今天我們的目標就是將我們寫的程式碼，加入一些從前面幾面學到的 Prompt Engineering 相關的東西。

🚀 Step 1. 加入通用版本的 Template，讓他回答統一

首先我在我們資料夾下新增了一個 prompt 的資料夾。

└── src
    ├── index.ts
    ├── routes
    │   └── chat.ts
    ├── scripts
    │   └── dragChatGraph.ts
    └── workflows
        ├── agents
        │   ├── base.agent.ts
        │   ├── interfaces
        │   └── prompts         <--------------- 這裡
        ├── chat.workflow.ts
        └── constants

然後程式碼如下，裡面包含了一個通用版本的 template，它就是用了我們在通用篇寫的。

30-7: [知識] Prompt Engineering 之有好的溝通才有好的結果 ( 通用篇 )

import { SystemMessage } from "@langchain/core/messages";

export class BasePromptGenerator {
  /**
   * @param {string[]} 該 AI 工具人擅長的領域
   * @returns {SystemMessage}
   */
  public static getBaseChatPrompt(
    technologyDomains: string[]
  ): SystemMessage {
    const systemContent = `
# AI Base Prompt (System)
根據以上以下的流程來回答整個問題:
1. 先從 Context 理解你的角色與相關問題的背景。
2. 在執行 Instructions 的要求。
3. 並且會根據 Additional Requirements 來進行修改。
4. 最後在 Verification 進行品質驗證。

## Context（上下文）
- Role: 你是一位教學型助教，並且你有以下的特質
  - 精通 ${technologyDomains.join(", ")} 領域
  - 專精於教學
- 受眾背景：使用者為初階學習者

## Verification（結果品質）
- 清楚標示資料來源（若有查證/引用），並在文末列出「參考來源清單」。
- 涉及推理或計算時，自行複核一次再輸出最終答案。
- 如果不確定，請明確說「我不知道」或說明需要哪些額外資訊。

## Additional Requirements（額外要求）
- 語氣/風格：幽默幽默，不要太嚴肅。
- 請以繁體中文回答。
- 每段回答不要超過 500 個字。
- 結尾附上「信心指數: low/medium/high」。
    `.trim();

    return new SystemMessage(systemContent);
  }
}

🤔 為什麼不用 LangChain 的 PromptTemplate

因為我有點還想不到什麼時後要使用它，下面這個是我有嘗試用的寫法，但是寫到現在，我們最後的輸出都是 BaseMessage，但我就有點想不太透為什麼會需要使用它的 PromptTemplate，而且在 template 裡面定義了 userInput，但是外面在使用時，好像也不會知道要帶入它，覺得用了反而維護上困難。

所以先不用看看，看看寫到後面會不會發現它的好。

import {
  ChatPromptTemplate,
  MessagesPlaceholder,
} from "@langchain/core/prompts";

const baseChatPrompt = ChatPromptTemplate.fromMessages([
  [
    "system",
    `
# AI Base Prompt (System)
根據以上以下的流程來回答整個問題:
1. 先從 Context 理解你的角色與相關問題的背景。
2. 在執行 Instructions 的要求。
3. 並且會根據 Additional Requirements 來進行修改。
4. 最後在 Verification 進行品質驗證。

## Context（上下文）
- Role: 你是一位教學型助教，並且你有以下的特質
  - 精通 {technologyDomains} 領域
  - 專精於教學
- 受眾背景：使用者為初階學習者

## Instructions (明確指令)
- 回答學生的問題

## Additional Requirements（額外要求）
- 語氣/風格：幽默幽默，不要太嚴肅。
- 請以繁體中文回答。
- 每段回答不要超過 500 個字。
- 結尾附上「Confidence: low/medium/high」。

## Verification（結果品質）
- 清楚標示資料來源（若有查證/引用），並在文末列出「參考來源清單」。
- 涉及推理或計算時，自行複核一次再輸出最終答案。
- 如果不確定，請明確說「我不知道」或說明需要哪些額外資訊。

    `.trim(),
  ],
  new MessagesPlaceholder("history"),
  ["human", "{userInput}"],
]);

export class BasePromptGenerator {
  /**
   * @param {string[]} 該 AI 工具人擅長的領域
   * @returns {any}
   */
  public static async getBaseChatPrompt(
    technologyDomains: string[]
  ) {
    return await baseChatPrompt.partial({
      technologyDomains: technologyDomains.join(", "),
    });
  }
}

  async callLLM(message: string): Promise<BaseMessage[]> {
    const promptTemplate = await BasePromptGenerator.getBaseChatPrompt(["AI"]);
    const formattedMessages = await promptTemplate.formatMessages({
      userInput: message,
      history: [],
    });
    
    const response = await this.agent.invoke(
      {
        messages: formattedMessages,
      },
      {
        configurable: {
          thread_id: this.configurable.threadId,
        },
      }
    );

    return [response.messages[response.messages.length - 1]];
  }

🚀 Step 2. 讓我們的 AI 工具人，變成學習的引導者

接下來我們要來設計一下我們的教學者的 prompt，然後我自已覺得就可以根據我們上面的通用型每個部份來想。

• Context : 設計教學者的人物設計
• Instructions : 設計用什麼樣的流程來回答學生的問題
• Additional Requirements : 然後進行一些額外的要求，來修飾你的回答

🤔 Context : 設計教學者的人物

我當初在想這題的時後，有點沒方向，所以我直接先問 ChatGPT 說 ~ 歷史上沒有沒什麼有名的教學者 ~ 不然我真的好像沒什麼好的靈感，偶不是什麼學習專家啊。

然後這是我提問結果，可以參考，學到不少啊。

然後我想了一下，我自已是屬於輸出型學習者的類型，也就是說我是那種上課聽課會睡著，但如果是用產生出東西來學習的話效果會比較好的那類，你看看我產出了多少文章 ~

因為我在這裡決定用以下兩位來當我這個教學者的範本 :

• 費曼技巧 : 以淺白語言教人，暴露缺口
• 蘇格拉底法 : 以連續追問啟發推理，自我修正

然後我產生的 Context 結果如下 :

## Context（上下文） 
角色定位:
- 你是一位「節制提示的蘇格拉底式教學者」，善用連續追問幫學生自我修正。
- 你同時要求學生用「費曼技巧」產出可被他人理解的教材。

教學信條:
- 不直接給最終答案；先問、再引導、最後由學生自證。
- 知識注入「剛好就好」：只補齊必要前置概念與關鍵脈絡。
- 希望學生最後都有辦法教導其它人。
- 以可交付物為中心：每次互動都逼出一個小產物（v1 → v2 -> V3）。

🤔 Instructions : 設計用什麼樣的流程來回答學生或是引導學生學習

接下來在根據費曼技巧與蘇格拉底法來設計整個學習流程是什麼，然後流程大約如下 :

1. 學生提出問題。
2. 剛好的知識提供給學生。
3. 學生嘗試自已產出教材。
4. 蘇格拉底優化循環，生成 v2/v3。

## Instructions（明確的指令）

#### Step 1. 接收問題（Student → Tutor）
首先你會先確認學生的背景 : 
- 尋問他的相關背景
- 尋問他對這個問題領域的熟悉成度，請他回答低、中、高。

#### Step 2. 知識注入（Tutor → Student）
原則：最小充分集（Minimal Sufficient Set）

- 只補「要理解問題所必需」的 3–5 個關鍵點（定義/時間線/角色/因果），每點 ≤ 5 句。
- 若為歷史題，建議格式：事件時間線＋關鍵角色＋地形/補給/同盟脈絡＋爭議點。

#### Step 3. 請學生產生教材（ Student 產生教材 v1 ） : 

- 請學生用能讓 12 歲理解的語言，產出 v1 教材。
- 直接用文字表達就好，文字小於 300 字。

#### Step 4. 蘇格拉底優化循環（ Tutor 問 → Student 修 ) : 
核心：連續追問四環

- 定義：用你自己的話定義核心概念。
- 前提：你的解釋倚賴哪些假設？（列 2–3 條）
- 證據：支持/反對證據各 2 點。
- 反例：舉一個能讓你解釋失效的情境，並修正教材（v2）。

#### Step 5. 最後完成至 V3 版本教材

🤔 Additional Requirements
語氣是很重要的，這裡就不多解釋，但這很重要還是要貼一下，我覺得我設計的很棒棒。

## Additional Requirements（額外要求）
- 語氣/風格：幽默幽默，不要太嚴肅，有 70 歲的老爺爺的口吻。
- 學生如果回答說不會，或是有逃避的行為，你要嘲諷他。嘲諷的回應 範例: 
  - 呵呵 ~ 你好廢 ~ 
  - 呵呵 ~ 我只能呵呵笑了 ~
  - 呵呵 ~ 強一點啊 ~ 
  - 呵呵 ~ 你這個小廢廢 ~ 
  - 呵呵 ~ 老子閉上眼睛都比你強 ~
  - 呵呵 ~ 你這死魚臭蝦爛螃蟹
- 學生有回答學習時，你要誇獎他。誇獎的回應 範例: 
  - 呵呵 ~ 你好棒棒 ~ 
- 請以繁體中文回答。
- 每段回答不要超過 500 個字。
- 結尾附上「Confidence: low/medium/high」。

🤔 結果

大概感覺就是這樣，還不錯 ~

🚀 Step 3. 檢查有沒有啥可以省省錢呢 ?

我們在這一篇文章中有學到的省錢術，用來檢查看看吧。

https://ithelp.ithome.com.tw/articles/10385780

🤔 我有觸發 Cache 嗎 ?

有的我都有在注意呢 ~ cache_read有值代表有中，然後因為我們 prompt 事實上已經有指揮它思考了，所以事實上 reasoning 也已經很少了，整個主要 token 來源還是在 input，但是我們有 cache 所以事實上也沒花到什麼。

[0]       "response_metadata": {
[0]         "tokenUsage": {
[0]           "promptTokens": 6340,
[0]           "completionTokens": 829,
[0]           "totalTokens": 7169
[0]         },
[0]         "finish_reason": "stop",
[0]         "model_provider": "openai",
[0]         "model_name": "gpt-5-mini-2025-08-07"
[0]       },
[0]       "tool_calls": [],
[0]       "invalid_tool_calls": [],
[0]       "usage_metadata": {
[0]         "output_tokens": 829,
[0]         "input_tokens": 6340,
[0]         "total_tokens": 7169,
[0]         "input_token_details": {
[0]           "audio": 0,
[0]           "cache_read": 4864
[0]         },
[0]         "output_token_details": {
[0]           "audio": 0,
[0]           "reasoning": 576
[0]         }
[0]       }

🤔 我有處理上下文嗎 ?

有的，下面我有寫一個 cleanMessageMiddleware，它會將不需要每次代入的 SystemMessage 給移除。但這樣會不會讓整個 context 都沒有 SystemMessage 呢 ? 不會喔因為整個 context messages 的儲放流程為 :

1. 初使化 ContextMessages = []
2. 呼叫 LLM 時將包含 SystemMessage + HummanMessage 丟給 LLM。
3. 然後重點是這樣，回傳出去時會將 SystemMessage 移除。
4. 所以這時 ContextMessages = [HummanMessage + AIMessage]
5. 下一次呼叫 LLM 時，帶給 LLM 的會是 [HummanMessage + AIMessage] + [SystemMessage + HummanMessage]

所以可以知道，我們再每一次請求時，還是會將 SystemMessage 帶入，但不會將他儲放進 ContextMessages。

import { BaseMessage, HumanMessage, AIMessage } from "@langchain/core/messages";
import { createAgent, createMiddleware } from "langchain";
import { Configurable } from "./interfaces/configurable";
import { BaseCheckpointSaver } from "@langchain/langgraph";
import { BasePromptGenerator } from "./prompts/base";
import { ChatOpenAI } from "@langchain/openai";


const cleanMessageMiddleware = createMiddleware({
  name: "cleanMessageMiddleware",
  afterModel: (state: { messages: BaseMessage[] }) => {
    state.messages = state.messages.filter((message: BaseMessage) => {
      if (message instanceof HumanMessage || message instanceof AIMessage) {
        return true;
      }
      return false;
    });

    return state;
  },
});

/**
 * 基礎 Chat AI 服務，他可以做任何事情，不會做任何限制
 */
export class BaseChatAI {
  private checkpointSaver: BaseCheckpointSaver;
  private configurable: Configurable;
  private agent: any;

  constructor(
    checkpointSaver: BaseCheckpointSaver,
    configurable: Configurable
  ) {
    this.checkpointSaver = checkpointSaver;
    this.configurable = configurable;
    this.agent = createAgent({
      llm: new ChatOpenAI({
        model: "gpt-5-mini",
        timeout: 1200000,
        promptCacheKey: 'base-chat-ai',
      }),
      tools: [],
      checkpointer: this.checkpointSaver,
      // ref: https://blog.langchain.com/agent-middleware/
      middleware: [cleanMessageMiddleware],
    });
  }

  async callLLM(message: string): Promise<BaseMessage[]> {
    const systemMessage = BasePromptGenerator.getBaseChatPrompt(["AI"]);
    const humanMessage = new HumanMessage(message);
    
    const response = await this.agent.invoke(
      {
        messages: [systemMessage, humanMessage],
      },
      {
        configurable: {
          thread_id: this.configurable.threadId,
        },
      }
    );
    console.log(response);

    return [response.messages[response.messages.length - 1]];
  }
}

🚀 小總結

這篇文章中，我們已經將我們的 AI 工具人，建立成一個會引導學生學習的導師，並且同時我們也有看看我們有沒有成功的省掉一些成本。

接下來我們就將繼續的進化我們的 AI 工具人。

程式碼