Guides-Optimizing Prompts(優化提示語)
隨著大型語言模型（LLMs）在各種應用領域中展現出驚人的表現，如何與這些模型有效互動，成為每位使用者不可忽視的技能。而這項技能的核心，就是學會撰寫高品質的提示語（prompts）。
本篇指南將帶你系統化理解 prompt 設計的核心原則與進階策略，從基礎的清晰指令與格式設計，到能驅動模型邏輯推理與工具操作的高階技巧，幫助你發揮 LLM 最大潛力，打造更強大、更實用的 AI 解決方案。
本篇目標
大型語言模型（LLMs）打造有效的提示語
What makes a good prompt? (Prompting Tips)
大型語言模型（LLMs）在各種任務中具有強大能力，但其效果高度依賴於提示語的設計品質。以下整理出設計高效提示語的關鍵原則與進階策略，幫助你最大化 LLM 的效能。
PROMPT 設計的關鍵考量
明確性與具體性
- 如同對人類下指令，提示語應清楚說明預期結果。
- 避免模糊或多義，否則模型可能產出不相關內容。
結構化輸入與輸出
- 使用如
JSON或XML等格式有助模型理解資訊。 - 指定輸出形式（如清單、段落、程式碼）有助提升回應品質。
使用分隔符強化結構
- 使用特殊字元（如
###、"""、---等）分隔提示中不同部分，幫助模型理解內容邏輯與區塊。
拆解複雜任務
- 將多任務提示拆解為數個簡單子任務。
- 每個子任務聚焦單一目標，有助模型逐步生成更準確的結果。
進階提示語策略
Few-Shot Prompting（少量範例提示）
- 提供 1～3 組「輸入 ➜ 輸出」範例，引導模型學習回應格式與邏輯。
- 適用於無需太多上下文學習的任務。
Chain-of-Thought Prompting（思維鏈提示）
- 引導模型「逐步推理」，拆解任務流程。
- 尤其適合需要邏輯推理或數學推導的情境。
ReAct 方法（推理 + 行動）
- 鼓勵模型不只回答，還能規劃、推理與使用工具。
- 適用於需要互動式解決方案或多步操作的任務。
結語：打造強大的PROMPT黃金原則
| 核心原則 | 說明 |
|---|---|
| 明確與具體 | 明白指出你想要什麼，讓模型不產生誤解 |
| 結構化 | 格式清晰，幫助模型解析輸入與生成格式一致的輸出 |
| 拆解任務 | 複雜任務切小步，讓模型每步都準確、可控 |
| 善用進階策略 | Few-shot、思維鏈與 ReAct 能讓模型發揮更高推理能力 |
回到目錄
上一篇：Agents-Agent Components
下一篇：Guides-OpenAI Deep Research