AI 提示詞工程（Prompt Engineering）下

在AI 提示詞工程（上）一文中，我們討論了提示詞工程如何作為財金專業人士的新世代「Excel」，並詳細拆解了前五大核心技術：思維鏈推導（CoT）、區塊化處理（Chunking）、顯式邏輯推理（Explicit Reasoning）、角色代理提示（Agent Prompting）以及虛擬團隊協作（Team Prompting）。

後半部所涵蓋的五大進階架構，則是將重點放在「如何對 AI 的輸出進行自我審查、壓力測試與事實風控」。在金融市場的嚴謹標準下，未經檢驗的論點與幻覺數據是致命的。本文（下）將延續台科大暑期密集課程的要點，深入解析後五大提示詞架構。

核心定義 引導 AI 建立「自我評估與批判機制（Ask AI to Evaluate Its Own Thinking）」，要求大語言模型在產出初步答案後，主動檢查潛在盲點、脆弱假設與邏輯漏洞，並在自我修正後產出高階版本。

運作機制與優勢

• 識別思維盲點（Finds Blind Spots）：打破單次輸出的認知框架。

• 檢驗脆弱假設（Identifies Weak Assumptions）：檢視估值或分析背後的隱含假設是否站得住腳。

• 提升輸出精準度與信心水準（Improves Accuracy & Confidence）。

實務應用範例：個股投資分析（NVIDIA）

• 步驟一（Initial Answer）：AI 給出初步概述（如：GPU 需求強勁、資料中心成長，評分 6/10）。

• 步驟二（Self Review）：AI 針對以下維度進行自我質疑與打分：

  • 「遺漏了哪些關鍵因素？」

  • 「哪些假設最薄弱？估值是否合理？」

  • 「關鍵風險為何？」

• 步驟三（Improved Answer）：綜合多空情境（牛市、熊市、基準情境）、DCF 與乘數估值，以及催化劑與風險分析，將答案品質推升至 9/10 以上。

核心定義 透過 AI「主動向分析師提問」的反向互動模式，層層釐清底層假設、挑戰既有思維，並探索替代方案，藉由連續的詰問達成更穩健的投資決策。

為什麼在金融決策中有效？ 最好的答案往往來自更好的問題。蘇格拉底式提示將 AI 從「被動答題者」轉變為「嚴格的思維教練」，避免分析師陷入確認偏誤（Confirmation Bias）。

實務應用範例：跨國市場進入策略（Market Entry Decision） AI 依序提出問題，協助分析師逐步釐清脈絡：

1. Q1 目標界定：核心目標為何？（例：在歐洲市場實現獲利性成長）

2. Q2 假設檢視：底層假設是什麼？（例：需求強勁、競爭者反應溫和、監管審批順利）

3. Q3 壓力測試：哪些情境會推翻這些假設？（例：在地龍頭反擊、獲客成本 CAC 過高、法規延宕）

4. Q4 替代方案：可行的替代途徑為何？（例：合資、分階段進入、單一試點市場）

5. 最終決策（Improved Conclusion）：由原本躁進的全盤進入，優化為「透過策略夥伴進行階段性進入」，並設定試點驗證指標與風險監控清單。

   

核心定義 建立「起草（Draft） → 測試（Test） → 評估（Evaluate） → 修正（Refine）」的提示詞閉環迭代流程，利用結構化約束與細節補充，大幅提升輸出產能。

優化清單（Optimization Checklist）

• 明確具體（Be Specific）：避免模糊詞彙，指定具體範圍。

• 補充背景（Add Context）：給予產業環境、時間跨度或目標情境。

• 規範格式（Define Format/Structure）：指定表格、條列式或章節結構。

• 設定受眾（Specify Audience/Purpose）：如針對投資委員會、散戶或風控主管。

• 要求來源與數據（Request Sources/Examples）：強制引用數據與實際案例。

對比範例：電動車產業分析（EV Market Analysis）

• 優化前（Before）：「分析電動車市場。」（產出：泛泛而談的趨勢概覽）

• 優化後（After）：「分析全球電動車市場，聚焦於市場規模（TAM）、核心成長動能、主要競爭者、關鍵挑戰與未來 5 年展望；請以數據支持並註明資料來源。」（產出：具備數據支撐與機構級結構的深度研究）

核心定義

強制 AI 對其生成的關鍵陳述（Key Claims）建立查核機制，區分「事實」與「推測」，標註數據來源並評估信心水準（Confidence Level），建構研究風控防線。

查核機制流程

陳述生成（Claim） —> 比對可靠資料來源（Verify）—> 驗證真實性與時效性（Confirm） —> 產出可信結論（Use）。

實務應用範例：再生能源發電佔比查核

當 AI 在分析中產出：「到 2030 年，太陽能將提供全球 50% 的電力。」

核心定義 透過由淺入深的多輪對話（Multi-Turn Inquiry），層層剝開複雜議題的底層驅動力，避免在單一回合中試圖解決過於龐大的宏觀命題。

四階段遞進路徑

1. 發問（Ask）：界定核心問題（例：醫療領域導入 AI 的主要驅動力為何？）。

2. 初步解析（Answer）：取得廣泛解答。

3. 聚焦追問（Refine）：深探瓶頸與挑戰（例：導入過程中的關鍵法規與技術挑戰為何？各區域有何差異？）。

4. 策略深化（Deepen）：收斂至具體解決方案（例：針對上述區域法規差異，有哪些可落地的合規策略？）。

從基礎的邏輯拆解（CoT、Chunking、Explicit Reasoning）到進階的治理與風控（Meta-Cognition、Fact-Checking、Prompt Optimization），提示詞工程的本質並非單純的「與 AI 聊天」，而是將金融分析師嚴謹的批判性思維與架構能力，編程為人機協同的標準作業程序（SOP）。

當 Excel 賦予了我們處理結構化數據的能力，提示詞工程則賦予了我們駕馭非結構化文字與複雜推理的槓桿。掌握這十套架構，才能在 AI 時代真正將生成式技術轉化為機構級的投研生產力。

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。

·

Aug 19

0.引言 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。