多條件相互影響的決策問題，用哪種提示策略？
某連鎖零售企業使用生成式 AI 協助規劃門市補貨策略。決策時需同時考量多項彼此相關的因素，例如：庫存水位、促銷活動、區域銷售差異與物流限制。專案團隊發現，AI 雖能逐步說明推論過程，但對於多條件之間的相互影響掌握不足，導致建議結果偶有偏差。若希望透過提示工程（Prompt Engineering）改善此問題，下列哪一種策略最為適合？
一家連鎖零售企業用生成式 AI 規劃門市補貨策略，決策時需同時考量庫存水位、促銷活動、區域銷售差異與物流限制這幾個彼此關聯的因素。團隊發現 AI 雖能逐步說明推論過程，但對多條件之間的相互影響掌握不足，導致建議偶有偏差。
問你：要用提示工程改善 AI 對多條件相互影響的掌握，最適合哪種策略？
一句話總結
當問題涉及多個條件彼此互相影響、需要 AI 掌握這些關聯，Graph Prompting 用結構化方式把條件節點和它們之間的關聯明確寫進提示詞，讓模型看到完整的「關係圖」，是最適合的策略。
先感受問題：補貨決策有哪些條件在互相拉扯？
「全家便利」連鎖零售的供應鏈規劃師雅婷，每週要決定各門市的補貨數量。她面對的不是一個簡單問題，而是一個多因素糾纏的決策網：
- 台北門市明週有促銷活動，需求預計上升 30%
- 但促銷期間倉儲壓力大，物流頻率可能下降
- 北部這兩天颱風預警，物流可能中斷一天
- 現有庫存還有 3 天的安全水位
- 競品上週剛推出類似促銷，影響我方吸客效果
雅婷用 AI 輔助分析，AI 能一步步說出推論過程（這是 Chain of Thought 做到的），但它把「促銷」和「物流限制」當成獨立因素分開分析，沒有抓到「促銷期間物流更緊張、兩者相互影響」這個關聯，結果建議補貨量偏低。
問題的核心是：AI 需要看到條件之間的「關係」，不只是條件清單。
現有策略為什麼處理不了條件間的關聯？
- Chain of Thought（思維鏈）的限制：CoT 讓模型逐步推論，但它是線性的推論鏈（A→B→C），無法呈現「A 影響 B，B 又反過來影響 A，同時 A 和 C 一起才能決定 D」這種網狀關係
- 條列式提示詞的限制：把條件一條一條列出（「條件1：庫存水位；條件2：促銷活動；條件3：物流限制」），模型把它們當獨立項目看，沒有看到互相影響的結構
- Tree of Thought 的限制：ToT 增加了推論路徑的廣度，適合需要探索多種可能性的問題，但對於「條件間的相互關聯」理解幫助有限
- Zero-shot 的限制：連推論步驟都沒有，對複雜多因素問題效果最差
- 核心缺口：以上方法都無法明確告訴模型「哪些條件之間有關聯、是什麼樣的關聯」
Graph Prompting 怎麼解
Graph Prompting 的核心概念：把問題中的條件當成「節點（Node）」，把條件之間的關聯當成「邊（Edge）」，在提示詞裡用結構化的方式把這個關係圖明確寫出來。
雅婷的提示詞可以這樣設計：
「以下是補貨決策的條件與關聯結構：
節點：庫存水位、促銷活動、物流限制、颱風預警、競品動態
關聯：促銷活動 → 需求提升（+30%）；颱風預警 → 物流限制加劇；物流限制 → 補貨窗口縮短；促銷活動 + 物流限制 → 庫存風險提高；競品促銷 → 需求提升幅度折減」
這樣的結構讓模型能「看到地圖」，理解哪些因素彼此牽連，在推論時能考慮到這些關聯，而不是把每個條件當孤立項目分析。
這就是選項 C 描述的：Graph Prompting，以結構化方式呈現條件與關聯。
技術版：提示工程策略的適用場景比較
提示工程有多種策略，選擇哪種取決於問題的結構特性：
- Zero-shot Prompting：直接問問題，不給例子。適合簡單、模型已充分訓練的任務。複雜推論任務效果差。
- Few-shot Prompting：給幾個輸入輸出例子讓模型學格式。適合格式固定、需要模型模仿特定輸出形式的任務。
- Chain of Thought（CoT）：要求模型「一步一步說明推論過程」。適合需要多步驟推論的任務（數學題、邏輯推理）。解決線性推論問題，不解決網狀關聯問題。
- Tree of Thoughts（ToT）：讓模型同時探索多條推論路徑，評估後選最佳。適合有多種可行路線的規劃問題。解決推論廣度問題，不解決條件關聯問題。
- Graph Prompting：在提示詞中用結構化格式（節點 + 邊）明確呈現條件間的關聯。最適合多因素相互影響的決策問題，讓模型能理解問題的網狀結構。
為什麼出題者要考這題：AI 規劃師需要根據業務問題的特性選擇合適的提示工程策略。這題的關鍵是識別「多條件相互影響」這個特徵，對應到 Graph Prompting，是比較進階的選型判斷能力。
為什麼其他選項是錯的
AChain of Thought，要求模型逐步展開推論
在提示詞中要求模型「一步一步說出推論過程」，讓推論更透明。
題目明確說 AI「已能逐步說明推論過程」，但問題是對多條件之間的相互影響掌握不足。Chain of Thought 解決「推論是否透明」的問題，不解決「條件之間的關聯是否被理解」的問題。問題的根源不在逐步推論，在於條件結構沒有明確呈現。
Chain of Thought 是最常見的提示策略，也跟「推論」有關，容易被選。但要注意題目說的是「多條件相互影響」，不是「推論步驟不夠清楚」。
BTree of Thoughts，增加多種推論路徑探索
讓模型同時考慮多條不同的推論路徑，像樹狀分支一樣探索各種可能，再選最佳。
Tree of Thoughts 解決的是「需要探索多種可行方案」的問題，而不是「多條件彼此關聯」的問題。補貨決策的問題不是缺少「備選方案」，而是模型沒有掌握條件之間的關聯性。增加推論路徑不能解決條件關聯理解不足的問題。
認為問題需要「探索更多可能性」就能解決的人。Tree of Thoughts 在這題的場景不是最對應的工具。
DZero-shot Prompting，避免範例影響模型判斷
不給任何範例，直接讓模型用自己的訓練知識判斷，避免被例子帶偏。
Zero-shot 是最基本的提示方式，沒有任何結構輔助。對於多條件相互影響的複雜決策，Zero-shot 效果最差。而且「避免範例影響」的邏輯在這個場景根本不適用，補貨決策需要更多結構和引導，不是更少。
誤解「Zero-shot 讓模型自由發揮所以更好」的人。Zero-shot 適合簡單任務，複雜的多因素決策需要明確的結構引導。
同個考點下次怎麼變形
Chain of Thought 最適合解決哪種類型的問題？
CoT 是最常聽到的提示策略，什麼時候用它？
適合需要「線性多步驟推論」的問題，例如數學計算（先算 A 再算 B 再得出 C）、邏輯推理（前提1 + 前提2 → 結論）。CoT 讓推論過程透明，但對於條件之間有網狀關聯的問題，CoT 的線性結構不夠用。
Graph Prompting 和 Chain of Thought 主要差別在哪裡？
兩個都是幫模型「把問題想清楚」的策略，差在哪？
CoT 是讓模型的推論步驟更透明，解決「推論過程是否清楚」的問題，結構是線性的；Graph Prompting 是在輸入端把條件和條件之間的關聯明確結構化，解決「問題結構是否被正確理解」的問題，結構是網狀的。適用問題類型不同。
Tree of Thoughts 和 Chain of Thought 的差別是什麼？
兩個都是關於推論路徑，差在哪？
CoT 是一條線走到底，每步都接著上一步（線性）；ToT 是在每個推論節點，讓模型考慮多個可能的下一步（樹狀分支），評估哪條路更好，再決定走哪條。ToT 適合有多種可行解法需要比較的問題，CoT 適合步驟有固定順序的推論。
什麼樣的業務場景最適合用 Graph Prompting？
Graph Prompting 適合所有複雜問題嗎？
最適合「條件彼此相互影響、需要理解關聯結構」的場景：供應鏈決策（庫存、需求、物流互相影響）、風險評估（多個風險因素互相加乘）、系統故障分析（多個組件依賴關係）。不需要用在簡單線性問題或條件彼此獨立的問題。
Prompt Engineering 能改善 AI 在複雜決策上的表現嗎？有沒有邊界？
提示詞寫得夠好，是不是什麼問題都能解決？
Prompt Engineering 能改善模型對問題結構的理解，但有邊界。如果問題需要的是模型本身缺乏的「領域知識」，提示技巧無法憑空創造知識；如果問題需要實時資料（如當前庫存數量），提示技巧也無法讓模型自己取得資料。這類問題需要搭配 RAG（提供知識）或工具調用（取得即時資料）才能根本解決。
想再往下看，這 5 個
- 提示工程（Prompt Engineering）設計有效提示詞引導語言模型完成任務的技能，本題 Graph Prompting 是其中針對多條件關聯問題的進階策略
- 思維鏈（Chain-of-Thought）要求模型逐步說明推論過程的提示技巧，本題已採用且效果有限，因它只解線性推論不解條件網狀關聯
- 思維鏈提示（Chain-of-Thought Prompting）透過在提示中附上思維鏈範例引導模型推論的技術，與 Graph Prompting 的差異在於前者是線性、後者是網狀結構
- 圖神經網路（Graph Neural Network）以節點和邊表達關係結構的神經網路，Graph Prompting 借用了「圖」的思維，把條件關聯結構化呈現給語言模型
- 檢索增強生成（Retrieval-Augmented Generation）搭配外部知識庫補充即時資訊的技術，與 Prompt Engineering 策略互補，常被混淆為同一層次的解方