在 Day17 中，我們學會了如何將模型 API 整合到應用程式。接下來的挑戰，是如何讓模型「說出我們想要的答案」。這就需要用到 Prompt Engineering（提示工程）。

Prompt Engineering 並不只是「下指令」，而是 設計輸入，讓 AI 輸出結果更符合需求。

🔹 為什麼需要 Prompt Engineering？

• 模型是泛用的：沒有好的指令，結果常常模糊或偏離。
• 避免反覆試錯：好的 Prompt 能減少調整次數，提升開發效率。
• 結構化輸出：確保 AI 回應能被程式解析，例如 JSON 格式。
• 最佳化效能與成本：精簡 Prompt，能降低 API token 消耗。

🔹 常見的 Prompt Engineering 技巧

1. 角色設置 (Role Prompting)

   • 指定 AI 扮演某種角色，讓回應更聚焦。
   • 範例：

     你是一位資深資料科學家，請用簡單的方式解釋 PCA 的概念。
     

2. 逐步推理 (Chain-of-Thought Prompting)

   • 要求模型逐步思考，而不是直接給答案。
   • 範例：

     請逐步解釋如何計算 24 * 17，最後再給出答案。
     

3. 少樣本學習 (Few-Shot Prompting)

   • 給模型幾個範例，引導它模仿輸出格式。
   • 範例：

     將句子翻譯成英文：
     輸入：我愛程式設計  
     輸出：I love programming  
     
     輸入：今天天氣很好  
     輸出：
     

4. 結構化輸出 (Structured Output)

   • 要求 AI 使用 JSON 或特定格式，方便系統解析。
   • 範例：

     請將以下商品資訊整理成 JSON：
     商品：iPhone 15  
     價格：NT$38,900  
     
     輸出格式：
     {
       "name": "",
       "price": ""
     }
     

🔹 Azure 與 Vertex AI 在 Prompt 工程的支援

🔹 範例：呼叫 API 並套用 Prompt

Python (Azure OpenAI 風格 API)

import openai

response = openai.ChatCompletion.create(
    engine="gpt-35-turbo",
    messages=[
        {"role": "system", "content": "你是一位英文翻譯專家。"},
        {"role": "user", "content": "請將以下文字翻譯成英文：我喜歡資料科學"}
    ]
)

print(response['choices'][0]['message']['content'])

Python (Vertex AI PaLM API)

from vertexai.language_models import ChatModel

chat_model = ChatModel.from_pretrained("chat-bison")
chat = chat_model.start_chat()

response = chat.send_message("你是一位英文翻譯專家，請將以下文字翻譯成英文：我喜歡資料科學")
print(response.text)

小結

在 Day18，我們學會了 Prompt Engineering 的關鍵技巧，讓 AI 不只是輸出「某種答案」，而是「符合需求的答案」。

角色設置：讓 AI 代入特定專業背景

逐步推理：提升邏輯性與正確率

少樣本學習：快速定義輸出風格

結構化輸出：方便程式解析