隨著人工智慧（AI）深入企業 IT 流程，有效的「提示工程」已成為提升 AI 應用效率的關鍵。軟體工程師 Mayuri Lahane 將在 TechMentor 研討會上分享如何避免常見錯誤，並透過指定輸出結構、建立共享提示資料庫等最佳實踐，使 AI 輸出更具可預測性與可用性，幫助企業將 AI 實驗轉化為可靠的工作流程。
隨著人工智慧（AI）日益融入企業的日常資訊科技（IT）工作流程，有效的「提示工程」（Prompt Engineering）已成為提升 AI 應用效率的關鍵。根據《Redmondmag.com》報導，軟體工程師 Mayuri Lahane 將於今年 8 月 6 日在微軟總部舉行的 TechMentor 研討會上，主持一場名為「與 AI 更好地對話：先進提示工程實戰」的講座，探討如何將 AI 實驗轉化為可重複執行的工作流程。
Lahane 強調，許多企業在使用 AI 時常犯的錯誤，包括將 AI 視為搜尋引擎、提供模糊不清的提示、缺乏足夠的上下文資訊，或是試圖一次性要求 AI 完成過多任務。她指出，這種將提示視為一次性、用完即丟的做法，會導致 AI 輸出的品質迅速停滯不前，無法滿足企業的實際需求。她表示：「強大的成果往往來自於不斷的迭代：完善指令、評估輸出並收緊限制。當提示被視為可拋棄的而非設計產物時，輸出品質往往會迅速達到高原期。」
為確保 AI 輸出的一致性與可用性，Lahane 建議企業應著重於實用的限制條件設計，例如明確指定輸出結構（表格、條列式清單、編號步驟）、設定長度限制、定義目標受眾，以及建立驗收標準。她特別提到，「限制」是提示工程中最被低估的工具之一，能將創意導向符合實際工作流程需求的格式。此外，「基於角色的提示」（Persona-based prompting）僅在能實質改變 AI 的決策情境時才具價值，而非僅僅改變寫作風格。
對於企業團隊而言，將提示工程操作化（operationalizing）的實踐至關重要。Lahane 提出多項最佳實踐，包括建立附帶版本控制的共享提示資料庫、為常見任務（如分析、摘要、故障排除）定義提示模式、將提示與範例輸出配對以確保品質可見，以及進行輕量級的提示審查，如同團隊審查程式碼一般。透過這些協作與測試，團隊能從單純的「AI 實驗」邁向可靠的生產應用。
良好的提示工程不僅能降低風險、減少重複工作，更因清晰的指令、明確的輸出範圍和透明的推理要求，使 AI 的行為更具可預測性和可審計性，進而建立利害關係人的信任。Lahane 總結，無論 AI 模型如何進步，對明確意圖、上下文和判斷力的需求將始終存在。提示工程並非要鑽模型漏洞，而是學習如何與一個強大卻字面化的協作者良好溝通。問題框架、限制設計和評估素養這三項核心技能，對於確保 AI 產出能在實際工作流程中有效運用將持續扮演關鍵角色。