AI 訓練師花了200美金總結出來的血汗心得

還記得當初學習 Prompt Engineering 時，大家都熟悉的一些經典技巧嗎？

• 拆解問題（Decomposition）
• CoT Reasoning（Chain of Thought 推理）
• Few-Shot Learning ……

這些技巧在 Reasoning Model 崛起前的確無往不利，幾乎是提升 AI 輸出質量的標準操作。但最近，在幫客戶搭建一些複雜且高要求的應用場景時，我發現——

🚨 這些過去有效的技巧，在強大的 Reasoning 模型上，反而會拖累效果！ 🚨

‍

測試過程中，我一度懷疑：「誒，你真的有傳說中那麼聰明嗎？為什麼我的 prompt 變得越來越長，輸出卻越來越糟？」

經過無數次 API 測試、以及向各路 AI 大神取經，我總結出 4 大 Reasoning Model Prompting 關鍵技巧，幫助大家少走彎路，節省無限測試成本。

技巧 1：不用教他思考，直截了當說清需求

傳統做法：

「這個問題很有挑戰性，我希望你能夠仔細推理每個步驟，以得出正確答案。我們來一步步拆解它吧……」

👉 現在的 Reasoning Model 根本不需要這樣！

改成：

“Solve the following puzzle: [問題背景]。Explain your reasoning.”

它的邏輯能力比你強，沒必要手把手教他怎麼推理。如果你的 prompt 過於冗長，反而會讓模型混亂，降低準確度。

技巧 2：模型很聰明，但需要背景知識

許多深度推理模型 (如o1 or deepseek) 直接Call API 時無法搭配 Search 功能，所以它們無法即時查詢最新資訊，可以把它想像成「愛因斯坦穿越到現代」，他邏輯能力強，但不了解當前世界的背景。解法很簡單：

✅ 提供關鍵背景資訊，讓 AI 能夠在正確的上下文內推理。

如果你的應用場景涉及最新業務邏輯、背景知識，記得提前補充相關資訊，

或者，使用較輕量的 GPT-o3 搭配 Search 功能，這樣能同時兼顧推理能力與資訊檢索。

技巧 3：不用 Few-Shot，0-Shot 或最多 1-Shot 就夠了

過去的 Prompt Engineering 強調 Few-Shot Learning，但在 Reasoning Model 上，這並不是最佳解。

Few-Shot Learning（少量學習） 是一種機器學習方法，目的是讓模型能夠在只有「極少量訓練樣本」的情況下，學會辨識或分類新事物。白話來說，就是讓模型「看幾個範例就會做題目」，像是人類看幾個例子後就能舉一反三。

在一篇微軟工程師的 Blog 有提到，Reasoning Model 只需要清晰的問題描述，不需要 Few-Shot Examples，我的測試結果也證實，Few-Shot 反而會限制 AI 思考的靈活性，特別是當問題本身具有開放性時。

所以，與其給 AI 幾個示例，倒不如把你的需求、以及output 結果講清楚，讓它自由發揮。

技巧 4：讓模型說出它的「思考假設」

很多時候，AI 在回答問題時，可能會基於隱含假設進行推理。但這些假設如果與你的需求不符，就會導致錯誤答案。

🎯 解決方案：在 Prompt 裡要求 AI 先說出它的假設。

“If there are any uncertainties, state your assumptions before solving.”

在 GPT-4o 上，這個提示詞反應不佳，但在o1上效果非常顯著，他會把你問題的基本假設先列出來，才會給出他推理的結果，這樣你就能檢查發AI 是否理解正確，避免它走偏。

‍

總結：如何正確使用 Reasoning Model？

✅ 清晰表達需求，避免過度拆解問題

✅ 提供適當背景資訊，讓他推理更更順利

✅ 不用舉一堆例子，few-shot 反而限制思考

✅ 要求 AI 明確假設，以便對齊認知

相比之下，GPT-4o 這類模型則更適合對話式應用場景，因為它需要更多上下文與示例來輔助推理，總之，在 Reasoning Model 時代，Prompt Engineering 的規則已經改變。掌握這些新技巧，才能真正發揮 AI 的最大價值！

‍

如果覺得有幫助，歡迎追蹤我們的Threads