主題: 學習筆記

什麼是 Prompt Engineering？從一句問題到能檢查的任務

Frontend Masters《Practical Prompt Engineering》入門筆記：從 LLM 的生成方式理解提示工程，用 JavaScript closure 範例整理任務、背景、輸出要求與驗證。

最近開始上 Frontend Masters 的《Practical Prompt Engineering》。第一份筆記先處理一個問題：當我們說自己在做 prompt engineering，究竟在調整什麼？

Prompt Engineering（提示工程）是設計、測試與調整模型輸入的過程，目的是讓大型語言模型更穩定地完成特定任務。 提示可以包含指令、背景資料、參考範例，以及對輸出內容與格式的要求。Hugging Face 的入門說明也把明確交代任務與預期結果，列為提示設計的基本做法。

這篇先停在定義與一個自編的前端學習情境。課程的 LLM 基礎觀念會用原始論文與官方文件補充；文中的提示對照尚未執行模型測試，也沒有量測哪個版本比較準確。

Prompt 包含哪些資訊？

平常在聊天介面輸入的問題，就是一種 prompt。當任務更具體時，輸入也可能包含一段要整理的文件、一份程式碼，或一個想要模仿的輸出範例。

例如「幫我解釋 closure」已經交代主題，卻沒有交代讀者懂多少 JavaScript、需要什麼範例，以及回答應該深入到哪裡。模型仍然可以作答，只是它採取的說明方式，可能和我需要的不同。

我會先把提示裡的資訊分成幾個實際問題：要做什麼？有哪些必要背景？結果要怎麼呈現？這些資訊需要多少，就寫多少；短問題也可能已經足夠，不必每次都套用完整模板。

為什麼改變提示會影響回答？

課程用「預測下一個 token」介紹 LLM。對常見的自回歸文字模型來說，模型會根據目前可用的輸入與已生成內容，計算下一個 token 的機率，再依解碼策略接續生成。Token 是模型處理文字的單位，不一定對應一個完整單字。Transformer 原論文第 3 節說明了逐步生成並使用先前輸出的方式；Hugging Face 的生成策略文件則區分了直接選取最高機率 token 與抽樣等做法。

放回提示設計：當我補上「讀者剛學會函式」或「請提供一個計數器範例」，這些內容會成為模型生成時可用的條件。因此，回答有機會更貼近讀者與用途；這仍需要實際檢查，不能只憑提示看起來完整就判定有效。

課程提到的 2017 年論文〈Attention Is All You Need〉，提出以注意力機制為核心的 Transformer 架構，改善平行處理能力與長距離關聯的學習。注意力機制在這篇論文之前就已存在；這裡先保留它與語言模型發展的關係，不展開架構細節。原始論文

用 closure 範例，把需要的回答寫清楚

最初的提示可以很短：

請解釋 JavaScript 的 closure。

如果我的目標是讓剛學會函式的人，看懂一個保留狀態的例子，可以改成：

請用台灣繁體中文，向剛學會 JavaScript 函式的人解釋 closure。

請依照以下順序回答：
1. 先用兩句話說明核心概念，必要術語請一併解釋。
2. 提供一個純 JavaScript 的計數器範例。
3. 示範連續呼叫計數器三次，列出預期輸出。
4. 說明外層函式結束後，內層函式為什麼仍能存取 count。

範例請能直接在瀏覽器 Console 執行。

第二個版本把原本留給模型決定的幾件事寫了出來：

這個對照能直接看出的差別，是第二個版本有更多可檢查的要求。它是否讓某個模型回答得更好，仍需要把兩個版本拿去測試。這份筆記沒有放入假想的模型回答，也不把提示本身當成實驗結果。

「工程」包含測試與修正

寫好第一版提示後，還需要知道怎麼判斷回答。以這個 closure 情境來說，我會先留下三項完成條件：程式能直接執行、三次輸出與程式一致，以及解釋能交代內層函式保留對外層綁定的存取。

接著才有辦法進行一輪有根據的修改：

1. 保存提示版本、模型名稱、可取得的版本資訊與生成設定，方便比較。
2. 取得回答，逐項對照完成條件；程式碼要實際執行。
3. 記下具體缺口，例如範例可跑，但沒有解釋 count 的作用域。
4. 根據缺口調整提示，再用原案例與相近的新案例檢查。

這份檢查方式是針對本文例子設計的，尚未實際執行。它呼應 Anthropic 的提示工程概覽：開始調整提示前，先建立成功條件、檢查方式與一份初稿。

如果之後比較兩個版本，也要留意輸出的變動。同一個提示在採用抽樣時，可能產生不同回答；一次成功只能說明那次結果符合要求。這也是保存多次結果與測試案例的用途。生成策略說明

清楚的提示仍有能力與資訊限制

提示能交代需求，模型能否完成，還受到能力與可用資料的影響。要求它「務必正確」，沒有提供可以核對的證據；請它解釋某個剛更新的 API，也不能讓它自動取得新版文件。

遇到近期資訊，我會附上相關文件，或使用能取得外部資料的搜尋工具，再核對回答是否受到來源支持。Google 的搜尋 grounding 文件說明了利用搜尋取得知識截止日之後資訊的方式。截止日前的內容也仍然可能有錯，日期本身不是正確性的保證。

因此，開始這個練習時，我會先寫下任務與完成條件，再決定提示要補哪些資訊。等到有實際回答，就用那些條件找出缺口。這樣留下的每次修改，才有理由可追蹤，也方便之後重做。

下一篇接著整理 Temperature 與 Top P，從機率分布理解提示內容之外的採樣設定。

參考資料與範圍

• Sabrina Goldfarb，《Practical Prompt Engineering》課程投影片：本篇對應開頭的「What Is Prompt Engineering」與 LLM 入門段落。
• 課程配套網站，Introduction to LLMs：課程的生成機制與 Transformer 背景說明。
• Vaswani 等人，Attention Is All You Need：Transformer 與自回歸生成的原始論文。
• Hugging Face，Prompt engineering、Generation strategies：提示設計、解碼與抽樣的補充。
• Anthropic，Prompt engineering overview：成功條件與檢查方式。
• Google，Grounding with Google Search：外部搜尋與近期資訊。

資料於 2026-10-15 查閱。Closure 提示與檢查條件為自編例子；本文沒有模型實測、準確率比較或個人熟練度評量。