昨天 的程式碼示範，讓我們成功呼叫 Gemini API 並得到第一個回應。這等同於完成了 Hello World of LLM。

但現實專案裡，我們需要的不只是「AI 可以說話」，而是能讓它根據上下文、角色定位、輸出規格去生產可直接落地使用的結果。這就是 Prompt Engineering + Python Code Structure 結合的關鍵。

今天我們的目標是：

1. 模組化 Prompt：讓程式結構對後續擴展更有彈性。
2. 掌握三大技巧：角色 (Role)、口吻 (Tone)、限制條件 (Constraints)。
3. 從 Demo 到 Utility：理解怎麼把 Prompt 設計思路轉化成可維護的程式模式。

步驟一：程式碼結構優化 — Prompt 抽離

最初版程式碼將字串直接寫在 generate_content() 裡：

response = model.generate_content("用一句話介紹你自己")

這樣雖然能跑，但對專案開發來說不夠彈性。最佳實務：將 Prompt 抽出成變數，甚至未來可存放在 YAML/JSON 檔 或 資料庫 供版本控管。

技巧一：角色 (Role) — 定義專業身份

AI 本質上是條件反應系統。若沒有角色定位，它的回答會偏向通用型，不符合場景需求。

Example 1 : 自動產生 Conventional Commits 格式的 Git 訊息。

role = "你是一位資深軟體工程師，擅長撰寫符合 Conventional Commits 的 Git Commit 訊息。"
task = "我修復了一個使用者登入時，因密碼錯誤導致程式崩潰的 Bug。"
prompt = f"{role} {task}"

response = model.generate_content(prompt)
print(response.text)

輸出範例：

fix(auth): 處理因密碼不正確引發的異常，防止應用程式崩潰

技巧二：口吻 (Tone) — 控制風格

Example : 行銷文案

role = "你是一位社群媒體行銷專家"
tone = "請用活潑、有趣、充滿咖啡香氣的口吻"
task = "幫我為一款耶加雪菲日曬豆寫一篇 80 字左右的 IG 貼文。"

prompt = f"{role}，{tone}。{task}"

response = model.generate_content(prompt)
print(response.text)

輸出範例：

☀️ 一口喝下衣索比亞的陽光！☀️ ... #咖啡豆推薦

技巧三：限制條件 (Constraints)

角色 + 口吻決定「風格」，但沒有約束就會失控。限制條件才是把 LLM 從「靈感工具」拉進「生產工具」的關鍵。

Example : 履歷優化

role = "你是一位專業的英文求職教練"
tone = "請用專業、鼓勵的口吻"
task = "針對軟體工程師職位，幫我優化履歷自我介紹"
constraints = """
請遵循以下規則：
1. 必須包含技能：Python, AWS, React。
2. 全文請用英文撰寫。
3. 嚴格限制在 100 字以內。
4. 最後條列 2 個改進建議。
"""

prompt = f"{role}。{tone}。{task}。{constraints}"

response = model.generate_content(prompt)
print(response.text)

輸出範例：

A results-driven Software Engineer...  
- Add quantifiable achievements  
- Tailor intro to target company  

進階思考：將 Prompt 結構化

為了更工程化地管理 Prompt，可以考慮把 Prompt 拆成 多維度物件：

prompt_template = {
    "role": "Software Engineer",
    "tone": "Formal, concise",
    "task": "Generate an API error response",
    "constraints": [
        "Follow RFC 7807 Problem Details format",
        "Output must be valid JSON",
        "Message length < 50 words"
    ]
}

def build_prompt(template: dict) -> str:
    return f"""
    You are {template['role']} with {template['tone']} style.
    Task: {template['task']}
    Constraints:
    {"; ".join(template['constraints'])}
    """

prompt = build_prompt(prompt_template)
response = model.generate_content(prompt)

這樣的結構有幾個優勢：

• 易於維護：每個維度單獨調整，不用硬改字串。
• 可版本化：能夠存放在配置檔或資料庫。
• 可擴展：未來支援多語系、角色庫、不同業務場景。

今天 的內容本質上是「單純透過使用者 Prompt 讓模型回答得更貼近需求」，還不算進入「系統層級的控制 (System Prompt / Model Configuration)」。下一章會介紹「System Prompt 與模型護欄 (Guardrails) 設計」專題，讓開發者理解如何從「使用者請求字串層級的提示工程」進階到「系統級輸入策略與安全限制」。