提示工程不是技能，
是一門每日修煉的藝術
沒有任何一位書法大師說自己「已經學會了書法」。提示工程，也是如此。
前言：「我已經學會了」，是修煉結束的錯覺
日本茶道宗師千利休晚年的弟子曾問他：「您研習茶道數十年，現在有什麼秘訣可以傳授？」千利休的回答只有一句：「燒水，點茶，喝茶。」弟子以為這是在敷衍，千利休補充說：「若你能做到完美，請來告訴我。」
提示工程（Prompt Engineering）面對的，正是類似的處境。這個領域裡有一種常見的幻覺：「我已經掌握了 prompt 技巧。」但真正深耕的從業者都知道，每一次你以為「找到了」最好的 prompt，現實就會送來一個讓它失效的邊際案例。
AI 顧問 @FaicelessC7398 在 X.com 有一段被廣泛轉發的觀察：提示工程是「與系統的每日協商，系統根據情境、token 位置和一些類似天氣的因素，對相同的詞語有不同的解讀」。這個比喻極為精準——也極為令人不安，又令人著迷。
一、為什麼「學會」提示工程是一個錯誤的目標
語言模型的行為並不完全一致。同一個 prompt 在不同情境下、在不同的對話長度中、甚至在模型更新後，可能產生截然不同的輸出。這不是 bug，這是 LLM 的本質特性——它運作在概率分布之上，而概率的本質就是「每次都不完全一樣」。
這讓許多希望找到「萬能公式」的人感到挫敗。我們習慣了「學習某個技能 → 掌握 → 可以穩定複製」的線性成長模型。但提示工程打破了這個模型，它更像是：
- 學習烹飪：你理解了鹽的原理，但每塊魚的厚度、每天的濕度、每個爐子的火力都不同，你每次下廚仍需當下判斷。
- 學習書法：筆、墨、紙的組合永遠在變，「以不變應萬變」的前提是對基礎的深刻理解，而不是固定的招式。
- 學習語言中的說服：你知道什麼是修辭，但說服一個具體的人在一個具體的情境下接受一個具體的觀點，仍然是每次都需要重新判斷的挑戰。
提示工程師需要培養的，不是「一套固定技巧」，而是「持續觀察、假設、測試、調整」的科學精神，以及對模型行為的直覺感知能力。這是一種思維方式，不是一張食譜。
禪宗有「不立文字，直指人心」的說法，意指最深的領悟無法被完全文字化，只能在反覆實踐中自然湧現。提示工程中的「感」——那種知道「這個 prompt 在這個情境下不對勁」的直覺——也是如此。它不能被寫進指南，只能被修煉出來。
二、讓提示工程可測量：標準化評估框架的修煉方法論
接受了「提示工程是持續修煉」的前提後，下一個問題是：如何修煉得更有效率？
UX 設計師與 AI 開發者 @scottshapir 分享了他們的實踐答案：建立標準化的評估框架（Eval Harness），將 AI 實驗週期從 2 週壓縮至 3 天。
這個框架的核心思想，類似日本製造業中的「PDCA 循環」（計劃—執行—檢查—行動）：不讓修煉停留在感覺層面，而是建立可度量的基準，讓每次迭代的效果可以被快速、客觀地驗證。
具體而言，評估框架的價值在於：
- 讓「感覺好了一點」變成「數字好了 12%」。當你能量化改進，你才能有方向地繼續改進，而不是在黑暗中亂撞。
- 讓知識可以傳遞。一位資深工程師對「好 prompt」的直覺無法直接複製，但一套評估標準可以讓整個團隊對齊，共同積累有效實踐。
- 建立「提示技術債」的意識。就像程式碼有技術債，prompt 也會隨著模型更新和業務變化而老化。有評估框架，你才知道什麼時候需要重新修煉。
「基礎設施優先於功能」——工具和流程的品質，決定了創新速度的上限。一個能快速迭代的評估系統，才是 AI 產品持續改進的真正引擎。
三、本地 LLM 的啟示：換模型不如換視角
開發者 @itsdennian 的一次實測結果，提供了一個反直覺的發現：在評估本地 LLM 的摘要能力時，最大的品質躍升不是來自換用更強的模型，而是來自更好的提示工程。
這讓我想到佛教中「心外求法」與「向內行求」的對比。我們習慣於相信更大的外部資源能解決問題——更強的模型、更多的算力、更高的預算。但有時候，問題不在資源，而在我們與資源的對話方式。
莊子《秋水》篇中，河伯見到北海而驚嘆，以為自己之前的自滿是因為沒見過更大的海。北海卻說：「吾在天地之間，猶小石小木之在大山也。」——最終的視野，不是尋找更大的外部比較對象，而是找到自己在系統中的真實位置。
對提示工程師來說，這個「位置」就是：深刻理解你使用的模型的性格，學會用它能理解的方式說話，而不是不斷期待它「猜到你的意思」。
提示工程的改進，往往比模型升級更容易實施、成本更低，且效果可以快速驗證。先把現有的工具用到極致，再考慮升級——這是工匠精神，也是務實的 AI 工程哲學。
四、每日修煉的具體形態：給 AI 實踐者的行動指引
接受了「提示工程是修煉而非技能」的心態後，日常實踐該是什麼樣的？以下是幾個有操作性的方向：
建立你的「提示日誌」
就像冥想修行者記錄觀察日記，提示工程師應養成記錄有效和失效 prompt 的習慣。不求系統完整，但求真實記錄：「這個 prompt 在這個任務中效果不佳，調整了 X 之後有所改善」。累積三個月，你將擁有對自己業務領域最有效的 prompt 資料庫。
設立「評估首日」
每次開始新的 AI 功能開發前，先花半天建立評估指標——哪些輸出算「好」，哪些算「差」，用什麼方式打分。這個前期投資，會在後續的迭代過程中節省大量盲目嘗試的時間。
定期重測舊 prompt
模型更新後，過去表現良好的 prompt 可能已悄悄退化。每季度抽樣重測核心場景的 prompt，是一種技術衛生習慣，也是對系統長期可靠性的負責。
擁抱「不確定性」作為訓練場
每次 prompt 的輸出令你意外——無論是好意外還是壞意外——都是一次認識模型本性的機會。不要跳過這個困惑，在困惑中停留，觀察，形成假設，再測試。這才是修煉真正發生的地方。
你的 AI 輸出品質，是否讓你感到不穩定或難以控制？
我們協助企業建立系統化的 AI 提示工程實踐——從評估框架設計到團隊能力培養，讓 AI 輸出從「偶爾驚喜」進化到「穩定可靠」。
預約 AI 工程諮詢結語：與不確定性共處的藝術
提示工程的本質是持續學習、持續協商。它教我們一件在 AI 時代極其珍貴的事：如何與一個你無法完全掌控的系統建立有效的合作關係。
這其實也是人際關係、組織管理，乃至一切創造性工作的核心功課。我們永遠無法完全預測另一個人的反應，無法完全控制市場的走向，也無法讓 LLM 的輸出完全服從我們的期待。
但我們可以修煉。我們可以每天比昨天更深地理解那個系統，更精確地表達我們的意圖，更有智慧地解讀它給出的回應。這種修煉沒有終點，就像千利休的茶道——燒水，點茶，喝茶，每次都是第一次，也是最後一次。
※ 本文引用觀點來源包含 X.com 公開討論及 AI 工程實踐社群分享，所有外部引用均指向公開可查證的公開內容。