解析：
Prompt Engineering 可控制品牌語氣一致性，RAG 可即時引入每日更新的促銷資訊，兩者結合既避免重新訓練的成本，又能滿足即時更新與品牌風格一致的需求。
你用 AI 寫摘要時，有沒有遇過同一個模型，換一句話問，答案差很多？
你可以把提示工程想成幫 AI 設計題目，把目標、背景、格式和限制講清楚，模型才知道要交什麼作業。 它的重要性在於，很多 AI 表現不穩，不是模型不夠強，而是你沒有把需求說到位。
容易混淆
提示工程 vs 特徵工程 特徵工程是替傳統模型整理輸入欄位。 提示工程是替大型語言模型整理文字指令。 最關鍵的區別：一個處理資料欄位，一個處理語言指令。
提示工程 vs 微調 提示工程改的是輸入方式。 微調改的是模型參數。 最關鍵的區別：一個不動模型本體，一個會重新訓練模型。
提示工程 vs 檢索增強生成 提示工程是設計說法。 檢索增強生成是先查資料再回答。 最關鍵的區別：一個管怎麼問，一個管問之前先找資料。
記住這句就好
先把目標、背景、格式說清楚，再要求輸出。
實際案例
會議摘要 你要 AI 把 30 分鐘會議整理成三點重點，並指定要有待辦事項和負責人。 同一段輸入，因為格式要求清楚，輸出就會比隨口一問穩很多。
考題解說 你要 AI 用國中生看得懂的語氣解釋一個技術名詞，並限制在 120 字內。 模型知道讀者、長度與口氣後，內容會更貼近你要的場景。
算法與應用
好的提示通常會包含角色、任務、背景、限制、輸出格式和示例，少一個元素，答案就可能偏掉。 如果任務有固定格式，可以把欄位先列出來，再請模型填值，這比自由發揮更穩。 如果知識會常更新，常會先搭配檢索增強生成；如果風格或結構很固定，提示工程往往已經夠用。
情境判斷
Q1（直覺題）： 你發現 AI 回答太長又太散，最先該改什麼？
先改提示，把輸出長度、格式和重點順序寫清楚，通常比一直重問更有效。
Q2（判斷題）： 如果你要的是最新法規、最新價格這類會變動的內容，只靠提示工程夠嗎？
通常不夠，因為提示只能改說法，不能補最新資料，這時要搭配檢索或工具呼叫。
iPAS 考題
Q1： 提示工程和特徵工程有什麼不同？
特徵工程整理的是資料欄位，提示工程整理的是語言指令，兩者面向的模型不同。
Q2： 什麼時候應該使用提示工程？
當你想快速把模型輸出調到可用狀態時，提示工程通常是最快的路。
Q3： 初學者學提示工程最常誤會什麼？
很多人把它想成只是問問題，其實它更像在設計一份清楚的任務說明。
常見問題
提示工程和特徵工程有什麼不同？
特徵工程在整理資料欄位，提示工程在整理文字指令，前者面向傳統模型，後者面向大型語言模型。
什麼時候應該使用提示工程？
當模型能力已經夠用，但輸出不穩、格式不對、語氣不合時，提示工程通常是最快的修正方式。
初學者最常誤會什麼？
很多人以為只要把問題丟給模型就好，其實越是要穩定輸出，越需要把需求寫清楚。
範例考題
某電商平台導入生成式 AI 客服助理，用於自動回覆顧客諮詢。營運需求包含：需即時反映每日更新的促銷活動與商品資訊，同時維持品牌一致的回覆語氣，且企業希望避免因模型重新訓練所造成的成本增加與系統不穩定。在此情境下，下列哪一種技術策略最合理？
- A. 僅進行 Fine-tuning，使模型同時學習品牌語氣與即時促銷內容
- B. 僅導入 RAG 更新促銷資訊，期望模型直接從檢索內容學習品牌語氣
- C. 透過 Prompt Engineering 控制回覆風格，並以 RAG 引入最新商品與活動資訊 ✓ 正確答案
- D. 持續進行增量 Fine-tuning，以確保活動資訊同步更新
某連鎖零售企業使用生成式 AI 協助規劃門市補貨策略。決策時需同時考慮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？
- A. Chain of Thought，要求模型逐步展開推論
- B. Tree of Thoughts，增加多種推論路徑探索
- C. Graph Prompting，以結構化方式呈現條件與關聯 ✓ 正確答案
- D. Zero-shot Prompting，避免範例影響模型判斷
解析：
問題的核心是多條件之間的相互影響掌握不足。Graph Prompting 以結構化方式呈現條件與條件之間的關聯，最適合處理多因素間複雜交互關係的推論。