在前幾天的練習裡，我們已經成功建立了簡單的 Root_Agent，並透過 Google ADK 讓它們能互相協作。
不過你可能會發現一個現象：明明程式碼幾乎一樣，Agent 的表現卻差很多？
其實，關鍵就在於 —— Prompt。
今天我們就來聊聊什麼是 Prompt，以及它在 Agent 裡的重要角色。

什麼是 Prompt？

簡單來說，Prompt = 提示 / 指令 / 問題。
它就是你輸入給 AI 的「文字說明」，用來告訴 AI：

• 你要它做什麼
• 你希望結果長什麼樣
• 它需要遵守的規則或風格

換句話說，Prompt 就是 AI 的任務說明書。

舉個例子：

你是一個友善的客服，請用簡單的語氣回答使用者的問題。

這樣的一段文字，就可以算是一個 Prompt。

Prompt 的三大元素

要寫出一個好的 Prompt，可以從三個角度來思考：

1. 任務內容（Task）
   • 你要 AI 做什麼？
   • 例：「幫我總結這篇文章」
2. 上下文（Context）
   • 給 AI 一些背景資訊，幫助它更了解需求。
   • 例：「這篇文章是關於氣候變遷的新聞」
3. 格式 / 輸出要求（Format）
   • 你希望答案怎麼呈現？
   • 例：「請用三點條列式回答」

Prompt 範例

假設我想讓 AI 當英文老師：

• 壞的 Prompt

  幫我學英文
  

  太模糊，AI 根本不知道從哪裡開始。
• 好的 Prompt

  你是一位英文老師，請解釋 "break a leg" 的意思，並舉三個生活化例句。
  

  這就很具體，AI 會用老師的口吻解釋片語，還會提供例子。

差別很明顯：清楚的 Prompt 才能得到更有條理、更符合期待的輸出。

Prompt 在 Agent 中的重要性

在 Google ADK 的設計裡，每個 Agent 通常會有：

• name：名稱，用來識別
• description：描述，讓人知道它的用途
• instruction：這就是 Prompt

其中，真正決定 Agent 行為邏輯 的，其實就是 instruction（Prompt）。
如果 Prompt 沒設計好，Agent 可能會出現「答非所問」、甚至亂發揮的狀況。
所以可以把 Prompt 想像成 Agent 的操作手冊 —— 它直接影響結果的品質與穩定度。

Prompt 在 LLM Agent 的角色

在一個 LLM Agent 系統中，Prompt 就像是 行為設定檔。常見的用法有：

1. 角色設定（Role Setting）

   你是一個精確的數學助教，專門負責解題。
   

   → 讓模型用特定身份回覆。

2. 任務說明（Task Instruction）

   當使用者輸入一個算式，請回傳計算結果，並附上簡短解釋。
   

   → 清楚定義它要做的事。

3. 格式規範（Output Format）

   請回傳 JSON 格式：
   {
       "status": "success",
       "result": "..."
   }
   

   → 輸出一致，方便程式解析。

4. 限制範圍（Boundary Setting）

   如果問題與數學無關，請回覆「這不在我的範圍內」。
   

   → 避免模型胡亂回答。

Prompt 對 Agent 行為的影響

• Prompt 太模糊 → 輸出不穩定
  例如只寫「請幫我查天氣」，AI 可能會亂講或缺少細節。

• Prompt 清晰明確 → 輸出一致

  你是一個天氣助手。
  請根據輸入的地點與日期，輸出以下格式：
  - 地點
  - 日期
  - 天氣描述
  - 溫度
  

• Prompt 有明確邊界 → 減少錯誤
  例如指定「如果資訊不足就回覆請求補充」，能避免模型亂編。

在實務上，設計一個好的 Agent，往往不是一次就能完成，而是需要 不斷測試與微調 Prompt。這樣才能讓 Agent 的行為真正符合我們的需求。