3. 講義內容
AI 提示工程的基本原理
AI 提示工程（AI Prompt Engineering）是設計和優化 AI 提示以提升 AI 應用效果的方法，直接影響 AI 的輸出質量。
AI 提示工程的步驟
- 確定目標
- 設計提示
- 測試提示
- 優化提示
AI 提示工程的應用場景
數據分析
報告撰寫
AI 提示工程的設計
提示結構
提示優化
AI 提示工程的應用
- 數據分析：提升數據分析效率
- 報告撰寫：提升報告撰寫質量
- 決策支持：提供決策依據
深度解析與應用
在專業環境中，知識的應用需要考慮多重因素。理論框架提供了分析的基礎，但實務操作還需要考慮市場環境、監管要求、以及各方利益相關者的互動。
系統性分析方法論
系統性分析是專業工作的核心能力。這包括：
- 識別問題的關鍵因素和相互關係
- 選擇適當的分析工具和框架
- 執行詳細的計算與驗證
- 清晰地呈現結論與建議
實務案例分析
通過真實案例的分析，我們可以更好地理解理論知識的應用。案例分析的步驟包括：
- 理解案例背景和問題
- 識別關鍵信息和數據
- 應用相關理論和框架
- 提出解決方案和建議
- 總結經驗和教訓
常見挑戰與解決方案
在實際工作中，專業人員常面臨以下挑戰：
- 資訊不完整：在信息有限的情況下做出決策
- 時間壓力：在緊迫的期限內完成高質量的作品
- 利益衝突：平衡不同利益相關者的需求
- 技術複雜性：處理複雜的技術問題和數據
專業判斷力的培養
專業判斷力是通過經驗和學習逐步培養的。提升專業判斷力的方法包括：
- 持續學習：不斷更新知識和技能
- 反思總結：從成功和失敗中學習
- 尋求反饋：從他人那裡獲得建設性的意見
- 實踐應用：在實際工作中應用所學知識
行業最佳實踐
學習行業最佳實踐可以幫助我們更快地提升專業能力：
- 了解業內領先的方法論和工具
- 學習成功案例的經驗和教訓
- 關注行業發展趨勢和變化
- 建立專業人脈和知識網絡
4. 核心概念與機制
AI 提示工程：確定目標 → 設計提示 → 測試提示 → 優化提示
關鍵 AI 提示工程概念：
- 提示結構：清晰的目標、詳細的上下文、具體的輸出要求
- 提示優化：測試不同提示、分析輸出結果、優化提示設計
- AI 輸出質量：AI 輸出的準確性和可靠性
- AI 應用效果：AI 應用的效率和效果
延伸概念與框架：
- 系統性分析方法論：結構化地分析和解決問題
- 決策框架與判斷標準：在複雜情境中做出合理決策
- 風險評估與管理機制：識別、評估和控制風險
- 最佳實踐與行業標準：學習和應用業內領先的方法論
5. 實例演算
提示框架（示意）：
| 要素 | 例子 |
|---|
| 角色 | 賣方財務顧問 |
| 任務 | 分析毛利率變化 |
| 格式 | 表格 + 數字引用 |
| 限制 | 僅用提供資料 |
提示品質直接決定 AI 輸出的可用性 ✅
6. Excel 建模步驟
- 建立提示框架模板
- 角色 + 任務 + 格式 + 限制
- 用 AI 生成可比公司清單
- 用 AI 摘要財報附註
- 用 AI 生成異常原因假設
- 人工核實輸出
檢查式： 提示結構化；輸出有人工核實；不憑空假設數據。
7. 案例研究
情境示範：分析師給 AI 的提示過於模糊（「分析這家公司」），輸出泛泛而談；改用結構化提示後，輸出精準聚焦。教訓：提示工程是把 AI 從「聊天工具」變成「分析工具」的關鍵。
真實案例（歷史資料，教學用途，不構成投資建議）： 提示工程是 AI 財務分析的效率關鍵，示範「結構化提問」的實務方法。
8. 常見錯誤
- 提示模糊 —— 輸出泛泛
- 忽略角色設定 —— 視角不對
- 忽略限制條件 —— AI 憑空假設
- AI 輸出不核實 —— 錯誤結論
- 忽略格式要求 —— 輸出不可用
9. 術語表
| 英文 | 中文 | 解釋 |
|---|
| Prompt Engineering | 提示工程 | 結構化提問 |
| Role Setting | 角色設定 | 專業視角 |
| Output Format | 輸出格式 | 呈現要求 |
| Constraint | 限制條件 | 資料邊界 |
| Footnote Summary | 附註摘要 | 應用場景 |
11. 延伸閱讀
- 下一課：3.6.3 AI 的限制與核實紀律
- 課 14.1.1 生成式 AI 與 LLM 概覽
- 對應影片：EP「財務建模」相關集數