AI Prompt Engineering: A Deep Dive
AI Prompt Engineering: A Deep Dive
一句話摘要：（基於既有知識的高層摘要，未抓取逐字稿）Anthropic 內部 prompt engineer 圓桌討論，主張寫 prompt 的本質是「清楚思考並把任務說清楚給一個沒有上下文的聰明同事」，並透過實戰故事拆解 system prompt、example、structured output、edge case 等實務細節。
核心論點（150-200 字繁中）
Anthropic 這場圓桌（Alex Albert 主持，Amanda Askell、David Hershey、Zack Witten、Sander Schulhoff 參與）把 prompt engineering 重新框成**「精確思考與技術寫作的混合工作」**——好 prompt 的關鍵不是奇技淫巧，而是把任務要求講清楚到「一個聰明但完全不認識你公司、不知道你資料、沒看過你產品的 contractor」也能照做。實務上他們強調幾個重點：(1) 靠近 model 的直覺——多跟 model 對話、看它怎麼讀你的 prompt；(2) read the model output as data——把 model 失敗 case 當 debug 訊號而非 bug；(3) system prompt vs user prompt 分工——persistent context、規則放 system，task-specific 放 user；(4) few-shot 不只是給格式——examples 同時定義「你期望什麼樣的推理路徑」；(5) enterprise prompting 與 research prompting 不同——前者要處理 edge case 與 long tail，後者追究極限能力；(6) prompt 要為未來的 model 設計——把「現在 model 蠢所以加 hack」與「描述任務本質」分開寫。
關鍵概念
- System prompt — 跨對話 persistent 的角色與規則設定
- Multi-shot / few-shot examples — 用範例同時傳遞格式與推理風格
- Structured output — 用 XML tag、JSON schema 等強制 model 產出可被下游解析的格式
- Honest failure mode — 與其逼 model 假裝會，不如教它在不確定時明說
- Edge case enumeration — Enterprise 場景必須窮舉 long-tail 異常輸入
- Chain-of-Thought scratchpad — 讓 model 在
<thinking>區塊先推理再給答案 - Prompt as documentation — 寫 prompt 等於寫「如何完成這個任務」的 SOP
對 CS146S 的意義
W1 用這部當「業界一線 prompt engineer 怎麼想 prompt」的視角，補足 Karpathy 偏 model 內部的視角，讓學生看到 prompt engineering 在工業實務中是什麼樣子。
對 Vibe Coder 的 Takeaway
寫 prompt 卡住時，問自己「如果今天請一個聰明 contractor 做這事，我會怎麼寫 brief？」答案通常就是好 prompt。把 system / user / examples / structured output 四個槽位填好再去調語氣。