同一個問題，不同策略的推理過程和結果差異
| 策略 | 適用場景 | 優點 | 缺點 |
|---|---|---|---|
| Zero-shot | 簡單任務、LLM 已熟悉 | 最快、最省 token | 複雜推理容易錯 |
| Few-shot | 需要特定格式/風格 | 引導輸出格式 | 佔用 context window |
| CoT | 數學、邏輯推理 | 大幅提升推理準確度 | 回應較長、較慢 |
| ToT | 多方案比較、規劃 | 探索多種可能性 | token 消耗大 |
| ReAct | 需查資料/呼叫工具 | 結合推理與行動 | 需要工具整合 |
提示工程(Prompt Engineering)是 iPAS 生成式 AI 的核心考點(初級科目二)。重點:把指令寫清楚、給角色與脈絡、附範例(few-shot)、引導分步推理(思維鏈),同一模型答得好不好差在怎麼問。易混點:提示工程不改模型權重(與微調不同);要求固定輸出格式(如 JSON)利於系統接手。情境:用提示提升摘要、客服、生成內容的穩定與正確,並防範提示注入。
想練情境題與詳解 → AI 學習與考證地圖
zero-shot(只給指令)、few-shot(給範例)、思維鏈(Chain-of-Thought 逐步推理)、角色設定、給格式範本、自我檢查與反思等。
在提示中放幾個輸入與輸出範例，讓模型照樣造句、學會任務格式與風格，通常比 zero-shot 準，且不需改模型。
需要多步推理的題(數學、邏輯、規劃)；請模型逐步思考再給答案能顯著提升正確率，但會變長與變慢。
指令具體明確、提供必要脈絡與範例、指定輸出格式、必要時分步或設角色，並反覆測試迭代。
受模型能力與上下文長度限制、對措辭敏感、無法保證一致；需要更穩定或專屬能力時應考慮微調或 RAG。