iPAS AI 初級・漫畫式小白教材

Prompt Engineering 提示工程大全

從「好好問 AI」一路進化到 CoT、ToT、Graph、RAG、ReAct！

🎬 第一幕：AI 為什麼有時候很聰明，有時候很笨？

① 小白問法

「幫我分析一下。」

🤖

AI：？？？
「你到底要我做什麼？」

② 好的 Prompt

角色＋背景＋任務＋格式＋限制

📝

AI：收到！
「這題我懂了。」

③ 進階 Prompt

「如果問題很複雜，
換個推理策略！」

🧠

CoT／ToT／Graph／ReAct／RAG

⭐ 先講結論：iPAS 最值得背哪些？

依目前 115 年 iPAS AI 應用規劃師初級的評鑑架構，生成式 AI 應用與「如何善用生成式 AI 工具」屬於初級範圍；而公開的歷屆試題已直接考過 Chain-of-Thought（CoT）與 Tree of Thoughts（ToT） 的情境判斷。citeturn0search24turn0search25

優先度	提示技術	考試要記什麼
🔥 必背	Zero-shot / Few-shot	零範例 vs 給範例讓 AI 模仿
🔥 必背	Role Prompting	指定 AI 扮演角色
🔥 必背	Chain-of-Thought（CoT）	把複雜問題拆成連續推理步驟
🔥 必背	Tree of Thoughts（ToT）	同時探索多條推理路徑，再比較選擇
🔥 必背	RAG	先找外部資料，再生成答案
⭐ 很值得懂	ReAct	推理＋行動／工具使用交替
⭐ 很值得懂	Prompt Chaining	大任務拆成多個 Prompt 串接
⭐ 很值得懂	Self-Consistency	產生多條推理，再用一致性選答案
⭐ 很值得懂	Graph / Graph Prompting	用節點與關係表示複雜資訊／推理結構
➕ 補充	Structured Output	要求 AI 輸出固定格式，例如 JSON、表格

🎭 第二幕：Prompt 工法角色大集合

🎯 ① Zero-shot

「不給範例，直接下指令。」

請將以下客服留言分類為：抱怨／詢問／稱讚。

👉 適合：任務簡單、模型已知道怎麼做。

🎯 ② Few-shot

「先示範幾題，再叫 AI 照著做。」

例：
「很爛」→ 抱怨
「請問價格？」→ 詢問

現在分類：「服務很好」→ ?

👉 重點：提供範例建立輸出模式。

🎭 ③ Role Prompting

「先告訴 AI 你要它當誰。」

你是一位資深建築能效工程師。
請分析這棟大樓的空調節能機會。

👉 關鍵：角色、專業背景、任務情境。

🧱 ④ Prompt Chaining

「一個大任務，拆成很多小任務。」

📄

擷取

🧹

整理

📊

分析

📝

報告

👉 比「一次叫 AI 做完所有事」更容易控制流程。

🧠 第三幕：CoT vs ToT vs Graph——最容易混淆的三兄弟

🔗 Chain-of-Thought（CoT）

「一條路，一步一步走。」

問題 → 步驟1 → 步驟2 → 步驟3 → 答案

適合：需要連續、多步驟推理的問題。

🎯 記憶：Chain = 一條鏈。

🌳 Tree of Thoughts（ToT）

「不要只走一條路，開很多條路比較！」

問題
↙　↓　↘
路徑A　路徑B　路徑C
↘　↓　↙
比較 → 最佳路徑

適合：有多種可能方案，需要探索與比較。

🎯 記憶：Tree = 很多分支。

🕸️ Graph / Graph Prompting

「不是只有一條鏈，而是看整張關係網。」

[空調] ──影響──> [耗電]
　│　　　　　　　│
　└─關聯─> [使用型態]
　　　　　　　　│
　　　　　　　　└→ [EUI]

適合：資訊有多個節點、關係、相互連結的問題。

🎯 記憶：Graph = 關係網。

🥊 三者一秒比較

CoT：➡️ 一條路

ToT：🌳 多條路

Graph：🕸️ 整張關係網

⚠️ 「Graph Prompting」不是與 CoT、ToT 完全相同的單一標準術語；考試若出現，先看題幹是否強調「節點、關係、網路結構」。

🔎 第四幕：RAG——AI 不知道，就先去「查資料」

① 直接問 AI

🤖❓

「你知道公司最新規章嗎？」

② RAG 出場

🔎📚

先搜尋／擷取相關文件

③ 再回答

📚 ➜ 🤖 ➜ 💬

把檢索到的內容當上下文再生成答案

🎯 記憶：RAG = Retrieval → Augmented → Generation，先「找」，再「答」。

🤖 第五幕：ReAct——AI 不只想，還會「做事」

🧠

Reason
思考下一步

🛠️

Act
使用工具

👀

Observe
取得結果

🔁

再循環
直到完成

例如：AI 想查「某大樓今日用電」→ 呼叫資料庫工具 → 讀取結果 → 再分析 → 回答。

🎯 記憶：ReAct = Reason + Act。

🔄 第六幕：Self-Consistency——「不要只問一次」

同一個複雜問題，讓模型產生多條推理路徑：

🧠

路徑 A
答案 42

🧠

路徑 B
答案 42

🧠

路徑 C
答案 41

🏆

一致性
42 勝出

🎯 核心：不是只相信一條推理，而是比較多個推理結果，選擇較一致的答案。

📦 第七幕：Structured Output——「不要只回答，照我的格式回答」

❌ 普通問法

請分析這棟大樓。

AI 可能寫成一大篇文字。

✅ 結構化 Prompt

請輸出 JSON：
{
「問題」：...，
「原因」：...，
「改善方案」：...
}

👉 適合：系統串接、資料處理、自動化。

🏢 第八幕：全部套進「能源管理 AI」

情境	適合的 Prompt 技術	為什麼？
請 AI 直接分類電費單	Zero-shot	任務明確，不一定需要示範
先給 AI 5 張正確電費單範例	Few-shot	讓 AI 模仿範例
要求 AI 扮演 BERS 專家	Role Prompting	加入角色與專業情境
分析大樓能效，要求逐步處理	CoT	連續多步驟問題
提出 5 種節能方案並比較	ToT	多條方案路徑探索
分析空調、EUI、使用型態的關聯	Graph / Graph Prompting	強調節點與關係
查詢公司內部 BERS 文件再回答	RAG	先檢索外部／內部知識
查資料庫、計算、再做判斷	ReAct	推理與工具行動交替
同題產生多次答案後比一致性	Self-Consistency	比較多條推理結果
輸出可直接給系統讀取的 JSON	Structured Output	固定輸出格式
OCR → 清理 → 分析 → 報告	Prompt Chaining	把複雜流程拆開串接

🧠 iPAS 考前超級口訣

🎯 Zero＝沒範例　Few＝有範例　Role＝演角色
🔗 CoT＝一條路　🌳 ToT＝多條路　🕸️ Graph＝關係網
🔎 RAG＝先找資料　🤖 ReAct＝思考＋行動
🔄 Self-Consistency＝多次推理比一致　📦 Structured Output＝固定格式

如果考題問「哪一種最適合？」不要死背名稱，要看題目的情境。

🎯 iPAS 模擬題

Q1：某問題需要模型進行連續的多步驟推理，最適合哪一種？

✅ Chain-of-Thought（CoT）：一條推理鏈。

Q2：某決策問題有多個可能方案，需要探索不同路徑並比較結果，最適合哪一種？

✅ Tree of Thoughts（ToT）：多條分支路徑。

Q3：企業希望 AI 先查詢內部文件，再根據文件內容回答問題，最適合哪一種？

✅ RAG：先 Retrieval，再 Generation。

Q4：AI 必須查資料庫、使用計算工具，再根據觀察結果決定下一步，最適合哪一種？

✅ ReAct：Reason + Act。

Q5：使用者希望 AI 將結果固定輸出成 JSON，方便後端程式直接讀取，最適合哪一種？

✅ Structured Output。

📌 特別提醒：目前公開的 114 年第 4 次 iPAS 初級公告試題第 39 題，已直接以情境考 CoT 與 ToT 的選擇，因此這兩個概念屬於你現在準備初級考試時非常值得優先掌握的提示工程內容。citeturn0search25

📌 最後一張「考場看到關鍵字就反射」表

看到題目	腦中立刻跳出
「不提供範例」	🎯 Zero-shot
「提供幾個範例」	🎯 Few-shot
「扮演專家／角色」	🎭 Role Prompting
「一步一步推理」	🔗 CoT
「多條路徑、探索、比較」	🌳 ToT
「節點、關係、網路」	🕸️ Graph / Graph Prompting
「先搜尋文件／知識庫再回答」	🔎 RAG
「推理＋呼叫工具＋觀察」	🤖 ReAct
「多次推理、選一致答案」	🔄 Self-Consistency
「固定 JSON／表格格式」	📦 Structured Output
「大任務拆成多個 Prompt」	⛓️ Prompt Chaining

⭐ 最終口訣：
「一條鏈 CoT、多條路 ToT、關係網 Graph；
先找資料 RAG、邊想邊做 ReAct。」