February 2024

關於 RAG（檢索增強生成）這個用來強化 LLM 推論品質的方法論是個非常熱門的議題，網路上已經有無數篇文章與論文在討論這主題，這篇會是我們一個新系列文章的開頭，先系統性的整理在實踐 RAG 時會遇到的主要失敗點，進而從如何一一克服這些問題來展開我們的系列文章。

在探索完 OpenAI 的「提示詞工程」最佳實務後，本篇文章將聚焦於 Google 的 Gemini 提供的官方「提示詞工程」建議。雖然兩者的基礎原則相似，但由於系統設計上的差異，為完善本系列並便於未來跨系統比較，我們將深入解析一下 Gemini 是否有其獨有的見解。

當一項新技術出現時，大家往往會對他如何用在增強既有任務上所產生讀影響更為關注，畢竟，這些改善是立即可見且容易理解的。然而，隨著時間的推移，如何用它來推動文明的邊界，也就是創造先前不可能的事物卻往往對世界產生更深遠的影響。然而，綜觀歷史，推動時代巨輪的關鍵軸承永遠都是來自後者。

如同文章的標題，這會是一篇持續更新的貼文，應該會持續十篇貼文的測試，嘗試去比較導外連結放置在貼文本體以及不放置在貼文本體時臉書所給予的使用者觸及量。

這篇文章的主要目標是在分享 GA4 的 Traffic Acquisition 中幾個主要需要理解的知識點，包含什麼是 Default Channel Group 跟 Custom Channel Group 以及 GA4 如何透過規則將流量分群。

這是 OpenAI 所提供的六大提示詞工程策略的筆記，文章中我除了會逐條的寫下自己針對每一條建議策略的實驗心得與筆記之外，我也會補充一些我常用的提示詞技巧在文章內。

從這一篇文章開始，我們將持續的分享 SEO 以及網站流量分析的系列文章，這不僅支持我們的 SEO 和內容策略，也是我們 GenAI Ops 中關鍵數據的來源。透過這些分析，我們旨在改善與消費者的溝通，並體現我們對開放組織文化的承諾。

Llama 2 官方文件中的提示工程建議：從明確指示到角色提示，再到自我一致性與檢索增強，讓略懂的我為你揭示如何精進提示詞工程進而提升 LLM 的推論品質。