上一篇我們認識了 Prompt 的基本概念，也知道了它在 Agent 中的重要性。
不過在實作時，常常會遇到一個問題：
「明明 Prompt 已經寫好了，為什麼 Agent 還是會出錯？」
這篇我們就來更深入探討 Prompt 的挑戰、管理方式等。

為什麼 Prompt 有時候已經寫了還是會出錯？

即使 Prompt 寫得再清楚，LLM 或 Agent 有時候仍可能出錯。原因大致可分為兩類：模型本身的特性與Prompt 設計不足。
而這兩類再往下分的原因大概還有幾種：

1. 模型的隨機性（Stochastic Nature）

   • LLM 在生成答案時，本質上是依照機率分佈來預測下一個詞，而不是絕對固定的輸出。
   • 即使給定相同的 Prompt，每次回覆可能略有差異。

2. Prompt 不夠具體

   • 如果 Prompt 內容模糊，模型也可能誤解了你的意圖。
   • 例如：

     請回傳天氣
     

     → 模型可能隨意發揮，甚至忽略你想要的格式（如 JSON）。

3. Agent 的行為不等同於工具輸出
   即使你的工具函式（如 Day 10、Day 11 的 add_numbers 或 reverse_text）有固定的 return 格式，Agent 不一定會「原封不動」回傳結果。在 ADK（如 Google ADK）的流程中，LLM 會決定：

   • 是否呼叫工具
   • 工具結果是否直接使用
   • 或者自己改寫輸出

   因此，LLM 可能只抽取核心資訊（例如 8 或反轉後的字串）來回覆，而忽略完整句子。

4. 上下文不足或資訊缺失

   • 任務太複雜或包含多個步驟，容易導致模型遺漏、順序錯亂或自由發揮。

5. Instruction 沒有限制格式

   • 如果 Prompt 或 Agent 的 instruction 沒明確要求「必須完整回傳工具輸出的句子」，LLM 可能只給出最簡化的答案。這也是為什麼有時候你看到的回覆只是數字或字串，而不是完整訊息。

總結：Prompt 出錯不是 Bug，而是 LLM 的本質 + Prompt 設計不足的綜合作用。

Prompt 一定要用英文？

其實 Prompt 不一定非得用英文，中文也可以運作，但在實務上，很多人會建議以英文來寫，原因主要有這幾點：

1. 訓練語料比例差異
   • 多數大型語言模型（LLM）訓練資料以英文為主。
   • 雖然模型支援多語，但英文的資料量、範例數和品質都遠高於其他語言。
   • 這代表用英文指令，模型理解的精準度和一致性會更高。
2. 技術文件與範例多數是英文
   • API 文件、程式碼範例、研究論文，幾乎都用英文撰寫。
   • 如果你寫 Prompt 時也用英文，模型更容易和這些「知識脈絡」對齊，產生結果的正確性和一致性會更高。
3. 避免語言歧義
   • 中文、日文等語言常有「同一個詞有多種意思」的情況。
   • 英文表達更容易具體化，降低模型「誤解指令」的風險。
4. 多數最佳實踐與研究基於英文
   • 很多 Prompt 技巧最初都是針對英文測試。
   • 直接用英文，能最大化利用這些既有成果。

那中文 Prompt 完全不行嗎？

中文在 對話、內容生成、教學文案 等任務上表現其實不差，甚至更自然。但在 程式、結構化輸出、精準控制格式 的情境下，用英文通常更穩定。

結論：

• 如果要 教模型做精確的事（例如 API、工具回傳格式、JSON 結構、代碼生成）→ 建議用英文。
• 如果要 和使用者互動、寫文章、內容表達 → 中文一樣可以，甚至更貼近需求。

為什麼要分開成單獨一個檔案？

在 Google ADK 的專案結構中，我們通常會把 Prompt 放在 prompt.py（或多個檔案）。這麼做有幾個好處：

1. 方便管理
   • 每個 Agent 的描述（description）與指令（instruction）集中存放，不會散落在程式碼各處。
2. 更容易調整與版本控制
   • 只要修改 prompt.py，就能快速更新 Agent 行為，不需要動到主要程式。
3. 可讀性更好
   • 程式碼部分專注於「邏輯與工具」；Prompt 部分專注於「語言與行為設定」。
4. 利於協作
   • 開發者可以專注寫程式，PM / 策略人員可以專注設計 Prompt，互不干擾。

實務上，專案規模一大，Prompt 拆分檔案管理 幾乎是必須的。

Prompt 要怎麼寫最好？

1. 明確角色定位（Role Setting）

• 指定模型身份，避免它自由發揮。
• 角色設定會影響 AI 回答的風格與角度。

範例：

你是一個友善的天氣助理，負責根據地點與日期回覆天氣資訊。

2. 清楚定義任務（Task Instruction）

• 告訴模型「要做什麼」，而不是模糊的「幫我處理」。
• 明確任務讓 AI 知道輸出重點，減少偏離。

範例：

請回傳氣溫與天氣狀況

3. 提供上下文（Context）

• 提供背景資訊，讓 AI 更懂你的需求，避免亂猜或偏題。

範例：

我正在寫一篇關於遠端工作的文章，目標讀者是剛接觸自由接案的新手。
請幫我列出 5 個遠端工作的常見挑戰，並給出解決建議。

4. 規範輸出格式（Output Format）

• 規範輸出格式（Output Format）
• 使用 JSON、Markdown、表格等結構化格式，方便閱讀或程式解析。
• 統一輸出格式可以提升系統自動化與一致性。

範例：

請回傳 JSON 格式：
{
  "location": "",
  "date": "",
  "weather": "",
  "temperature": ""
}

5. 限制範圍（Constraint / Boundary）

• 設定邊界，避免 AI 隨意發揮。
• 可以指定語言、字數限制，或特定情況的回覆內容。

範例：

如果輸入缺少地點或日期，請回覆「請提供完整資訊」。
回答請使用繁體中文，每個要點不超過 30 字。

寫好 Prompt 的黃金公式

你可以用這個框架來設計 Prompt：

[角色] + [任務] + [上下文] + [格式要求] + [限制條件]

範例：

你是一位資深的產品經理。
請幫我分析一個新創 APP 的商業模式。
這個 APP 的功能是「幫使用者追蹤日常喝水量」。
請用表格格式輸出，欄位包含「收入來源」、「目標族群」、「潛在風險」。
回答請使用繁體中文。

這樣的 Prompt 能讓 AI 更清楚任務範圍、行為規則與輸出格式，結果也會更穩定。

額外小技巧

• 先模擬對話：想像你請一個人幫忙，你會如何交代？照著那個邏輯寫 Prompt。
• 逐步提示（Step-by-step Prompting）：如果任務太大，拆成小步驟，逐步引導 AI 完成。
• 提供範例（Few-shot Prompting）：給模型正確輸入/輸出範例，讓它模仿學習。
• 反覆測試與優化：好的 Prompt 很少一次就到位，通常需要多次調整。