通用知識

在台灣，"Prompt"的發音通常是 "普朗普特"，英語音標是 [prɑmpt]，字面上的翻譯為「提示」，有些人喜歡說「詠唱」，也有些人說是「咒語」，簡單講就是我們要輸入給AI工具的關鍵重點，然後AI依據提示產出我們所要的對話、表單、文件、圖片、影片、音樂等。

清晰明確

• 確保您的問題或請求清晰明確，不含糊。

• 使用簡單明瞭的語言，避免過於複雜的句子結構。

具體詳細

• 提供足夠的背景信息，以便AI能理解您的需求。

• 若有特定要求或條件，請詳細說明。

逐步引導

• 將複雜問題分解為較小的步驟或問題，一步一步引導AI。

• 避免一次性提出過多問題或要求。

上下文關聯

• 提供足夠的上下文，使AI能夠基於先前的對話進行回答。

• 如果是連續對話，簡單回顧或重述關鍵點。

避免歧義

• 使用準確的詞彙和短語，避免使用容易產生歧義的表達方式。

• 如果某個詞語有多種意思，請明確指出您所指的具體意思。

範例和格式

• 如果需要AI按照特定格式回答，請提供範例。

• 明確說明希望回答的格式或結構。

示範案例

不清晰的prompt：

「給我一些建議。」

清晰且具體的prompt：

「我正在寫一篇關於可持續發展的文章，請給我五個具體的建議，說明如何在日常生活中實現可持續發展。」

提供範例和格式：

「請幫我寫一個包含三段的短文，每段150字，主題是環保的重要性。第一段介紹問題，第二段描述解決方案，第三段提出呼籲。」

通過遵循這些要點，您可以更有效地與AI工具進行溝通，獲得更準確和有用的回答。

應用5W2H來設計與AI溝通的prompt

由於我曾擔任汽車供應鏈一階供應廠的品質主管10年，過去解決產品問題、客訴案件引用5W2H手法能把問題更明確的表現，並使用相同手法來提出解決方案，所以認為這個方法導入 Prompt 可幫助您明確目標、上下文以及所需的輸出，從而提高與AI溝通的有效性，因此與瀏覽的各位分享作法。底下先簡單說明 Prompt 中的 5W2H 所需要提示描述的部份。

What（什麼）：

• 目標：你希望AI生成什麼樣的內容？例如，解釋一個概念、回答一個問題或提供建議。

• 任務：具體的任務是什麼？例如，寫一篇文章、生成一個列表或進行數據分析。

Why（為什麼）：

• 目的：為什麼需要這些信息？這樣有助於AI理解你的需求，從而提供更精確的答案。

• 背景：提供一些背景信息，解釋為什麼這個問題或任務對你來說重要。

Where（在哪裡）：

• 上下文：這些信息將在什麼樣的情境下使用？例如，寫作、研究或教學。

• 具體位置：如果涉及地理位置或場景，請具體說明，例如，這些資料是否應用於特定的市場或區域。

When（何時）：

• 時間：有沒有特定的時間要求？例如，是否需要包含最新的信息或歷史背景？

• 頻率：這是一個一次性的需求還是需要定期更新的？

Who（誰）：

• 受眾：誰將會使用這些信息？例如，學生、同事或大眾。

• 參與者：是否需要考慮其他相關的參與者或利益相關者的需求？

How（如何）：

• 格式：你希望AI提供的答案或生成的內容應該是什麼格式？例如，段落、列表或表格。

• 方法：有沒有特定的方法或策略來解決這個問題？例如，使用哪些數據源或參考資料。

How much（多少）：

• 詳細程度：你需要多詳細的回答？例如，簡短的概述還是詳細的分析。

• 資源：有沒有特定的資源限制或要求？例如，是否需要引用特定的資料來源。

示範案例

假設你需要AI幫助生成一篇關於人工智慧在教育中的應用的文章，這是如何應用5W2H的：

What：

• 目標：生成一篇關於人工智慧在教育中的應用的文章。

• 任務：詳細描述人工智慧技術在教育中的不同應用。

Why：

• 目的：這篇文章將用於一個教育科技的研討會。

• 背景：介紹最新的技術趨勢，以提高參會者對人工智慧在教育中的理解。

Where：

• 上下文：這篇文章將在研討會手冊和網站上發布。

• 具體位置：不需要特定的地理位置，但應該包括全球範圍內的應用案例。

When：

• 時間：需要包含最新的技術和案例，最好是2023年以後的資料。

• 頻率：這是一篇一次性的文章，但可以在未來更新。

Who：

• 受眾：教育工作者、科技愛好者和政策制定者。

• 參與者：需要考慮到不同受眾的背景知識。

How：

• 格式：文章應該包括引言、主體段落和結論。

• 方法：可以引用最新的研究報告和案例分析。

How much：

• 詳細程度：應該是詳細的分析，包括多個應用案例和技術細節。

• 資源：引用可信的來源，例如學術研究、白皮書和專業網站。

具體的Prompt示例：

「請生成一篇詳細的文章，描述人工智慧技術在教育中的不同應用。這篇文章將用於一個教育科技的研討會，旨在介紹最新的技術趨勢，提高參會者對人工智慧在教育中的理解。文章應該包括引言、主體段落和結論，並引用最新的研究報告和案例分析。目標讀者包括教育工作者、科技愛好者和政策制定者，內容應該涵蓋全球範圍內的應用案例，並引用2023年以後的資料。」

這樣設計的prompt應該能夠幫助AI更好地理解您的需求，提供更符合期待的輸出。

應用5W2H的方法於生成圖像或照片的AI任務

這能幫助您清晰地表達需求，讓AI理解並生成更符合期望的圖像。以下是如何應用5W2H來設計圖像生成的prompt：

What（什麼）：

• 目標：你希望生成什麼樣的圖像？例如，風景畫、肖像、產品照片。

• 細節：圖像中應該包含哪些元素或主題？例如，背景、人物、物品。

Why（為什麼）：

• 目的：為什麼需要這些圖像？這樣有助於AI理解你的需求，例如用於宣傳、教學或藝術創作。

• 背景：提供一些背景信息，解釋這個圖像的用途和重要性。

Where（在哪裡）：

• 上下文：這些圖像將在什麼樣的情境下使用？例如，網站、報告、海報。

• 具體位置：如果涉及特定的地點或場景，請具體說明。

When（何時）：

• 時間：圖像應該反映特定的時間段嗎？例如，白天還是晚上，夏天還是冬天。

• 頻率：這是一個一次性的需求還是需要定期更新的？

Who（誰）：

• 受眾：誰將會看到這些圖像？例如，消費者、學生、讀者。

• 參與者：是否需要考慮其他相關的參與者或利益相關者的需求？

How（如何）：

• 風格：你希望圖像採用什麼風格？例如，寫實、抽象、卡通。

• 格式：圖像應該是什麼格式？例如，JPEG、PNG、高解析度。

How much（多少）：

• 詳細程度：你需要多詳細的圖像？例如，簡單的素描還是複雜的繪畫。

• 資源：有沒有特定的資源限制或要求？例如，是否需要引用特定的資料來源。

示範案例

假設你需要AI生成一張用於教學的AI技術示意圖，這是如何應用5W2H的：

What：

• 目標：生成一張描述AI技術工作原理的示意圖。

• 細節：圖像應該包含AI模型、數據輸入、數據處理和輸出結果等元素。

Why：

• 目的：用於中學教師的教學材料，幫助學生理解AI的基本概念。

• 背景：圖像將用於課堂演示和教學手冊。

Where：

• 上下文：圖像將在教室和電子教學平台上使用。

• 具體位置：無需特定的地點，但應適合課堂演示。

When：

• 時間：圖像應該反映當前的技術狀態和趨勢。

• 頻率：這是一張一次性的圖像，但可能會在未來更新。

Who：

• 受眾：中學教師和學生。

• 參與者：無需考慮其他利益相關者。

How：

• 風格：簡單明瞭的示意圖，易於理解。

• 格式：高解析度的PNG或JPEG格式。

How much：

• 詳細程度：需要詳細描述各個部分和流程。

• 資源：引用最新的技術資料和研究報告。

具體的Prompt示例：

「請生成一張描述人工智慧技術工作原理的示意圖。這張圖像將用於中學教師的教學材料，幫助學生理解AI的基本概念。圖像應該包含AI模型、數據輸入、數據處理和輸出結果等元素，風格應該簡單明瞭，易於理解。這張圖像將在教室和電子教學平台上使用，格式為高解析度的PNG或JPEG。」

這樣設計的prompt能夠幫助AI更好地理解你的需求，提供符合你期望的圖像。

註：下文是ChatGPT說明的內容

GPT (Generative Pre-trained Transformer 生成式預訓練轉換器) 是一種由 OpenAI 開發的先進語言模型，開放出來供大家使用的。它是一種基於人工智慧的技術，能夠理解和生成自然語言。簡單來說，GPT 可以閱讀文本並生成類似於人類寫作的回應。

以下是GPT的幾個關鍵特點：

1. 自然語言處理：GPT擅長處理和生成自然語言文本，這意味著它可以理解文章、回答問題、撰寫故事等。

2. 生成文本：GPT能夠根據給定的輸入生成連貫且有意義的文本。例如，你給它一個主題，它可以寫出一段相關的文章。

3. 預訓練模型：GPT是基於大量的互聯網文本進行預訓練的，這使得它擁有廣泛的知識，可以回答多種領域的問題。

4. 應用範圍廣：GPT可以應用於客服、內容創作、語言翻譯、教育等各個領域。

此外，除了OpenAI，還有其他公司和研究機構也開發了類似的語言模型。例如：

1. Google的BERT：BERT（Bidirectional Encoder Representations from Transformers）是一種雙向語言表示模型，專注於自然語言理解任務。

2. Facebook的RoBERTa：RoBERTa是BERT的改進版本，進一步提升了模型的性能。

3. Microsoft的Turing-NLG：這是微軟開發的一種大型自然語言生成模型。

這些模型在技術上有一些不同，但它們都屬於基於轉換器（Transformer）架構的自然語言處理模型，並且能夠在各種語言任務中表現出色。