「生成式 AI」科技發展迅速，相關應用技術、配套如雨後春筍，企業使用者如要在這大海中尋找最適合自己的 AI，則更加需要專業的引導與多元化的技術平台。AWS 早前舉辦「企業應用生成式 AI 模型」網絡研討會，就分享了不少 AI 於企業應用的實際情況，這篇我們進一步引述 AWS 專家於研討會提到的（提示工程）技術，拆解這項因「生成式 AI」熱潮而起的專門技術，並分享「提示」 AI 的七大實用技巧。
「生成式 AI」功能之強之廣無遠弗屆，既能生成內容，亦能整理/分析資料、回答提問，但再高速的機器、再強大的資料庫也要有引路人指路，Prompt Engineering （提示工程）正正扮演這重要角色。提示工程，顧名思義，是向 AI 模組提供提示（Prompt）的工程，目的是透過度身訂造、最佳化、改善提示，令 AI 模型的回應能夠符合使用者輸入的特定要求，完成任務。
作為行內 AI 平台龍頭，AWS 旗下解決方案架構師（Solution architect）就於研討會與一眾聽眾分享了「提示工程」心得。首先，講者詳細介紹了撰寫「提示」最合適的寫作框架，分別是「1. 任務內容」、「2. 任務性質」、「3. 背景資料」、「4. 任務詳細內容及規則」、「5. 例子」、「6. 與客人的對話歷史」、「7. 即時指示」、「8. 逐步思考流程」、「9.呈現形式」與「10. 檢視」。 講者分享使用心法：一旦釐清「提示」脈絡，按步寫好「提示」內容，提示愈詳細，AI 即愈能理解使用者要求，獲得的回應亦會愈清晰、愈準確。
AWS 講者亦不藏私，與聽眾分享了「提示工程」的實用技巧：如使用者可透過簡化提示、賦予身份，讓 AI 更能理解任務要求，講者以「要求 AI 回應甚麼是全球暖化」為例，指出如在「提示」時加入大學教授或幼兒教師的不同身份，AI 會按使用者提供的身份，度身訂造符合相關要求、程度不同、詳略不一的回應。講者又分享，如使用者在提示時加入 XML （可擴展標記語言），並要求 AI 逐步思考答案，建立如 <book>、<title> 、 <author> 、 <thinking>、 <answer> 等各類標籤，即能收窄「提示」正文的範圍，協助 AI 釐清需要檢索的資訊、界定合適使用的資料，讓 AI 的回應更精準、更複雜。
除了一些實用技巧，講者亦向聽眾們分享了一些向 AI 使用「提示工程」時的進階思維，例如，不少使用者經常表示提問後 AI 出現 Hallucination（人工幻覺），AI 會回應一些非常有自信的假話，生成一些資訊性準確，卻對提示而言無意義或不可信的回應。講者表示，要處理人工幻覺的問題，除了我們可在輸入「提示」時撰寫得更詳細，原來亦可明確向 AI 模組（講者以 Claude 3 為例）表示一些思想上的要求，如「可回答不知道」、「逐步思考」、「有信心才回答」、「提供註解」等方式，目標是透過向 AI 理清其思考方式，減少其出錯的機會。
研討會的其他內容亦包括設立範本、於正文後延展提示等小技巧，或高階一些的技巧如 Chaining prompt （連鎖提示）、如何結合 AI 如 Claude 3 及檢索增強生成器（RAG）或外部工具來提升效能等，可說是非常實用，有興趣的讀者不妨去 AWS 的網站免費重溫，直接從專家身上取經，學習如何掌握 AI。
