON，不要有其他文字）：

評論：「這款耳機音質很棒，但電池續航只有 4 小時，戴久了耳朵會痛，客服回應很快。」

{
  "sentiment": "positive|negative|mixed",
  "score": 1-5,
  "pros": ["優點1", "優點2"],
  "cons": ["缺點1", "缺點2"],
  "aspects": {
    "sound_quality": "positive|negative|neutral",
    "battery_life": "positive|negative|neutral",
    "comfort": "positive|negative|neutral",
    "customer_service": "positive|negative|neutral"
  }
}
"""

避免常見陷阱

陷阱一：負面指示效果差

❌ 不要用技術術語解釋
✅ 請用一個 10 歲小孩能理解的方式解釋

陷阱二：過於籠統的角色

❌ 你是一個助手
✅ 你是一位專注於效能優化的 React 開發者，關注 bundle size、渲染效能和使用者體驗

陷阱三：忽略輸出格式

總是明確指定你想要的輸出格式、長度和語言。

進階技巧：多步驟分解

對於複雜任務，拆成多個 Prompt 比一個大 Prompt 更可靠：

# 步驟一：分析需求
step1 = llm.complete("分析以下需求，列出功能點：" + requirements)

# 步驟二：設計架構
step2 = llm.complete(f"根據以下功能點設計資料庫結構：{step1}")

# 步驟三：生成程式碼
step3 = llm.complete(f"根據以下資料庫結構生成 TypeScript 型別定義：{step2}")

Temperature 設定

# 需要確定性輸出（JSON、程式碼）
response = client.complete(prompt, temperature=0.0)

# 需要創意輸出（文案、故事）
response = client.complete(prompt, temperature=0.8)

# 一般對話
response = client.complete(prompt, temperature=0.3)

實際應用：程式碼審查機器人

def code_review_prompt(code: str, language: str) -> str:
    return f"""
你是一位嚴格但公正的資深工程師，正在進行 Code Review。

請審查以下 {language} 程式碼，按重要性排序指出問題：

審查重點（按優先級）：
1. 安全性問題（SQL Injection、XSS、未授權存取）
2. 潛在的 Bug（邊界條件、空值處理、並發問題）
3. 效能問題（不必要的迴圈、N+1 查詢）
4. 程式碼品質（命名、可讀性、DRY 原則）

程式碼：
```{language}
{code}

對每個問題，請說明：

  • 嚴重程度：🔴 嚴重 / 🟡 中等 / 🟢 建議
  • 問題位置（行號）
  • 問題說明
  • 修復方案（附程式碼） """

## 總結

提示工程是一門需要實踐的技藝。核心原則是：清晰、具體、有結構。給模型明確的角色、清晰的任務描述、期望的輸出格式，並通過迭代不斷優化。隨著積累的經驗越來越多，你會逐漸培養出對模型行為的直覺，寫出越來越精準的 Prompt。
#Python #ChatGPT

分享這篇文章