• Automatic Prompt Engineering (APE，自動化提示詞工程)：就像「請 AI 幫你寫提示詞並自動挑選出最好的版本」。手動撰寫與調整提示詞非常耗時，APE 就是讓大語言模型自動生成多種不同的提示詞說法變體，再透過客觀的分數指標進行評估打分，最後選出成效最佳的提示詞。
• Code Prompting (程式提示詞)：就像「讓 AI 擔任你的全能軟體工程師與 Code Reviewer」。大語言模型不僅能幫你撰寫自動化程式碼（Generating code），還能幫你解釋看不懂的複雜程式碼（Explaining code）、把程式碼從一種語言翻譯成另一種語言（Translating code），以及自動排查 Bug 並提供重構優化建議（Debugging & Reviewing code）。

🎯 核心重點

1. Automatic Prompt Engineering (APE) 3 大步驟：
   • 步驟 1：生成候選變體（Generate candidates）：撰寫一個基礎提示詞，讓 LLM 自動生成多個同義但句法不同的提示詞指令變體（Candidates）（註：就是候選之意，是指它將生成多個提示詞，讓你可以進行選擇）。
   • 步驟 2：定量評估打分（Evaluate candidates）：利用特定評估指標（如 BLEU 或 ROUGE 分數）對生成的候選提示詞進行評分與測試。
   • 步驟 3：挑選與迭代（Select & Iterate）：選擇評估分數最高的提示詞作為系統最終採用的 Prompt，或對其進行微調後再次評估。
2. Code Prompting 的 4 大核心應用情境：
   • 撰寫程式碼 (Writing code)：傳達需求與限制，讓 LLM 生成 Bash、Python 或其他語言的自動化腳本。
   • 解釋程式碼 (Explaining code)：提供現成程式碼，讓 LLM 逐步解析每段程式碼的功能與原理，方便理解團隊遺留程式碼（Legacy code）。
   • 翻譯程式碼 (Translating code)：將程式碼從特定語言（如 Bash）翻譯為另一種更適合構建應用程式的語言（如 Python）。
   • 除錯與評閱程式碼 (Debugging and reviewing code)：將程式碼連同系統報錯訊息（Traceback）一併貼給 LLM，模型不僅能修復 Bug，還能自動列出潛在缺失（如未處理例外狀況、缺乏副檔名處理等）並提供最佳實踐重構版本。
3. 程式碼提示的工程注意事項：
   • 必須先在測試環境驗證：LLM 本質是 Token 預測引擎，而非真正具備邏輯思考，因此生成的程式碼必須先在測試資料匣（Test folder）中驗證測試。
   • Python 格式需保持 Markdown 縮排：在 Vertex AI Studio 中提示 Python 程式碼時，必須開啟 Markdown 檢視模式，否則純文字格式會丟失 Python 極度依賴的行首縮排（Indenting），導致程式無法執行。

💡 實際例子

例子 1：APE 樂團周邊商品客服機器人訓練

• 需求：我們想訓練一個販售樂團 T-Shirt 的客服機器人，需要蒐集客戶訂購時的各種口語說法。
• 作法：
  1. 輸入提示詞：「我們有周邊 T-shirt 網店，請針對『買一件 Metallica T-shirt S 號』這句語義，產生 10 種不同的口語表達變體」。
  2. LLM 自動生成了 "I’d like to purchase a Metallica t-shirt in size small."、"Can I order a small-sized Metallica t-shirt?" 等 10 種變體。
  3. 利用 BLEU / ROUGE 等分數評估篩選出最高分的語句，作為最佳訓練提示詞。

例子 2：Code Prompting（除錯與程式評閱）

• 問題：使用者執行 Python 重命名腳本時跳出錯誤 NameError: name 'toUpperCase' is not defined。
• Prompt 作法：將錯誤訊息（Traceback）與完整程式碼一併發送給 LLM 要求除錯。
• 模型輸出結果：
  1. 直擊 Bug：指出 Python 並沒有 toUpperCase() 函式，應改用字串內建的 .upper() 方法。
  2. 主動重構建議：模型進一步檢查發現程式碼還有其他缺陷——沒有保留原副檔名、未處理檔名空格、且缺乏 try...except 錯誤處理機制，並直接提供一份完整修復，並且更穩健的重構程式碼。

❌ 常見錯誤

1. 認為 APE 不需要評估指標：APE 絕非只讓 LLM 隨機生成提示詞，如果沒有搭配量化指標（如 BLEU / ROUGE）或客觀評測集，就無法篩選出真正高質量的提示詞。
2. 複製 Python 程式碼時未注意 Markdown 縮排：直接複製未經 Markdown 格式化的文字，會導致 Python 的 if、for 縮排跑版，進而引發 IndentationError。
3. 未經測試即直接將 LLM 生成的腳本用於正式環境：忽略了 LLM 可能會產生語法正確，但是邏輯不符需求的代碼，未先在測試資料夾驗證即執行，可能造成檔案遭不當覆蓋或刪除。

📖 來源依據

內容依據《Prompt Engineering》教材：

• Automatic Prompt Engineering (APE) 定義與 3 步驟：第 40–42 頁
• Code Prompting 4 大情境 (Write, Explain, Translate, Debug)：第 42–54 頁
• Python Markdown 縮排注意事項：第 48 頁
• 程式碼必須先測試驗證：第 43–44 頁

📝 3 題理解測驗

第 1 題（單選題） 關於 Automatic Prompt Engineering (APE，自動化提示詞工程) 的執行流程與優點，下列何者描述最為正確？ (A) APE 是指由工程師手動編寫 100 種提示詞，再完全人工進行打分。 (B) APE 透過模型自動生成多個提示詞變體，並利用 BLEU 或 ROUGE 等指標進行評分與篩選，以自動獲得成效最佳的提示詞。 (C) APE 只能用於程式碼生成，無法用於一般的文字生成或客服機器人訓練。 (D) APE 會自動將模型的 Temperature 調整為 0，完全不需要進行評估打分。

第 2 題（單選題） 在 Vertex AI Studio 中進行 Python 程式碼提示（Code Prompting）時，教材特別提醒了哪一個格式上的注意事項？ (A) 必須關閉所有 Markdown 按鈕，否則 Python 會無法執行。 (B) 必須點選 Markdown 按鈕，否則輸出的純文字會丟失 Python 正確運行所需的「行首縮排（Indenting）」。 (C) 必須將提示詞限制在 5 個 Token 以內。 (D) 必須使用 Java 語法來編寫 Python 提示詞。

第 3 題（應用簡答題） 假設你寫了一段 Python 檔案處理腳本，執行時跳出了 Traceback 錯誤訊息。 請依據本單元所學，說明你在撰寫除錯 Prompt 時，應該提供給 LLM 哪些關鍵資訊？LLM 除了指出錯誤行數外，還能為你提供哪些額外的程式碼評閱幫助？

測驗答案：（參考）
第1題：B。 APE 透過模型自動生成多個提示詞變體，並利用 BLEU 或 ROUGE 等指標進行評分與篩選，以自動獲得成效最佳的提示詞。
第2題：B 。必須點選 Markdown 按鈕，否則輸出的純文字會丟失 Python 正確運行所需的「行首縮排（Indenting）」。
第3題：

• 將錯誤訊息（Traceback）與完整程式碼一併發送給 LLM 要求除錯。 應提供的關鍵資訊，包含完整程式碼 + 錯誤訊息（Traceback）。
• 直接面對解決 Bug的訊息，並且提供主動重構程式碼的建議。LLM將協助額外的程式碼評閱，除了直接解決 Bug，LLM 還能進行主動重構（Refactoring），例如，加入例外處理（try...except）、邊界條件檢查、增強變數命名與語法規範等，讓程式碼更具備穩健度（Robustness）。

註1：
這「學習系列」的文章，是記錄自己與AI一起探索知識的過程，也是我將AI做為私人家教的一項實驗。對於如何藉由Ai輔助自我學習，請參考這篇：
https://blog.udn.com/tku_89056/192561353
https://goldenbird-willy.blogspot.com/2026/09/gemini-notebook-ai.html

註2：

學習教材：《Prompt Engineering》
本書探討了提示工程的核心概念、多種進階技巧、以及最佳實務（use cases）。內容涵蓋如何設定大型語言模型的輸出長度與取樣參數，並且介紹零樣本、少樣本、角色扮演、思維鏈、以及如何結合外部工具的推理與行動等實用策略。此外，本書也示範了如何利用人工智慧來編寫、解釋、翻譯和除錯程式碼。最後，本書提供了多項專業的建議，例如簡化提示設計、優先使用正面指令、利用如JSON的結構化格式、以及落實詳盡的版本記錄與迭代。
本書作者Lee Boonstra是一名人工智慧軟體工程師、技術主管和系統架構師，在谷歌全球首席技術官辦公室（OCTO）、應用創新工廠等擁有10年以上的資歷。
免費下載：https://www.kaggle.com/whitepaper-prompt-engineering