(01)
思維鏈（CoT）：讓 AI 一步一步想清楚
思維鏈（Chain of Thought）就像教 AI「一步一步想清楚」，而不是直接丟出答案。它能顯著提升 AI 處理複雜推理問題的準確度。
標準的提示詞直接問結果：「5 加 3 等於多少？」CoT 則要求 AI 展示推理過程：「請一步步計算：首先…然後…最後答案是…」這個中間步驟讓錯誤有機會被識別和修正。
1
使用者提問（附帶 CoT 範例）
「問：紅色和藍色按 2:1 混合會是什麼顏色？請一步步思考。」
2
AI 展示推理鏈
「根據色彩理論，紅色比例較高（2）。額外的紅色會在色輪上將色調偏向紅色，而藍色（1）仍會產生影響，所以…」
3
AI 給出有理據的答案
「因此混合結果會是紅紫色（品紅色）——更偏紅色，但帶有藍色影響。」
Q57 考點：題目展示一個「問答範例，其中答案包含了推理過程說明」，問這是哪種提示詞？答案是 思維鏈（CoT）——關鍵特徵是「答案中有邏輯推導步驟」，而非只有結果。
(02)
進階技巧全景：四種技術對比
CoT 只是進階提示工程的其中一種技術。以下對比四種容易混淆的技術，幫助你在考題中快速辨別：
| 技術名稱 | 核心定義 | 關鍵特徵 | 考試關聯 |
|---|---|---|---|
| 思維鏈（CoT） | 讓 AI 展示逐步推理過程 | 答案含「因為…所以…」的推導 | Q57 |
| Few-Shot CoT | 提供「問題+帶推理的答案」範例，讓 AI 模仿思考方式 | 範例中包含推理鏈，非只有答案 | Q57（題目設計） |
| 提示鏈接（Prompt Chaining） | 將複雜任務拆成子任務，前一步輸出作為下一步輸入 | 「流水線」結構，步驟間有依賴 | Q50 |
| 迭代細化（Iterative Refinement） | 對不滿意的輸出進行針對性修改，一次加一個變數 | 「按照…修改」而非重來 | Q31 |
(03)
提示鏈接（Prompt Chaining）：讓複雜任務可執行
Q50 直接考「提示鏈接的定義」：「將任務劃分為更小的子任務，並使用一個新提示詞的輸出作為下一個提示詞的輸入。」
想像你要用 AI 為客戶建立個人化行銷信件，這個任務太複雜一次完成：
步驟 1
提取客戶偏好
→
步驟 2 (用步驟1輸出)
生成個人化主題
→
步驟 3 (用步驟2輸出)
撰寫完整信件
→
步驟 4 (用步驟3輸出)
優化語氣與格式
與 Few-Shot 的區別：Few-Shot 是在「同一個提示詞」中提供多個範例；Prompt Chaining 是「跨多個提示詞」的流水線，每一步都是獨立的對話。Chaining 是開發 AI Agent 自動化工作流的基礎。
(04)
迭代細化（Iterative Refinement）：一次改一個變數
Q31 的情境：你要制定 30 分鐘力量訓練計畫，AI 生成了一個 10 分鐘、強度不明的方案。你應該怎麼改提示詞？
正確答案：「按照 30 分鐘的力量訓練進行修改。」
這就是迭代細化——直接指出「需要修改的具體參數」（時間 + 類型），而不是模糊地說「更精細一些」（選項 B）或重新解釋原理（選項 C）。
這就是迭代細化——直接指出「需要修改的具體參數」（時間 + 類型），而不是模糊地說「更精細一些」（選項 B）或重新解釋原理（選項 C）。
錯誤做法
「更精細一些」
過於模糊。AI 不知道你認為哪裡不夠精細，可能改了錯的地方，或者乾脆沒有實質改變。
正確做法
「按照 30 分鐘的力量訓練進行修改」
精確指定需要改變的變數：時間（30 分鐘）和類型（力量訓練）。AI 有明確的修改目標。
考點：Q31
(05)
反向提示詞（Reverse Prompting）：讓 AI 問你問題
Q58 考的是一個反直覺的技巧：不是你告訴 AI 需要什麼，而是讓 AI 問你需要提供什麼。
傳統做法
你提供所有資訊
「我是英語老師，有 5 年經驗，請幫我寫履歷。」→ AI 可能根據「5年英語老師」這個模糊描述，填充一些不符合你實際經驗的通用內容。
反向提示詞
讓 AI 收集你需要的資訊
「讓我提供履歷所需的每個關鍵細節，然後使用這些資訊生成履歷。」→ AI 會主動問：「你最重要的三個教學成就是什麼？你擅長哪個年齡段？」
考點：Q58
反向提示詞的價值：讓 AI 當面試官，確保它拿到的是你的真實且完整的資料，而非靠猜測填充。這能避免 AI 編造不存在的經歷，產出 100% 真實的履歷或文件。