Prompt Engineering（提示詞工程）是系統化地設計和優化你給 AI 的指令，使其輸出最符合你需求的結果的一套方法論。它不是程式設計，沒有嚴格的語法規則——核心是「把你腦子裡知道的需求，轉化成 AI 能理解並有效執行的指令」。
「工程」這個詞強調的是系統化和可重複性：不是靠運氣碰到一個好的提示詞，而是理解 AI 的回應機制，有目的地設計指令，能在不同情境下穩定獲得高品質輸出。Prompt Engineering 的主要技巧包含：角色設定（Role Prompting）、範例引導（Few-Shot）、推理引導（Chain of Thought）、格式指定、限制條件設定。這些技巧可以單獨使用，也可以疊加使用。
Prompt Engineering 的出現，回應了 LLM 的一個根本特性：「模型能力固定，但輸出品質可以透過輸入設計大幅改變」。2022 年的 Chain of Thought 論文是一個標誌性時刻，它系統性地展示了 Prompt 設計能大幅影響模型的推理能力。從那之後，Prompt Engineering 從「AI 愛好者的小技巧」演化成「AI 應用開發的核心技能」。企業開始設立 Prompt Engineer 的職位，「如何更好地和 AI 溝通」成為了一個有專門研究的領域。
Prompt Engineering 是目前 AI 使用者能最直接提升使用品質的技能，門檻低但影響大。在日常使用中，系統化地應用基本技巧（角色設定 + 格式指定 + 具體任務描述），能讓 Claude 的輸出在第一輪就達到可用品質，而不是花很多時間在來回修改上。研究顯示，同樣的任務，用精心設計的 Prompt 比隨意的 Prompt，輸出品質可以提升 30-50%，而設計時間增加不超過 30 秒。對開發者來說，Prompt Engineering 是在 Fine-Tuning 之前最應該投資的優化手段。
Prompt Engineering 的入門學習路徑：
第一層（立刻能用）：學會三段式基礎結構——角色 + 任務 + 格式；學會加負面範例（「不要這樣」比「要這樣」更清楚）；學會加「逐步思考」（Zero-Shot CoT）。
第二層（進階）：學會 Few-Shot Prompting（給 2-3 個範例）；學會 XML 標籤結構化；學會針對特定任務建立可重用的模板。
第三層（系統化）：建立自己的 Prompt 庫（把有效的 Prompt 存起來，按任務類型分類）；學會 A/B 測試 Prompt（同一任務跑不同版本，比較輸出品質）。
最快提升的一個技巧：下次你對 Claude 的輸出不滿意時，先不要重新問，而是說出哪裡不對，讓它修改。這一個習慣的改變，能讓你的 Claude 使用品質立刻提升。
同一個需求，三個不同 Prompt 設計層次的輸出品質對比：
任務：幫我寫一段電商產品文案
Layer 1（只有任務）：「幫我寫一段藍牙耳機的產品文案」→ Claude 輸出了一段通用的 100 字文案，語氣正式，沒有特定受眾，沒有清楚的號召行動。
Layer 2（加角色）：「你是一位專注 3C 產品的資深電商文案師。請幫我寫一段藍牙耳機的產品文案」→ 輸出語氣更專業，有技術細節，但長度和格式仍不確定。
Layer 3（加角色 + 格式 + 限制）：「你是一位專注 3C 產品的資深電商文案師，讀者是 25-35 歲的台灣上班族。請寫一段 80 字以內的耳機產品文案，格式：一句核心賣點 + 兩句功能描述 + 一句號召行動。不要用誇張的形容詞（最、超、極）。」→ Claude 輸出了一段格式完全符合要求、語氣精準、80 字以內的文案，可以直接使用。
三個輸出品質的差距，不是因為 Claude 的能力不同，而是因為指令的具體程度不同。
Prompt Engineering 是所有 AI 使用技能裡投資報酬率最高的之一：學習成本低（任何人都能在幾小時內掌握基礎），但對輸出品質的提升效果顯著，特別是在需要特定格式、語氣、或多步驟推理的任務上。
唯一的「代價」是需要思考時間：好的 Prompt 需要你先想清楚「我到底要什麼」，這個思考過程本身其實是有價值的——它讓你對任務有更清楚的認識，不只是讓 Claude 的輸出更好。對比 Fine-Tuning 和 RAG，Prompt Engineering 是零基礎設施成本的選項，應該是所有人的第一個嘗試方向。