超越一步到位：為什麼提示鏈接 (Prompt Chaining)才是駕馭AI的關鍵

超越一步到位：為什麼提示鏈接 (Prompt Chaining)才是駕馭AI的關鍵

1. 引言：AI溝通的進化與挑戰

人工智慧（AI）正以前所未有的速度融入我們的生活和工作。從撰寫郵件到分析數據，AI的能力令人驚嘆。然而，要真正釋放AI的潛能，有效的溝通至關重要。這也是為什麼「提示詞工程」（Prompt Engineering）這個概念最近這麼火紅。事實上，我覺得字字計較的提示詞根本沒有必要，但如何與AI溝通，確實是一件需要學習的技巧。姑且用一句老話：「見人說人話，見鬼說鬼話。」提示詞工程就是我們如何設計和優化與AI的溝通指令，以獲得期望的結果。在面對日益複雜的任務時，如何更精準地引導AI成為了一個核心挑戰。這篇文章中，我想探討兩種關鍵的AI引導方法：思想鏈（Chain-of-Thought, CoT）和提示鏈接（Prompt Chaining），並闡述為什麼在許多複雜場景下，Prompt Chaining展現出更強大的力量。

2. 重新認識思想鏈（Chain-of-Thought, CoT）

思想鏈（CoT）是一種讓AI能夠像人類一樣逐步思考的方法。它通過將複雜的問題分解為一系列更簡單的步驟，引導AI進行推理。簡單的說，就是在跟AI對話的過程中，要加上 「step by step; 讓我們一步一步地思考」等提示詞，甚至要加上「慢慢來」，通過要求AI 生成中間推導步驟來增強模型的表現能力。 Feng et al. (2024) 的研究指出，CoT模型在數學和決策任務中展現了顯著的性能提升，尤其在面對更長或更複雜的輸入時，能保持更高的準確率。

事實上，「step by step」的提示詞效果已經沒有過去那麼明顯了（還是有一點差異），原因是目前許多主流的AI模型（如ChatGPT 的o1、o3模型）都已經內建CoT的基本能力，當你使用這些模型時，AI 會自動將你的要求拆解成好幾個步驟，再往下進行研究。以之前舉的標書案例來看，我用Gemini Flash 2.0 Thinking這個模型來測試，Gemini會先將問題拆解成12個步驟：

Here's a breakdown of the key requirements and how to structure the proposal:

Proposal Structure:

1. 提案標題 (Proposal Title): Clear and concise, indicating the project and our company.

2. 公司簡介 (Company Introduction): Briefly introduce our marketing firm, highlighting relevant experience and expertise in tourism and cultural promotion.

3. 專案理解與目標 (Project Understanding and Objectives): Demonstrate our understanding of the Jinshan Bonfire fishing culture and the goals of the promotion project as outlined in the bidding specifications.

4. 行銷推廣策略 (Marketing Promotion Strategy): Detail our overall approach to achieving the project objectives, incorporating both CoT and Prompt Chaining principles in our planning and execution.

5. 具體執行方案 (Detailed Implementation Plan): Outline specific activities and deliverables for each requirement in the bidding specifications:

   • 金山蹦火仔漁業文化推廣 (Jinshan Bonfire Fishing Culture Promotion): Propose ideas for the exhibition, including interactive elements and guided tours.

   • 規劃主題旅遊行程 (Planning Themed Tourist Itineraries): Detail the three themed itineraries for different seasons, collaboration with travel agencies, media events, and special marketing activities.

   • 伴手禮開發 (Souvenir Development): Describe our approach to developing a fish-themed souvenir and the plan for providing 500 units.

   • 宣傳影片製作 (Promotional Video Production): Outline our plan for producing the required videos, including technical specifications, consultant engagement, international film festival submissions, and translation/review process.

   • 整體活動行銷推廣 (Overall Event Marketing Promotion): Detail our media plan, press release strategy, social media engagement (FB fan page and official website), compliance with drone regulations, and reporting on media effectiveness.

   • 活動文宣品 (Event Collateral): Describe our approach to designing and producing the main visual, invitation cards, posters, banners, etc., emphasizing sustainability.

6. 績效指標達成方案 (KPI Achievement Plan): Explain how our proposed activities will meet or exceed the specified KPIs (press releases, social media engagement, tour participation, guided tour sessions).

7. 專案團隊與經驗 (Project Team and Experience): Introduce our team members and highlight their relevant experience, including any international film festival awards for the video production team.

8. 專案時程規劃 (Project Timeline): Provide a detailed timeline for all project activities, including milestones and deadlines.

9. 預算規劃 (Budget Plan): Outline a detailed budget breakdown for each aspect of the project.

10. 加值提案 (Value-Added Proposal): Include any additional creative ideas or commitments beyond the basic requirements.

11. 結論 (Conclusion): Summarize our proposal and reiterate our commitment to the success of the Jinshan Bonfire Marketing Promotion Project.

12. 附件 (Appendices): Include any supporting documents, such as team member bios, company portfolio, and consultant agreements.

在研究這個議題時，發現有更進階的CoT提示詞使用方式，例如加入範例 (Few-shot CoT)，以下是Gemini給的說明：

「Few-shot Chain-of-Thought (Few-shot CoT)」是一種進階的提示詞工程技巧，用於提升大型語言模型（LLMs）在複雜推理任務上的表現。它是在標準的「思想鏈（Chain-of-Thought, CoT）」提示的基礎上發展出來的。

核心概念：

Few-shot CoT 的核心思想是，除了要求模型逐步思考（像標準 CoT 一樣）之外，還在提示中提供幾個範例。這些範例不僅包含問題和最終答案，更重要的是，它們展示了達到答案的逐步推理過程。

與其他提示方法的比較：

• Zero-shot CoT： 僅僅在提示中加入「讓我們一步一步地思考」等指令，不提供任何範例。

• One-shot CoT： 在提示中提供一個問題及其逐步推理過程和答案的範例。

• Few-shot CoT： 在提示中提供多個（通常是2-8個）不同的問題，以及它們各自的逐步推理過程和答案的範例。然後再提出模型需要解決的新問題。

Few-shot CoT 的運作方式：

通過提供多個成功的推理範例，Few-shot CoT 能夠幫助模型更好地理解：

• 期望的推理模式： 模型可以從範例中學習到在特定類型的問題上，應該如何分解問題、進行邏輯推導和得出結論。

• 相關的知識和概念： 範例中的推理步驟可以引導模型關注解決問題所需的關鍵資訊。

• 生成連貫推理步驟的能力： 模型可以模仿範例中的推理結構和語言風格，生成更清晰、更合理的逐步思考過程。

Few-shot CoT 的優點：

• 顯著提升複雜推理能力： 尤其在需要多步驟邏輯、算術或常識推理的任務上，Few-shot CoT 通常能帶來比 Zero-shot 或 One-shot CoT 更顯著的性能提升。

• 更好的泛化能力： 通過學習多個範例，模型更能適應不同形式或略有變化的問題。

• 無需微調模型： 這是一種純粹的提示詞技巧，不需要對模型進行額外的訓練。

參考資訊：

關於 Few-shot CoT 的重要參考資訊通常指向以下研究論文：

• "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" (Wei et al., 2022): https://arxiv.org/abs/2201.11903

CoT的價值在於它提高了AI推理的透明度和準確性，並有助於降低AI產生幻覺的可能性。通過要求AI解釋其思考過程，我們可以更好地理解其推理邏輯，並更容易發現潛在的錯誤。但它的缺點也很明顯，就是你將所有思考的步驟全部外包給AI了，完全忽略拆解問題，也許才是你的專業能力中，最重要的一塊。尤其，對於極度複雜或需要多階段處理的任務，單純依賴AI在一次對話中完成所有步驟的CoT方法，可能會顯得不夠靈活，且難以進行精確的控制。這時，提示鏈接（Prompt Chaining）的重要性就顯現出來。

3. 提示鏈接（Prompt Chaining）：化繁為簡的進階策略

提示鏈接（Prompt Chaining）是一種更為精細和使用者主導的AI引導方法。它強調由使用者將一個複雜的任務主動分解為多個連續的提示，每個提示的輸出都會作為下一個提示的輸入，就像一條環環相扣的鏈條，逐步引導AI達成最終目標。Google的AI課程中就強調了這種方法，認為通過串聯多個提示來逐步精煉結果是使用AI的最佳實踐。

與CoT不同，Prompt Chaining的核心在於使用者對問題解決步驟的精確拆解和控制。使用者需要有能力將一個複雜的目標分解為一系列可執行的小步驟，並針對每個步驟設計特定的提示。這種方法帶來了諸多優勢：

• 更精細的控制： 使用者可以針對任務的每個環節進行精確的引導和調整，確保AI的輸出符合預期。

• 處理極度複雜的任務： 對於那些單次提示難以完成的龐大任務，Prompt Chaining可以將其分解為一系列可管理的小問題，逐個擊破。

• 迭代優化： 每個步驟的輸出都可以被使用者檢視和評估，並根據需要調整後續的提示，實現迭代優化，最終獲得更精準的結果。

• 可追溯性： 使用者可以清晰地追蹤AI解決問題的每一個步驟，更容易理解其推理過程，並在出現錯誤時進行Debugging。

• 模組化： 某些常用的步驟或提示鏈可以被保存和重複使用，提高工作效率。

4. CoT vs. Prompt Chaining：關鍵差異與適用場景

為了更好地理解兩者之間的區別，我們可以將它們進行比較：

總體而言，CoT更像是在一次性地要求AI進行複雜的思考，而Prompt Chaining則更像是引導AI逐步完成一個複雜的項目，使用者在每個階段都扮演著重要的指導和監督角色。

5. Prompt Chaining是專業的展現

在AI技術日益成熟的今天，我們與AI的互動方式也需要不斷進化。我主張不要將Prompt Chaining的技巧視為僅僅是一種更高級的提示技巧，而是把它視為是一種與AI協作的心法。它強調使用者需要像一個專案經理一樣，將複雜的目標分解為可執行的任務，並通過一系列精心設計的提示來引導AI完成這些任務。這種方法賦予了使用者更大的主導權，使得我們能夠利用AI解決以前難以想像的複雜問題。

以前面的案例而言，其實，我會在給了標書之後，先利用SBP的技巧，詢問這個標書「問題背後的問題」，例如，「這個標案牽涉哪些利害關係人，他們各自有什麼需求與限制。」，再要求AI想一下「在標書所提的表象問題背後，還有哪些更深層的問題。」透過這種逐步拆解的過程，我們能確保AI在我們的一步一步的指導與修正之下，產出更符合有邏輯，更符合現況的解決方案，從而確保最終結果的品質和準確性。相較於CoT，Prompt Chaining在處理需要精細控制和迭代優化的場景下，能展現出更強大的能力。

6. 結論：掌握Prompt Chaining，駕馭AI的未來

總而言之，雖然思想鏈（CoT）為我們提供了一種引導AI逐步思考的有效方法，但在面對更複雜、需要更精細控制和迭代優化的任務時，提示鏈接（Prompt Chaining）展現出其更強大的能力和重要性。它不僅僅是一種技巧，更是一種與AI協作的思維方式，讓我們能夠像指揮家一樣，引導AI逐步完成複雜的任務，最終實現我們的目標。掌握Prompt Chaining，將會成為我們在未來駕馭AI、釋放其全部潛能的關鍵。

本文初稿由人工完成，經與AI互動後，修正而成

附錄：Few-shot Cot範例（由Gemini提供）：

問題：

小明有 5 顆蘋果和 3 顆橘子。他吃了 2 顆蘋果，然後他的朋友給了他 4 顆橘子。請問小明現在總共有幾顆水果？

Zero-shot CoT 提示：

讓我們一步一步地思考。小明現在總共有幾顆水果？

One-shot CoT 提示：

範例： 小華有 8 本書。他賣掉了 3 本，然後又買了 5 本。請問小華現在總共有幾本書？ 思考步驟： 小華一開始有 8 本書。他賣掉了 3 本，所以剩下 8 - 3 = 5 本書。然後他又買了 5 本，所以現在有 5 + 5 = 10 本書。答案是 10 本。

問題： 小明有 5 顆蘋果和 3 顆橘子。他吃了 2 顆蘋果，然後他的朋友給了他 4 顆橘子。請問小明現在總共有幾顆水果？ 思考步驟：

Few-shot CoT 提示：

範例 1： 小麗有 10 塊餅乾。她吃了 4 塊，然後她媽媽又給了她 3 塊。請問小麗現在總共有幾塊餅乾？ 思考步驟： 小麗一開始有 10 塊餅乾。她吃了 4 塊，所以剩下 10 - 4 = 6 塊餅乾。然後她媽媽又給了她 3 塊，所以現在有 6 + 3 = 9 塊餅乾。答案是 9 塊。

範例 2： 老王有 7 隻雞和 2 隻鴨。他賣掉了 1 隻雞，然後又買了 3 隻鴨。請問老王現在總共有幾隻家禽？ 思考步驟： 老王一開始有 7 隻雞和 2 隻鴨，總共 7 + 2 = 9 隻家禽。他賣掉了 1 隻雞，所以剩下 7 - 1 = 6 隻雞和 2 隻鴨。然後他又買了 3 隻鴨，所以現在有 6 隻雞和 2 + 3 = 5 隻鴨。總共有 6 + 5 = 11 隻家禽。答案是 11 隻。

問題： 小明有 5 顆蘋果和 3 顆橘子。他吃了 2 顆蘋果，然後他的朋友給了他 4 顆橘子。請問小明現在總共有幾顆水果？ 思考步驟：

預期 Few-shot CoT 的輸出：

小明一開始有 5 顆蘋果和 3 顆橘子，總共 5 + 3 = 8 顆水果。他吃了 2 顆蘋果，所以蘋果剩下 5 - 2 = 3 顆。橘子的數量沒有改變，仍然是 3 顆。然後他的朋友給了他 4 顆橘子，所以橘子現在有 3 + 4 = 7 顆。因此，小明現在總共有 3 顆蘋果和 7 顆橘子，總共是 3 + 7 = 10 顆水果。答案是 10 顆。

說明：

在 Few-shot CoT 的提示中，我們提供了兩個與目標問題類似的範例，每個範例都包含了問題、逐步的思考過程和最終答案。這些範例向模型展示了如何分解問題、進行計算以及最終得出答案。當模型看到目標問題時，它會模仿範例中的推理模式，逐步計算出小明擁有的蘋果數量變化和橘子數量變化，最終得出正確的水果總數。

相比之下：

• Zero-shot CoT 可能會讓模型直接給出答案，而沒有清晰的推理過程。

• One-shot CoT 提供了一個範例，但可能不足以讓模型理解所有必要的推理步驟（例如，在這個例子中，需要考慮兩種水果）。

• Few-shot CoT 通過提供多個範例，讓模型學習到更全面的推理策略，從而更可靠地解決問題。

這個範例展示了 Few-shot CoT 如何通過提供少量的示範，顯著提升模型在需要逐步推理的任務上的表現。實際應用中，範例的選擇和設計對於 Few-shot CoT 的效果至關重要。