Prompt Engineering 核心技術：Chaining、CoT 與 Loop¶
摘要¶
單一 Prompt 能解決的問題有限。當任務變複雜，需要引入三種核心技術：
| 技術 | 核心概念 | 控制方 |
|---|---|---|
| Prompt Chaining | 拆解任務為多個有序步驟 | 工程師設計固定流程 |
| Chain of Thought | 引導模型顯示推理步驟 | 模型自主推導 |
| Loop Engineering | 循環執行直到目標達成 | 模型 + 工程師共同設計 |
三者可以組合使用——例如「用 Chaining 分工、用 CoT 處理推理步驟、用 Loop 反覆優化」。
Prompt Chaining：拆解複雜任務¶
原理¶
把一個複雜任務切分為多個有序的 Prompt，前一步的輸出作為下一步的輸入。每個 Prompt 只做一件事，角色與職責明確。
適用時機¶
- 任務太複雜，一次 Prompt 容易失焦或超出 context 限制
- 需要對中間結果做驗證、過濾或人工審核
- 不同步驟需要不同的指令風格（例如：摘要→翻譯→潤稿）
實作要點¶
1. 每個 Prompt 職責單一
不好的做法：「幫我分析這份報告、寫摘要、翻譯成英文、再建議改善方向。」
好的做法：拆成四個獨立 Prompt，逐步傳遞。
2. 定義清晰的輸入輸出格式
步驟之間的「接口」越明確，錯誤越不容易傳播。考慮使用 JSON 或固定 Markdown 格式作為中間輸出。
3. 在關鍵節點插入驗證
若步驟 2 的輸出不符合預期，不應繼續到步驟 3。在 pipeline 中加入格式檢查或品質判斷。
主要風險：錯誤傳播。 前段的錯誤會被帶入後續所有步驟。設計時要考慮每個 Prompt 的失敗模式。
Chain of Thought：讓模型推理出來¶
原理¶
要求模型在給出最終答案前，先「顯示思考過程」。這個簡單的改變對推理類問題的準確率提升顯著。
兩種使用方式¶
Zero-shot CoT：只需在 Prompt 末尾加上一句話。
Few-shot CoT：提供帶有推理過程的範例，讓模型學習格式。
問題：小明有 3 個蘋果，給了小華 1 個，又買了 5 個。請問小明現在有幾個？
思考過程：
1. 初始：3 個蘋果
2. 給出 1 個：3 - 1 = 2 個
3. 買入 5 個：2 + 5 = 7 個
答案：7 個
---
問題：[你的問題]
思考過程：
適用時機¶
- 數學計算、邏輯推理
- 多步驟決策（例如：投資分析、診斷排查）
- 需要可審核的推理過程（避免「說對了但理由是錯的」）
限制¶
CoT 對事實性問題幫助有限。若模型本身沒有相關知識，推理步驟也會建立在幻覺之上。CoT 改善的是推導過程，不是知識本身。
Loop Engineering：循環執行到收斂¶
原理¶
模型不只生成一次回應——它執行動作、觀察結果、評估是否達成目標，再決定繼續或停止。這是現代 AI Agent 的基本控制結構。
四個核心步驟¶
| 步驟 | 內容 |
|---|---|
| ① 規劃 | 根據目標選定行動策略，決定呼叫哪個工具或生成什麼內容 |
| ② 執行 | 實際呼叫工具（搜尋、計算、寫程式）或生成回應 |
| ③ 觀察 | 讀取工具回傳的結果，解析環境的當前狀態 |
| ④ 評估 | 判斷目標是否達成；若未達成，調整策略並重新規劃 |
兩種常見變體¶
基本 Agentic Loop（工具使用）
適用於需要外部工具的任務：網路搜尋、執行程式碼、讀寫資料庫。每輪根據工具回傳結果更新行動。
Reflection Loop（自我反思）
模型生成初稿 → 扮演評審角色批評初稿 → 根據批評修改 → 重複直到品質達標。不需要外部工具，純語言層面的迭代改善。
終止條件設計¶
Loop 必須有明確的退出條件，否則會無限執行：
- 最大迭代次數：
max_iterations = 10，超過即強制停止 - 完成訊號：讓模型輸出結構化的
{"done": true}旗標 - 成本上限：監控 Token 用量，超過預算即中止
- 收斂檢測：若連續兩輪輸出差異低於閾值，視為收斂
適用時機¶
- 程式除錯（執行 → 讀取錯誤訊息 → 修正 → 再執行）
- 資料蒐集與彙整（反覆搜尋直到資訊足夠）
- 文件優化（反覆潤稿直到評分達標）
三技術比較¶
| Prompt Chaining | Chain of Thought | Loop Engineering | |
|---|---|---|---|
| 核心概念 | 拆解任務 | 顯示推理 | 循環執行 |
| 控制方 | 工程師（固定流程） | 模型自主 | 模型 + 工程師 |
| 流程形狀 | 線性 | 線性（展開） | 循環 |
| 適合任務 | 多步驟複雜任務 | 推理 / 計算 | 動態 / 不確定性高 |
| 主要風險 | 錯誤傳播 | 幻覺推理 | 無限迴圈 / 成本失控 |
| 可組合 | ✓ 與 CoT、Loop | ✓ 與 Chaining | ✓ 與 Chaining、CoT |
三種技術並非互斥。實務上，一個完整的 AI 系統往往同時用到：Chaining 定義整體流程、CoT 處理每個步驟中的推理、Loop 讓某個步驟反覆嘗試直到成功。