一句話定義

提示工程（Prompt Engineering）是一套有系統地設計、測試與修改提示詞的方法，目的是讓 AI 模型穩定產出符合你標準的結果，而不是靠運氣問到好答案。

30 秒看重點

  • 是什麼：Prompt Engineering 是把「跟 AI 講話」變成可以測試、可以重複的流程，重點在反覆驗證，不在找神奇咒語。
  • 為什麼重要：同一個模型，提示寫得好壞會讓結果差很多，而提示是一般人唯一改得動的那一塊。
  • 跟誰相關：天天用 ChatGPT 或 Claude 的上班族、串 API 做產品的工程師、想導入 AI 客服的公司都會碰到。
  • 最常見的誤解：以為背幾個萬用模板就叫會提示工程，其實沒有評測標準的修改只是在憑感覺換句話。
  • 記住這件事就夠了：先定義「什麼叫做對」，再改提示詞，改完要測，這三步做齊才算提示工程。

Prompt Engineering 到底是什麼？

Prompt Engineering 中文叫提示工程（也有人寫提示詞工程），是一套「設計提示詞 → 測試結果 → 修改 → 再測試」的循環方法，用來讓 AI 在各種輸入下都穩定給出你要的東西。

DAIR.AI 在 GitHub 上維護的《Prompt Engineering Guide》把它定義為「一門相對新的學科，用來開發與最佳化提示詞，讓語言模型能有效用在各種應用與研究」。這個 repo 在 2024 年 1 月就宣布學習人數超過 300 萬。

先分清楚兩個詞：Prompt（提示詞）是那段輸入本身，Prompt Engineering 是把那段輸入弄到穩定好用的整套功夫。

生活比喻：想像你要請假三天，得寫一張交接單給代班同事。第一版同事照做還是漏了廠商回信，你補一句「每天下午 3 點前回覆」；隔天他卡在報表格式，你再附一份範例。改到第三版，誰拿到都能做對。寫交接單是 prompt，把交接單改到誰來都做得對，就是 prompt engineering。

為什麼會有 Prompt Engineering？

因為 AI 模型很聰明，但它完全不知道你的脈絡，而你又沒辦法自己重新訓練它，能動的只剩輸入。

Anthropic 官方文件把 Claude 比喻成很優秀、但剛到職的新員工，不知道你們的規範跟流程，你講得越精準結果越好。官方的「黃金法則」是：提示詞拿給不熟這件事的同事看，他會困惑，模型也會。

問題在於，「講清楚」這件事沒辦法一次到位。

  • 你以為講清楚了，其實沒有：你腦中的「照舊」，模型不知道是什麼標準。
  • 這次對了，下次不一定對：AI 產出有隨機性，換一筆資料就可能翻車。
  • 模型換代，舊寫法會失效：這是最常被忽略的成本，後面會講。

所以提示工程真正在做的事，是用測試把不確定性壓下來。簡單來講，它比較像工廠品管，跟寫作文沒什麼關係。

Prompt Engineering 是怎麼運作的？

提示工程的運作就是三步循環：先定標準，再寫初稿，然後用測試結果反覆修改。

Anthropic 的提示工程總覽頁開宗明義說，開始調提示詞之前，你應該已經有這三樣東西：

  1. 清楚的成功標準：例如「客服回覆 100 字內、要附訂單編號、不能承諾退款」。沒有標準，你不知道改完是變好還是變壞。
  2. 能實際驗證的測試方式：準備一組固定測試題，每次改完都跑同一批，比對前後差異。
  3. 一份提示詞初稿：從能動的版本開始改，官方還提供 metaprompt 工具幫你生初稿。

有了這三樣，接下來才輪到各種技巧上場。常見的有這幾招：

  • 講清楚 + 說明理由：Anthropic 文件舉例，與其寫「絕對不准用刪節號」，不如說明為什麼不能用，模型懂了原因才能舉一反三。
  • 給範例：用幾組「輸入長這樣、輸出應該長這樣」的示範，讓模型抓到格式。
  • 用標籤分區：把指示、參考資料、使用者輸入用 <instructions>、<context> 這類標籤包開，避免模型把資料誤當成指令。
  • 長資料放最上面：官方建議長文件放在提示詞前面、問題放後面，對所有模型都有幫助。
  • 拆成多步驟（prompt chaining）：先產初稿、再請模型照標準自我審查、最後修正，每一步都是獨立呼叫，方便你檢查中間結果。

名詞小教室：思考鏈（Chain-of-Thought）也是提示工程的經典技巧。根據 NeurIPS 2022 的論文《Large Language Models are Zero-Shot Reasoners》，光是在提示裡加一句「Let’s think step by step」，InstructGPT 在 MultiArith 數學題的正確率就從 17.7% 跳到 78.7%。詳細原理可以看本站的思考鏈百科。

Prompt Engineering 跟 Context Engineering 差在哪？

Prompt Engineering 管的是「這一次的指令怎麼寫」，Context Engineering（脈絡工程）管的是「AI 在整個工作過程中，眼前該擺哪些資料」，後者範圍更大。

這個詞是 Anthropic 在 2025 年 9 月 29 日的工程部落格〈Effective context engineering for AI agents〉帶起來的。文章的說法是，提示工程聚焦在「撰寫與組織給 LLM 的指令」，脈絡工程則是「在推論過程中挑選並維護最適合的那一批 token」。會出現新詞，是因為 AI 從一問一答變成連跑幾十步的 AI Agent，資料一路堆積，光寫好第一句指令已經不夠。

比較項目Prompt Engineering 提示工程Context Engineering 脈絡工程
處理的對象單次任務的指令與範例整個任務過程中 AI 看到的所有資訊
典型問題「這段指示怎麼寫才不會被誤解？」「跑到第 30 步時，哪些舊資料該丟掉？」
常用手法講清楚、給範例、標籤分區、拆步驟需要時才載入資料、壓縮對話紀錄、讓 AI 寫筆記檔
主要使用者所有用 AI 的人打造 AI Agent 的工程師
比喻把交接單寫清楚決定代班同事桌上要擺哪些資料夾

從這張表可以看出來，脈絡工程把提示工程包在裡面，兩個是大圈套小圈。Anthropic 在 2025 年 11 月的部落格文章裡也寫到，到了 Claude 5 世代，「提示正在跟脈絡工程匯流，鷹架少一點，策展多一點」。

所以我的判斷是：如果你只是在對話框裡用 AI，學好提示工程就夠用；如果你在做會自己跑很多步的 Agent，就得往脈絡工程走。

你會在哪些 AI 工具看到 Prompt Engineering？

只要是會讓你「存一段固定指令重複用」的功能，背後都是提示工程的成果。

  • ChatGPT 的自訂指令、Claude 的 Projects：你寫的「我是誰、要什麼格式」會自動帶進每次對話，等於把提示工程的成果存起來。
  • Gemini 的 Gems 與 Skills：Google 正把 Gems 換成可疊加的 Skills，本質都是包裝好的固定提示詞。
  • AI 寫程式工具的設定檔：像 CLAUDE.md 這類規範檔，就是團隊一起維護的長期提示詞。
  • 公司的 AI 客服：背後的系統提示詞，是工程師一輪輪測過客訴情境才調出來的。

如果你是工程師，各家都有官方指南：OpenAI 的 GPT-5 提示指南推薦用 prompt optimizer 抓出提示裡互相矛盾的地方，Anthropic 則在 GitHub 開了 9 章的互動式教學。

學 Prompt Engineering 最常見的 3 個誤解

提示工程最常見的誤解是把它當成「咒語收集」，但它其實是會隨模型版本過期的工程實務。

  1. 誤解一：寫越長、越多規則越好 — 真相是，Anthropic 的文章直接寫「別過度設計，更長更複雜的提示不一定更好」。OpenAI 的 GPT-5 指南也提到，矛盾或模糊的指令對 GPT-5 傷害更大，它會花推理 token 去調和那些矛盾。
  2. 誤解二：學會的技巧可以用一輩子 — 真相是，技巧會被版本更新削弱，跟 RPG 改版砍技能一樣。最明顯的例子是「預填回答」（prefill），以前很常用來強制輸出 JSON，但 Anthropic 文件寫明從 Claude 4.6 系列開始已經不支援，送出去會直接回 400 錯誤 QQ
  3. 誤解三：提示工程能解決所有問題 — 真相是不行。Anthropic 的總覽頁寫得很清楚，不是每個失敗都該靠改提示詞解決，像延遲跟成本，有時換一個模型更快見效。

老實講，第二點最該記住。很多「神級提示詞大全」放到 2026 年的模型上已經沒用 但還是一直被轉貼。

Prompt Engineering 是真技能，還是換個說法的「會問問題」？

先講結論：它是真技能，但「提示工程師」這個獨立職稱的熱度已經退了。

據多家媒體報導，2023 年 Anthropic 一個提示工程師職缺年薪開到最高 33.5 萬美元。可是那份職缺要建工具、跑評測、跟研究員合作，光是「很會跟 ChatGPT 聊天」根本進不了門。

這兩年提示工程從一個職位，變成每個職位的基本功。本站 5 月報導通用汽車（GM）裁掉約 600 名 IT 員工時，新開的 AI 職缺技能清單裡就有提示工程，只是它混在一長串能力裡，沒有自己的職稱。

說白了，「會問問題」只是入門。能定標準、建測試、看懂模型改版後哪些寫法要調，才是有人願意付錢的部分。

想多了解 Prompt Engineering，從哪開始？

沒有技術背景的話：挑一件每週都叫 AI 做的事（像寫週報），先寫下「怎樣算好」的三個條件，再每次只改提示詞一個地方。你會發現補背景資料跟範例，比換句話更有感（這招真的超實用）。

有技術背景的話：先讀 Anthropic 的 Prompting best practices，再跑 GitHub 上的互動式教學。教學是為 Claude 3 寫的，官方提醒有衝突時以最新文件為準。做 Agent 的話，接著讀〈Effective context engineering for AI agents〉。

常見問題 FAQ

Prompt Engineering 跟 AI 有什麼關係？

Prompt Engineering 是讓人類更有效使用大型語言模型的方法。模型的能力由訓練決定，但每一次產出的品質，很大程度取決於你給它的指示、資料與範例，提示工程就是把這些輸入系統化地調到最好。

為什麼 Prompt Engineering 會突然這麼紅？

ChatGPT 在 2022 年底爆紅後，大家發現同一個模型問法不同結果差很多，2023 年甚至出現高薪的提示工程師職缺。之後隨著 AI Agent 興起，Anthropic 在 2025 年提出脈絡工程的概念，讓這個領域又往前延伸了一步。

我不是工程師也需要懂 Prompt Engineering 嗎？

需要，但你只需要懂核心觀念。如果你常用 AI 工具，學會先定義好結果的標準、提供完整背景、附上範例，並且每次只改一個地方來比較，就能大幅減少來回修改的時間，完全不需要寫程式。

Prompt Engineering 的中文翻譯有沒有統一？

沒有完全統一。台灣常見「提示工程」與「提示詞工程」兩種寫法，搜尋量上「提示工程」較多，但實際上大家更常直接講英文 Prompt Engineering。本站百科標題採用「提示工程」，內文兩種寫法都指同一件事。

學會 Prompt Engineering 之後，下一個該學什麼？

建議先學上下文視窗，了解模型一次能看多少內容；再學提示詞注入，知道你的提示可能怎麼被攻擊；如果要做 AI Agent，就接著了解脈絡工程與推理模型，因為新一代模型的思考方式會影響你該怎麼下指令。

延伸閱讀

參考來源

  1. Prompt engineering overview｜Claude Platform Docs — 提示工程前的三項準備，以及不是所有問題都該靠提示解決。
  2. Prompting best practices｜Claude Platform Docs — 新員工比喻、各項技巧，以及 Claude 4.6 起不再支援預填回答。
  3. Effective context engineering for AI agents｜Anthropic Engineering — 2025 年 9 月 29 日發布，提示工程與脈絡工程的定義差異與 Agent 情境下的做法。
  4. Best practices for prompt engineering｜Claude Blog — 提示與脈絡工程匯流、不要過度設計、XML 標籤不再是必要做法。
  5. GPT-5 prompting guide｜OpenAI Cookbook — 矛盾或模糊指令對 GPT-5 傷害更大、prompt optimizer 工具。
  6. Prompt Engineering Interactive Tutorial｜Anthropic GitHub — 9 章互動課程的章節結構。
  7. Prompt Engineering Guide｜DAIR.AI GitHub — 提示工程的定義、涵蓋技巧、星數與學習人數。

查證限制：思考鏈論文數據與 2023 年 Anthropic 職缺年薪，原文網站在撰寫環境無法開啟，以多個搜尋結果交叉比對一致後才寫入，未列入參考來源。

整理一下重點：Prompt Engineering 說穿了就是「先定標準、再改提示、改完就測」的循環，模型一改版，這套循環就得再跑一次，跟背咒語真的扯不上邊。

希望這一篇有讓你對提示工程有比較具體的理解哩～如果發現事實錯誤、定義不準、或翻譯卡卡的，歡迎透過聯絡頁指正，看到我們會盡快修。

我們下篇文章見囉～

本條目由 Array 報報 AI 編輯部根據上方「參考來源」整理，文末已揭露 AI 生成 + 公開資料引用。