提示技術（Prompting Techniques）
Prompt Engineering 是設計與優化提示語的關鍵技術，能協助我們在各種任務中更有效地引導大型語言模型（LLMs）給出更精確、有用的回應。
在前一節中，我們介紹了基礎的提示範例與應用，雖然簡單有趣，但若要處理更複雜的任務或追求更高的穩定性與效能，則需要進一步掌握一系列提示工程技巧。
本節將介紹幾種常見且實用的提示技術，包括：
- Zero-Shot Prompting
- Few-Shot Prompting
- Chain-of-Thought Prompting
- Meta Prompting
- Self-Consistency
- Generated Knowledge Prompting
- Prompt Chaining
- Tree of Thoughts (ToT)
- Retrieval Augmented Generation (RAG)
- Automatic Reasoning and Tool-use (ART)
- Automatic Prompt Engineer (APE)
- Active-Prompt
- Directional Stimulus Prompting
- PAL (Program-Aided Language Models)
- ReAct Prompting
- Reflexion
- Multimodal CoT Prompting
這些方法不僅能提升 LLMs 在複雜任務上的表現，還能增強推理一致性、語意準確性與語言輸出的控制力。
結語
隨著 LLM 能力不斷進步，提示設計的策略也必須隨之演進。透過提示技巧，我們能夠更深入地發揮模型潛力，解決傳統提示方式難以勝任的任務。接下來，我們將逐一探索這些技術，並透過實例展示其在真實任務中的應用方式。