案例02｜R-I-S-E：6 個月評論、3 步驟與 30% 留存目標
案例03｜C-R-E-A-T-E：500 字旅遊文章與 25–40 歲受眾
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制 |
|---|---|---|---|
| 大型語言模型（Large Language Model, LLM） | 依自然語言指令生成與轉換內容 | 支援 Microsoft 365 Copilot 的文字工作 | 輸出是生成結果，不是保證正確的資料庫查詢 |
| 提示工程 | 透過清楚指令、脈絡與反覆修正改善回覆 | 提高輸出的準確性、相關性與可用性 | 沒有唯一「完美提示」；需持續反覆修正 |
| 角色－任務－格式（Role-Task-Format, R-T-F） | 角色、任務、格式 | 快速定義角色、工作與輸出格式 | 簡潔但可能需要補充更多背景 |
| 角色－輸入－步驟－期待（Role-Input-Steps-Expectation, R-I-S-E） | 角色、輸入、步驟、期待 | 適合有資料與多步驟流程的任務 | 輸入與期待必須可驗證 |
| 脈絡－要求－期待－受眾－語氣－範例（Context-Requirements-Expectations-Audience-Tone-Examples, C-R-E-A-T-E） | 脈絡、要求、期待、受眾、語氣、範例 | 適合對受眾、風格與內容要求較高的輸出 | 元素越多不代表一定越好，仍應保持任務清楚 |
| 提示驗證 | 檢查邏輯一致性、準確性、來源品質與相關性 | 在使用人工智慧輸出前進行人類在迴路（Human-in-the-Loop）驗證 | 驗證不能只交給同一個模型自我判定 |
第 3 章把提示工程定義成人與人工智慧系統的溝通能力，而不是只有技術人員才能掌握的「工程」。清楚表達目的、資料、步驟、受眾、語氣與格式，能讓 Copilot 更容易產出符合需求的第一版。
原書提供 R-T-F、R-I-S-E、C-R-E-A-T-E 三種助記架構。它們不是互斥標準，而是協助使用者記住不同提示元素。實際工作中可依任務複雜度選擇較簡單或較完整的結構。
本章同樣強調反覆修正與驗證：先取得回覆，再補脈絡、比較、縮小範圍或改變格式；最後檢查邏輯、事實、引用與相關性。提示工程的目的不是讓人停止思考，而是讓人與模型的協作更可控。