在當今的人工智慧（AI）領域，提示工程（Prompt Engineering）正迎來一種新技術，稱為「詮釋性提示」（Hermeneutic Prompting），這個方法被認為能夠解鎖生成式 AI 的真正價值。這種技術的核心在於促使 AI 以循環的方式進行思考，而非僅依賴傳統的線性解析。這樣的方式不僅能提高 AI 的回答品質，還能讓使用者獲得更全面的見解。
解釋學（Hermeneutics）是一個源自哲學的概念，強調文本與其背景之間的相互關係。著名哲學家馬丁·海德格（Martin Heidegger）提出的詮釋圓環理論（hermeneutic circle），指出理解文本需要不斷地回顧和反思其上下文。這個理論在提示工程中得到了應用，使用者可以透過多次循環的方式來深入探討問題，進而獲得更豐富的答案。
在實際應用中，詮釋性提示的使用方式有短版和長版之分。長版提示能更清楚地告訴AI該如何進行思考，適合於那些對詮釋圓環不太熟悉的AI模型；而短版則更易於記憶，但可能會導致AI產生不準確的回答。根據最新的研究，這種方法在多個大型語言模型（LLMs）中均表現良好，包括OpenAI的ChatGPT、Microsoft的Copilot、Google的Gemini和xAI的Grok等。
在一個實驗中，使用者首先以傳統方式詢問AI如何改善與同事的溝通，AI的回答是使用更簡單的語言和保持冷靜的語氣。然而，當使用詮釋性提示後，AI的回答則更具深度，建議使用者從更廣泛的角度考慮問題，這顯示出詮釋性提示在處理複雜問題時的優勢。
總之，詮釋性提示為提示工程提供一種新的思路，特別適合於那些需要深入分析的問題。隨著AI技術的進步，這個方法將可能成為提升生成式AI表現的重要工具。業界也認可了CLEAR框架，這是一個用於撰寫有效提示的結構化方法，包含清晰明確、簡潔有力、明確焦點、適應性調整和精準關鍵字等要素。
- Prompt Engineering Urges ‘Hermeneutic Prompting’ As A Powerful Technique Unlocking The True Value Of Generative AI
- Investigating AI systems: examining data and algorithmic bias through hermeneutic reverse engineering
（首圖來源：Unsplash）
科技新報粉絲團
加入好友
訂閱免費電子報
