第三篇：與模型溝通的語言 — Prompt、User Prompt、System Prompt

###### tags: `大語言模型` `AI` `Agent` `核心概念大串聯` # 第三篇：與模型溝通的語言 — Prompt、User Prompt、System Prompt > **系列**：AI 核心概念大串聯 | [返回總覽](https://hackmd.io/@TommyHuang/ByDQ96dcZx) > [← 上一篇：Context 與 Context Window](https://hackmd.io/@TommyHuang/SkiIsT_qbe) | [下一篇：Tool 與 MCP →](https://hackmd.io/@TommyHuang/Bkltjadc-l) --- ## 一、Prompt 是什麼？ **Prompt（提示詞）** 是你傳給 LLM 的輸入內容，是人類與模型之間的「溝通語言」。 Prompt 的品質直接決定模型輸出的品質。同樣的模型、同樣的問題，不同的 Prompt 寫法可能產生天壤之別的結果。 ``` 差的 Prompt：「幫我寫文章」好的 Prompt：「請以科技部落格風格，為一般讀者撰寫一篇 600 字的文章，主題是 AI Token 的概念，需要包含生活化比喻與具體範例」 ``` --- ## 二、Prompt 的兩大類型在 AI 系統架構中，Prompt 依**傳送者與目的**分為兩種： ``` ┌─────────────────── LLM 收到的 Context ───────────────────┐ │ ┌─────────────────────────────────────────────────────┐ │ │ │ System Prompt（開發者設定，使用者通常看不到） │ │ │ └─────────────────────────────────────────────────────┘ │ │ ┌─────────────────────────────────────────────────────┐ │ │ │ User Prompt（使用者輸入的訊息） │ │ │ └─────────────────────────────────────────────────────┘ │ └───────────────────────────────────────────────────────────┘ ``` --- ## 三、User Prompt **User Prompt** 是使用者在對話中輸入的內容，也就是你平常在 ChatGPT 或 Claude 對話框中打出的訊息。簡單來說，只要是使用者主動輸入給 AI 的問題、要求或指令，都屬於 User Prompt。 ### 特性 - **即時產生**：每次對話都會根據當下需求動態改變 - **使用者可見**：由使用者直接輸入，也能清楚看到內容 - **互動導向**：主要用來向 AI 提問、描述需求或下達指令 - **彈性高**：可以是簡短問題，也可以是非常長的複雜需求 ### 範例 ``` User Prompt 範例： - 「幫我寫一篇 AI 文章」 - 「請翻譯成英文」 - 「幫我整理會議重點」 ``` User Prompt 的品質，往往也會直接影響 AI 回答的品質。描述越清楚，AI 通常越能產生符合需求的結果。 --- ## 四、System Prompt **System Prompt** 是開發者在對話開始前預先設定的底層指令，用來定義 AI 的角色、行為方式、回答風格與限制規則。它有點像 AI 在正式開始對話前收到的「工作守則」或「角色設定」。例如，開發者可以透過 System Prompt 告訴 AI：你是一位專業工程師回答時要保持禮貌避免輸出危險內容使用條列式整理資訊 | 用途 | 範例 | |------|------| | **角色設定** | 「你是一個客服機器人，代表 XX 品牌」 | | **行為規範** | 「不可討論競爭對手產品」 | | **輸出格式** | 「所有回答必須用 JSON 格式」 | | **知識注入** | 把產品文件、FAQ 放入 System Prompt | | **安全護欄** | 「不可生成任何有害內容」 | 一般使用者通常無法直接看到 System Prompt，但它對模型的影響力非常大，甚至優先級通常高於 User Prompt。因此，即使使用者要求 AI 做某些不被允許的事情，System Prompt 仍可能限制模型的最終輸出。在實際應用中，System Prompt 常被用來控制 AI 的安全性、回答風格與產品功能，確保模型能維持穩定且符合需求的行為模式。 --- ## 五、User Prompt和System Prompt兩者的關鍵差異 | | User Prompt | System Prompt | |--|-------------|---------------| | **撰寫者** | 使用者 | 開發者 | | **可見性** | 使用者可見 | 通常隱藏 | | **時機** | 對話中動態輸入 | 對話前預先設定 | | **目的** | 提出需求 | 定義角色與規則 | | **類比** | 顧客的點餐 | 餐廳的服務手冊 | --- ## 六、Prompt Engineering 「**Prompt Engineering（提示詞工程）**」是近年生成式 AI 領域中非常重要的技術之一，指的是透過系統化方式設計 Prompt，讓 AI 能更精準理解需求，進而產生更高品質的輸出結果。隨著大型語言模型能力快速提升，Prompt 已不只是「對 AI 下指令」，更像是一種與 AI 溝通的技巧。相同的 AI 模型，只要 Prompt 設計不同，輸出的品質、完整度與準確性就可能有巨大差異。 ### 幾個重要技巧 **1. 給予角色（Role Prompting）** Role Prompting 是最常見的方法之一，也就是先替 AI 設定一個明確角色，讓模型能以特定專業角度回答問題。例如： ``` 「你是一位擁有 20 年經驗的軟體架構師，請審查以下程式碼…」 ``` 當 AI 被賦予「資深軟體架構師」角色後，通常會更偏向專業、嚴謹且工程導向的回答方式。除了工程領域，也能應用在許多情境，例如： - 「你是一位專業營養師」 - 「你是一位科技媒體編輯」 - 「你是一位資深行銷顧問」這種方法能有效提升 AI 回答的風格一致性與專業感。 **2. 提供範例（Few-shot Prompting）** 有時候，單純描述需求仍不夠明確，因此可以先提供幾個範例，讓 AI 理解你希望的輸出格式與邏輯。例如: ``` 「請按照以下格式分類商品評論：範例 1：'這個產品很棒' → 正面範例 2：'品質很差' → 負面現在分類：'還可以接受'」 ``` 由於 AI 已先看到輸入與輸出的對應關係，因此通常能更準確模仿格式與判斷方式。 Few-shot Prompting 在： - 文本分類 - 格式轉換 - 摘要整理 - 資料標註等任務中特別常見。 **3. 思維鏈（Chain of Thought）** Chain of Thought 是讓 AI 「一步步思考」的重要技巧。一般情況下，AI 可能會直接給出答案；但若要求模型先拆解問題、逐步推理，往往能提升邏輯性與正確率。 ``` 「請一步步思考，先分析問題，再給出答案」 ``` 這種方式特別適合： - 數學問題 - 邏輯推理 - 程式除錯 - 複雜決策分析因為 AI 會先展示中間推論過程，而不只是直接輸出最終結果。 **4. 明確限制** 如果 Prompt 過於模糊，AI 的回答也可能變得發散。因此，在 Prompt 中加入明確限制，通常能大幅提升結果品質。 ``` 「用繁體中文、300 字以內、條列式回答」 ``` 限制條件可以包含： - 語言 - 字數 - 格式 - 回答風格 - 輸出結構這能讓 AI 更容易產生符合需求的內容，尤其在商業應用與內容生成領域非常重要。 --- ## 七、重點整理 - **Prompt** = 傳給 LLM 的輸入，是人機溝通的核心介面 - **User Prompt** = 使用者的即時輸入，表達需求 - **System Prompt** = 開發者預設的規則，定義模型角色與行為 - 好的 Prompt 設計能大幅提升輸出品質——這就是 Prompt Engineering --- > 下一篇：[第四篇 — 賦予模型行動力：Tool 與 MCP →](https://hackmd.io/@TommyHuang/Bkltjadc-l)