AI 提示詞工程（Prompt Engineering）上

在過去數十年間，Excel 是全球財金人士的通用語言。不管是建構複雜的折現現金流模型（DCF Model）、進行投資組合風險評估，亦或者是處理大宗跨國併購的財務報表，精通試算表運算與函數邏輯是每一位財務分析師的必備工具。

然而，隨著生成式人工智慧（Generative AI）的爆發性成長，金融專業的工作範式正在經歷一場變革。提示詞工程（Prompt Engineering）正迅速演變為財金領域的新世代「Excel」——它不是單純的聊天打字，而是一門精準指揮 AI 進行邏輯推理、財務建模與深度洞察的專業溝通技術。

本文（上）彙整自我在台科大暑期密集課程的講授要點前半部，旨在透過系統化複盤，深化對該領域觀念的理解。

傳統的財務分析流程高度仰賴手動操作，通常遵循以下線性路徑：

資料收集（Data） —> 人工處理與建模（Analysis） —> 產出報表與簡報（Report）

這套流程耗時、重複性高且容易出現人為轉錄錯誤。AI 工作流則是將分析師的精力轉釋放至策略高地：

定義問題（Question）—> 結構化提示詞（Prompt）—>

AI 深度洞察（Analysis） —> 決策制定（Decision）

在這一流程中，分析師不再花費 80% 的時間在資料清理與格式調整上，而是將核心專注於「定義高品質的問題」與「檢驗假設的合理性」。在金融市場中，精準度（Precision）決定成敗；而在提示詞工程中，指令的清晰度（Clarity）創造了分析的精準度。

在面對資產定價、財報拆解、多因子分析與總經預測等高難度任務時，隨意發問無法滿足機構級研究的要求。專業的提示詞體系涵蓋以下十大核心技術：

1. 思維鏈推導（Chain of Thought, CoT）：將複雜問題拆解為清晰的線性邏輯步驟。

2. 區塊化處理（Chunking）：突破模型上下文限制，分段深度剖析龐大文件。

3. 顯式邏輯推理（Explicit Reasoning）：要求模型展示所有底層假設、數學公式與推導過程。

4. 角色代理提示（Agent Prompting）：賦予 AI 具備專業背景、目標與約束條件的專家身分。

5. 虛擬團隊協作（Team Prompting）：模擬多方專家委員會（如多空辯論）以消除盲點。

6. 元認知評估（Meta-Cognition）：要求 AI 自我反思、檢驗盲點並修訂答案。

7. 蘇格拉底式提問（Socratic Prompting）：透過主動質疑假設與反向論證壓力測試投資邏輯。

8. 提示詞自我優化（Prompt Optimization）：利用模型反向調整與優化指令結構。

9. 事實交叉驗證（Fact-Checking）：要求標註資料來源與多管道交叉核對。

10. 迭代式深探（Iterative Inquiry）：透過多輪追問層層遞進，挖掘異常值背後的動因。

核心定義：引導 AI 依循「問題定義 → 拆解子問題 → 逐步推理→ 綜合洞察 → 檢視修正」的思維鏈條，避免跳躍式得出結論。

金融資產的評價絕非單一公式的直接套用，而是牽涉營收動能、獲利品質、產業護城河、資本支出等多重因素的動態交織。缺乏思維鏈引導的 AI，往往會給出模糊籠統的定性評價。

核心定義：將數百頁的年報（10-K）、法說會逐字稿或龐大資料集切分為邏輯獨立的模組，分批輸入分析後再進行全局綜合。

大型語言模型雖然上下文視窗持續擴大，但一次性灌入 200 頁的 10-K 年報容易導致「注意力稀釋（Lost in the Middle）」現象，遺漏附註或隱含風險。

Chunking 四階段處理年報流程：

1. 模組一：商業模式與競爭定位（Item 1） 提取營收來源與護城河。

2. 模組二：財務報表與會計品質（Item 8） 分析現金流、資產負債結構與存貨週轉。

3. 模組三：風險因子揭露（Item 1A） 識別法規、總經與營運瓶頸。

4. 模組四：管理層討論與分析（MD&A, Item 7） 檢視資本配置策略與前瞻指引。

5. 最終整合：指令 AI 將四個模組的輸出合成為一份機構級執行摘要（Executive Summary）。

核心定義：強制 AI 採用「出題者思維（Show Your Work）」，透明化呈現所有輸入參數、模型公式、中介推導步驟與敏感度矩陣。

在公司估值中，黑盒子式的數字毫無意義。分析師需要的是可審計（Auditable）、可重現（Reproducible）的邏輯鏈條。

核心定義：為 AI 設定專屬角色（Role）、明確任務（Goal）、背景脈絡（Context）、工具框架（Tools & Frameworks）與邊界限制（Constraints），打造自主專家代理。

• Role：一級外資券商半導體首席分析師。

• Goal：撰寫一份 2024–2029 全球半導體產業前瞻研究報告。

• Framework：涵蓋市場規模預測（TAM）、晶圓代工與先進封裝競爭格局、前五大龍頭財務指標（NVDA, TSMC, AVGO, ASML, QCOM）、地緣政治與庫存循環風險。

• Constraints：所有數據以表格呈現，避免空泛描述，必須明確指出投資意涵（Actionable Investment Implications）。

核心定義：在單一提示中模擬不同職能專家之間的意見碰撞與互相審查，克服單一視角的認知偏誤。

透過虛擬團隊的多空辯論，AI 不再只是單向輸出，而是在「多方陳述 → 空方質疑 → 建模專家調整 → 風控主管審核」的閉環中，產出具備抗壓性的投資建議。

寫在最後

掌握提示詞工程的前五大核心技巧（思維鏈、區塊化、顯式推理、專家代理與團隊協作），實質上是將傳統財務分析的嚴謹邏輯移植至大型語言模型之中。

在接下來的 《AI提示詞工程下》 中，我們將進一步深入解析剩下的五大技術：

• 元認知（Meta-Cognition） 與 蘇格拉底式提問（Socratic Prompting） 如何協助分析師進行壓力測試；

• 提示詞優化（Optimization）、事實查核（Fact-Checking） 與 迭代深探（Iterative Inquiry） 如何建構起企業級研究的風控防線。

本文使用 AI 協助整理、製作表圖；觀點與分析由作者獨立完成並審閱。