Gen AI prompt practice
56免費公開
prompt engineering 練習日記
第33天：提示工程進階「反思(Reflexion)」
－
1. 反思(Reflexion)的定義
▹核心概念：
「反思」是一種能夠協助 LLM 達成自我學習與進化的進階提示技術，主要結合了「思維鏈 (CoT)」與「自我修正(Self-Correction)」。
透過反思Prompt模板的指令，
第33天：提示工程進階「反思(Reflexion)」
－
1. 反思(Reflexion)的定義
▹核心概念：
「反思」是一種能夠協助 LLM 達成自我學習與進化的進階提示技術，主要結合了「思維鏈 (CoT)」與「自我修正(Self-Correction)」。
透過反思Prompt模板的指令，
第32天「思維樹 (Tree of Thoughts, ToT)」
－－進階思維鏈 (Advanced Chain of Thought, CoT)
－
1. 思維樹(ToT) v.s 思維鏈(CoT)
我理解思維樹，像是將思維鏈的前後發展起來。前，是指在開始時，要進行的不只有一個方向/路
第32天「思維樹 (Tree of Thoughts, ToT)」
－－進階思維鏈 (Advanced Chain of Thought, CoT)
－
1. 思維樹(ToT) v.s 思維鏈(CoT)
我理解思維樹，像是將思維鏈的前後發展起來。前，是指在開始時，要進行的不只有一個方向/路
第31天：保護性提示 (Protective Prompting)
之前已經學過「Safety & Ethical Considerations」(第21天的內容)，那時提到了鑑於 LLM 的功能強大，必須給予安全性＆倫理考量上的規範限制，避免 LLM 生成有害內容，包含：
▪︎ 偏見 (Bias
第31天：保護性提示 (Protective Prompting)
之前已經學過「Safety & Ethical Considerations」(第21天的內容)，那時提到了鑑於 LLM 的功能強大，必須給予安全性＆倫理考量上的規範限制，避免 LLM 生成有害內容，包含：
▪︎ 偏見 (Bias
第30天：提示壓縮 (Prompt Compression)
想像一個日常用戶與 AI的對話場景，用戶一口氣輸入一大篇長文/資訊/對話...etc.加上需求，希望得到解答。
按照我們已經算是相當熟悉的工作流程，應用程式在收到完整長篇內容後，會直接與任務需求打包成一個巨大的 Prompt，直接發送
第30天：提示壓縮 (Prompt Compression)
想像一個日常用戶與 AI的對話場景，用戶一口氣輸入一大篇長文/資訊/對話...etc.加上需求，希望得到解答。
按照我們已經算是相當熟悉的工作流程，應用程式在收到完整長篇內容後，會直接與任務需求打包成一個巨大的 Prompt，直接發送
第29天：Prompt Engineering 的「自我修正工作流 (Self-Correction Workflow)」
Prompt Engineering 的目標向來是讓 LLM 生成高品質的輸出內容，透過設計各種可以協助 LLM 更準確地掌握 Prompt 所要傳達的 Prompt模板、或
第29天：Prompt Engineering 的「自我修正工作流 (Self-Correction Workflow)」
Prompt Engineering 的目標向來是讓 LLM 生成高品質的輸出內容，透過設計各種可以協助 LLM 更準確地掌握 Prompt 所要傳達的 Prompt模板、或
第28天：自我優化 Prompt (Self-Optimizing Prompts) ＆ Prompt 蒸餾 (Prompt Distillation)
今天要學習的「自我優化 Prompt (Self-Optimizing Prompts)」與「Prompt 蒸餾 (Prompt Distill
第28天：自我優化 Prompt (Self-Optimizing Prompts) ＆ Prompt 蒸餾 (Prompt Distillation)
今天要學習的「自我優化 Prompt (Self-Optimizing Prompts)」與「Prompt 蒸餾 (Prompt Distill
第27天：基準測試 (Benchmarking) 的概念與實踐
我們已經充分理解 Prompt 是一個奠基於語意的指令，所以要讓 LLM 能生成符於預期的結果是相對困難且複雜的。而 Prompt engineering 所做的諸多努力，正是在使「LLM 總是可以生成符於預期的結果」這件事可以發生。
第27天：基準測試 (Benchmarking) 的概念與實踐
我們已經充分理解 Prompt 是一個奠基於語意的指令，所以要讓 LLM 能生成符於預期的結果是相對困難且複雜的。而 Prompt engineering 所做的諸多努力，正是在使「LLM 總是可以生成符於預期的結果」這件事可以發生。
第26天：防禦性提示工程 (Defensive Prompt Engineering)
正如水能載舟亦能覆舟，LLM 作為一個功能強大的工具，雖可協助用戶準確執行任務，但也可能被不當惡意利用。那麼，要如何防止 LLM 被惡意利用或產生不安全的行為？
我們已經知道，Prompt Engineeri
第26天：防禦性提示工程 (Defensive Prompt Engineering)
正如水能載舟亦能覆舟，LLM 作為一個功能強大的工具，雖可協助用戶準確執行任務，但也可能被不當惡意利用。那麼，要如何防止 LLM 被惡意利用或產生不安全的行為？
我們已經知道，Prompt Engineeri
我對 ChatGPT 發問：
Prompt 應該「條列式 ／結構化)」還是「自然語言語句」？
－
我：
我一直以為Prompt 應該「條列式 ／結構化)」與「自然語言語句」交替轉換著使用。
但，我確實無法掌握，何時該條列式、何時該使用自然語言語句。
可否給我一些建議，關於如何判斷什麼時候哪種
我對 ChatGPT 發問：
Prompt 應該「條列式 ／結構化)」還是「自然語言語句」？
－
我：
我一直以為Prompt 應該「條列式 ／結構化)」與「自然語言語句」交替轉換著使用。
但，我確實無法掌握，何時該條列式、何時該使用自然語言語句。
可否給我一些建議，關於如何判斷什麼時候哪種
第25天：基於代理人的提示工程 (Agent-based Prompt Engineering)
用我的理解來表述的話，我會說Agent-based Prompt Engineering 是「代理人基礎的提示工程」。
「代理人基礎的提示工程」表達了：
▷是「提示工程」在單一 LLM 中實現，不是
第25天：基於代理人的提示工程 (Agent-based Prompt Engineering)
用我的理解來表述的話，我會說Agent-based Prompt Engineering 是「代理人基礎的提示工程」。
「代理人基礎的提示工程」表達了：
▷是「提示工程」在單一 LLM 中實現，不是
第24天：無提示工程 (Promptless Prompt Engineering)
(進行3點補充)
－
一、歸結Promptless 工程的工作流，可大致區分為二階任務
第一階段：元指令驅動 LLM as a Prompt Generator
Input：「用戶實際任務(＆目標)」＋
第24天：無提示工程 (Promptless Prompt Engineering)
(進行3點補充)
－
一、歸結Promptless 工程的工作流，可大致區分為二階任務
第一階段：元指令驅動 LLM as a Prompt Generator
Input：「用戶實際任務(＆目標)」＋
第24天：無提示工程 (Promptless Prompt Engineering)
(很多我自以為的理解的理解筆記...)
1.什麼是「無提示工程」？
Promptless，顧名思義，是不產出 Prompt。更準確地說，是不再由人來產出實際指派任務的 Prompt，而是轉向利用元指令(M
第24天：無提示工程 (Promptless Prompt Engineering)
(很多我自以為的理解的理解筆記...)
1.什麼是「無提示工程」？
Promptless，顧名思義，是不產出 Prompt。更準確地說，是不再由人來產出實際指派任務的 Prompt，而是轉向利用元指令(M
第23天：提示連鎖 (Chaining Prompts) 與協同提示 (Collaborative Prompts)
－
當我一看到這兩個技巧，就感到很熟悉，才發現它們與之前學過的CoT、MAS是相類似的概念，只是在不同層面的運作。
＊提示連鎖 (Chaining Prompts)：以一種線性
第23天：提示連鎖 (Chaining Prompts) 與協同提示 (Collaborative Prompts)
－
當我一看到這兩個技巧，就感到很熟悉，才發現它們與之前學過的CoT、MAS是相類似的概念，只是在不同層面的運作。
＊提示連鎖 (Chaining Prompts)：以一種線性
第22天：Prompt Engineering 中的 Agentic Workflow (代理工作流)與 Function Calling (函數調用)
之前已經學過 LLM 作為代理人(as an Agent)的概念，今天就要來進一步理解，當 LLM as an Agent 時的細部流程，也就是
第22天：Prompt Engineering 中的 Agentic Workflow (代理工作流)與 Function Calling (函數調用)
之前已經學過 LLM 作為代理人(as an Agent)的概念，今天就要來進一步理解，當 LLM as an Agent 時的細部流程，也就是
第21天
Prompt Engineering 中的安全性與倫理考量 (Safety & Ethical Considerations)
這是我私心非常在意的一塊 (儘管這裡的內容仍很表淺...)。以下是理解摘要筆記。
－
如果將 LLM 比擬為所向無敵的孫悟空，想像沒有戴著金箍的孫悟空會
第21天
Prompt Engineering 中的安全性與倫理考量 (Safety & Ethical Considerations)
這是我私心非常在意的一塊 (儘管這裡的內容仍很表淺...)。以下是理解摘要筆記。
－
如果將 LLM 比擬為所向無敵的孫悟空，想像沒有戴著金箍的孫悟空會
第20天：
今天是Prompt Engineering 中的版本控制 (Version Control) 與管理 (Management)。
包含我的理解筆記＆練習。
－
A. 控制什麼、管理什麼？
如同軟體開發需要對程式碼進行版本控制，Prompt Engineering 同樣需要極佳的版本管
第20天：
今天是Prompt Engineering 中的版本控制 (Version Control) 與管理 (Management)。
包含我的理解筆記＆練習。
－
A. 控制什麼、管理什麼？
如同軟體開發需要對程式碼進行版本控制，Prompt Engineering 同樣需要極佳的版本管
第19天
今天進入Prompt Engineering 中相當實用的領域：模型評估 (Model Evaluation) 與測試策略 (Testing Strategies)。
之前曾經稍微討論過一個主題是：「如何判斷一個prompt是好的prompt？」在討論時便提到，如果一個prompt得到的
第19天
今天進入Prompt Engineering 中相當實用的領域：模型評估 (Model Evaluation) 與測試策略 (Testing Strategies)。
之前曾經稍微討論過一個主題是：「如何判斷一個prompt是好的prompt？」在討論時便提到，如果一個prompt得到的
第18天：
進階 Prompting 技巧－少樣本學習 (Few-Shot Learning) 與零樣本學習 (Zero-Shot Learning)
在 Zero-shot prompting 跟 Few-shot prompting 時，已經學到了零樣本(i.e.不給例子)及少樣本(i.e.只
第18天：
進階 Prompting 技巧－少樣本學習 (Few-Shot Learning) 與零樣本學習 (Zero-Shot Learning)
在 Zero-shot prompting 跟 Few-shot prompting 時，已經學到了零樣本(i.e.不給例子)及少樣本(i.e.只
零、前言
帶著與 Gen AI 協作的想法，在與GPT經過反覆討論、測試後，嘗試著設計出一組可以檢測語句偏見的prompt，然後我們命名它為：語句偏見分析器原型(Prototype)。當然，命名也是一起討論的：）
花了不少時間，也很享受過程，很開心終於有了這個試設計的Prototype，也希望看
零、前言
帶著與 Gen AI 協作的想法，在與GPT經過反覆討論、測試後，嘗試著設計出一組可以檢測語句偏見的prompt，然後我們命名它為：語句偏見分析器原型(Prototype)。當然，命名也是一起討論的：）
花了不少時間，也很享受過程，很開心終於有了這個試設計的Prototype，也希望看
第17天：LLM Agents 的協調與編排 (Coordination & Orchestration)
延續前一天的MAS，今天要了解MAS的兩種運行架構：協調與編排。以及也練習一下應用，做個簡單的流程設計。
目前主流的做法都是混合式，也就是兩種一起用。
－With Gemini－
我
第17天：LLM Agents 的協調與編排 (Coordination & Orchestration)
延續前一天的MAS，今天要了解MAS的兩種運行架構：協調與編排。以及也練習一下應用，做個簡單的流程設計。
目前主流的做法都是混合式，也就是兩種一起用。
－With Gemini－
我
第33天：提示工程進階「反思(Reflexion)」
－
1. 反思(Reflexion)的定義
▹核心概念：
「反思」是一種能夠協助 LLM 達成自我學習與進化的進階提示技術，主要結合了「思維鏈 (CoT)」與「自我修正(Self-Correction)」。
透過反思Prompt模板的指令，
第33天：提示工程進階「反思(Reflexion)」
－
1. 反思(Reflexion)的定義
▹核心概念：
「反思」是一種能夠協助 LLM 達成自我學習與進化的進階提示技術，主要結合了「思維鏈 (CoT)」與「自我修正(Self-Correction)」。
透過反思Prompt模板的指令，
第32天「思維樹 (Tree of Thoughts, ToT)」
－－進階思維鏈 (Advanced Chain of Thought, CoT)
－
1. 思維樹(ToT) v.s 思維鏈(CoT)
我理解思維樹，像是將思維鏈的前後發展起來。前，是指在開始時，要進行的不只有一個方向/路
第32天「思維樹 (Tree of Thoughts, ToT)」
－－進階思維鏈 (Advanced Chain of Thought, CoT)
－
1. 思維樹(ToT) v.s 思維鏈(CoT)
我理解思維樹，像是將思維鏈的前後發展起來。前，是指在開始時，要進行的不只有一個方向/路
第31天：保護性提示 (Protective Prompting)
之前已經學過「Safety & Ethical Considerations」(第21天的內容)，那時提到了鑑於 LLM 的功能強大，必須給予安全性＆倫理考量上的規範限制，避免 LLM 生成有害內容，包含：
▪︎ 偏見 (Bias
第31天：保護性提示 (Protective Prompting)
之前已經學過「Safety & Ethical Considerations」(第21天的內容)，那時提到了鑑於 LLM 的功能強大，必須給予安全性＆倫理考量上的規範限制，避免 LLM 生成有害內容，包含：
▪︎ 偏見 (Bias
第30天：提示壓縮 (Prompt Compression)
想像一個日常用戶與 AI的對話場景，用戶一口氣輸入一大篇長文/資訊/對話...etc.加上需求，希望得到解答。
按照我們已經算是相當熟悉的工作流程，應用程式在收到完整長篇內容後，會直接與任務需求打包成一個巨大的 Prompt，直接發送
第30天：提示壓縮 (Prompt Compression)
想像一個日常用戶與 AI的對話場景，用戶一口氣輸入一大篇長文/資訊/對話...etc.加上需求，希望得到解答。
按照我們已經算是相當熟悉的工作流程，應用程式在收到完整長篇內容後，會直接與任務需求打包成一個巨大的 Prompt，直接發送
第29天：Prompt Engineering 的「自我修正工作流 (Self-Correction Workflow)」
Prompt Engineering 的目標向來是讓 LLM 生成高品質的輸出內容，透過設計各種可以協助 LLM 更準確地掌握 Prompt 所要傳達的 Prompt模板、或
第29天：Prompt Engineering 的「自我修正工作流 (Self-Correction Workflow)」
Prompt Engineering 的目標向來是讓 LLM 生成高品質的輸出內容，透過設計各種可以協助 LLM 更準確地掌握 Prompt 所要傳達的 Prompt模板、或
第28天：自我優化 Prompt (Self-Optimizing Prompts) ＆ Prompt 蒸餾 (Prompt Distillation)
今天要學習的「自我優化 Prompt (Self-Optimizing Prompts)」與「Prompt 蒸餾 (Prompt Distill
第28天：自我優化 Prompt (Self-Optimizing Prompts) ＆ Prompt 蒸餾 (Prompt Distillation)
今天要學習的「自我優化 Prompt (Self-Optimizing Prompts)」與「Prompt 蒸餾 (Prompt Distill
第27天：基準測試 (Benchmarking) 的概念與實踐
我們已經充分理解 Prompt 是一個奠基於語意的指令，所以要讓 LLM 能生成符於預期的結果是相對困難且複雜的。而 Prompt engineering 所做的諸多努力，正是在使「LLM 總是可以生成符於預期的結果」這件事可以發生。
第27天：基準測試 (Benchmarking) 的概念與實踐
我們已經充分理解 Prompt 是一個奠基於語意的指令，所以要讓 LLM 能生成符於預期的結果是相對困難且複雜的。而 Prompt engineering 所做的諸多努力，正是在使「LLM 總是可以生成符於預期的結果」這件事可以發生。
第26天：防禦性提示工程 (Defensive Prompt Engineering)
正如水能載舟亦能覆舟，LLM 作為一個功能強大的工具，雖可協助用戶準確執行任務，但也可能被不當惡意利用。那麼，要如何防止 LLM 被惡意利用或產生不安全的行為？
我們已經知道，Prompt Engineeri
第26天：防禦性提示工程 (Defensive Prompt Engineering)
正如水能載舟亦能覆舟，LLM 作為一個功能強大的工具，雖可協助用戶準確執行任務，但也可能被不當惡意利用。那麼，要如何防止 LLM 被惡意利用或產生不安全的行為？
我們已經知道，Prompt Engineeri
我對 ChatGPT 發問：
Prompt 應該「條列式 ／結構化)」還是「自然語言語句」？
－
我：
我一直以為Prompt 應該「條列式 ／結構化)」與「自然語言語句」交替轉換著使用。
但，我確實無法掌握，何時該條列式、何時該使用自然語言語句。
可否給我一些建議，關於如何判斷什麼時候哪種
我對 ChatGPT 發問：
Prompt 應該「條列式 ／結構化)」還是「自然語言語句」？
－
我：
我一直以為Prompt 應該「條列式 ／結構化)」與「自然語言語句」交替轉換著使用。
但，我確實無法掌握，何時該條列式、何時該使用自然語言語句。
可否給我一些建議，關於如何判斷什麼時候哪種
第25天：基於代理人的提示工程 (Agent-based Prompt Engineering)
用我的理解來表述的話，我會說Agent-based Prompt Engineering 是「代理人基礎的提示工程」。
「代理人基礎的提示工程」表達了：
▷是「提示工程」在單一 LLM 中實現，不是
第25天：基於代理人的提示工程 (Agent-based Prompt Engineering)
用我的理解來表述的話，我會說Agent-based Prompt Engineering 是「代理人基礎的提示工程」。
「代理人基礎的提示工程」表達了：
▷是「提示工程」在單一 LLM 中實現，不是
第24天：無提示工程 (Promptless Prompt Engineering)
(進行3點補充)
－
一、歸結Promptless 工程的工作流，可大致區分為二階任務
第一階段：元指令驅動 LLM as a Prompt Generator
Input：「用戶實際任務(＆目標)」＋
第24天：無提示工程 (Promptless Prompt Engineering)
(進行3點補充)
－
一、歸結Promptless 工程的工作流，可大致區分為二階任務
第一階段：元指令驅動 LLM as a Prompt Generator
Input：「用戶實際任務(＆目標)」＋
第24天：無提示工程 (Promptless Prompt Engineering)
(很多我自以為的理解的理解筆記...)
1.什麼是「無提示工程」？
Promptless，顧名思義，是不產出 Prompt。更準確地說，是不再由人來產出實際指派任務的 Prompt，而是轉向利用元指令(M
第24天：無提示工程 (Promptless Prompt Engineering)
(很多我自以為的理解的理解筆記...)
1.什麼是「無提示工程」？
Promptless，顧名思義，是不產出 Prompt。更準確地說，是不再由人來產出實際指派任務的 Prompt，而是轉向利用元指令(M
第23天：提示連鎖 (Chaining Prompts) 與協同提示 (Collaborative Prompts)
－
當我一看到這兩個技巧，就感到很熟悉，才發現它們與之前學過的CoT、MAS是相類似的概念，只是在不同層面的運作。
＊提示連鎖 (Chaining Prompts)：以一種線性
第23天：提示連鎖 (Chaining Prompts) 與協同提示 (Collaborative Prompts)
－
當我一看到這兩個技巧，就感到很熟悉，才發現它們與之前學過的CoT、MAS是相類似的概念，只是在不同層面的運作。
＊提示連鎖 (Chaining Prompts)：以一種線性
第22天：Prompt Engineering 中的 Agentic Workflow (代理工作流)與 Function Calling (函數調用)
之前已經學過 LLM 作為代理人(as an Agent)的概念，今天就要來進一步理解，當 LLM as an Agent 時的細部流程，也就是
第22天：Prompt Engineering 中的 Agentic Workflow (代理工作流)與 Function Calling (函數調用)
之前已經學過 LLM 作為代理人(as an Agent)的概念，今天就要來進一步理解，當 LLM as an Agent 時的細部流程，也就是
第21天
Prompt Engineering 中的安全性與倫理考量 (Safety & Ethical Considerations)
這是我私心非常在意的一塊 (儘管這裡的內容仍很表淺...)。以下是理解摘要筆記。
－
如果將 LLM 比擬為所向無敵的孫悟空，想像沒有戴著金箍的孫悟空會
第21天
Prompt Engineering 中的安全性與倫理考量 (Safety & Ethical Considerations)
這是我私心非常在意的一塊 (儘管這裡的內容仍很表淺...)。以下是理解摘要筆記。
－
如果將 LLM 比擬為所向無敵的孫悟空，想像沒有戴著金箍的孫悟空會
第20天：
今天是Prompt Engineering 中的版本控制 (Version Control) 與管理 (Management)。
包含我的理解筆記＆練習。
－
A. 控制什麼、管理什麼？
如同軟體開發需要對程式碼進行版本控制，Prompt Engineering 同樣需要極佳的版本管
第20天：
今天是Prompt Engineering 中的版本控制 (Version Control) 與管理 (Management)。
包含我的理解筆記＆練習。
－
A. 控制什麼、管理什麼？
如同軟體開發需要對程式碼進行版本控制，Prompt Engineering 同樣需要極佳的版本管
第19天
今天進入Prompt Engineering 中相當實用的領域：模型評估 (Model Evaluation) 與測試策略 (Testing Strategies)。
之前曾經稍微討論過一個主題是：「如何判斷一個prompt是好的prompt？」在討論時便提到，如果一個prompt得到的
第19天
今天進入Prompt Engineering 中相當實用的領域：模型評估 (Model Evaluation) 與測試策略 (Testing Strategies)。
之前曾經稍微討論過一個主題是：「如何判斷一個prompt是好的prompt？」在討論時便提到，如果一個prompt得到的
第18天：
進階 Prompting 技巧－少樣本學習 (Few-Shot Learning) 與零樣本學習 (Zero-Shot Learning)
在 Zero-shot prompting 跟 Few-shot prompting 時，已經學到了零樣本(i.e.不給例子)及少樣本(i.e.只
第18天：
進階 Prompting 技巧－少樣本學習 (Few-Shot Learning) 與零樣本學習 (Zero-Shot Learning)
在 Zero-shot prompting 跟 Few-shot prompting 時，已經學到了零樣本(i.e.不給例子)及少樣本(i.e.只
零、前言
帶著與 Gen AI 協作的想法，在與GPT經過反覆討論、測試後，嘗試著設計出一組可以檢測語句偏見的prompt，然後我們命名它為：語句偏見分析器原型(Prototype)。當然，命名也是一起討論的：）
花了不少時間，也很享受過程，很開心終於有了這個試設計的Prototype，也希望看
零、前言
帶著與 Gen AI 協作的想法，在與GPT經過反覆討論、測試後，嘗試著設計出一組可以檢測語句偏見的prompt，然後我們命名它為：語句偏見分析器原型(Prototype)。當然，命名也是一起討論的：）
花了不少時間，也很享受過程，很開心終於有了這個試設計的Prototype，也希望看
第17天：LLM Agents 的協調與編排 (Coordination & Orchestration)
延續前一天的MAS，今天要了解MAS的兩種運行架構：協調與編排。以及也練習一下應用，做個簡單的流程設計。
目前主流的做法都是混合式，也就是兩種一起用。
－With Gemini－
我
第17天：LLM Agents 的協調與編排 (Coordination & Orchestration)
延續前一天的MAS，今天要了解MAS的兩種運行架構：協調與編排。以及也練習一下應用，做個簡單的流程設計。
目前主流的做法都是混合式，也就是兩種一起用。
－With Gemini－
我