這種轉變細微但深刻，所以這次我們把它寫成了一整個新章節。今天想跟你聊聊「AI 提示詞寶典」v2.0，以及裡面這個我醞釀很久的主題：Vibe Coding 與 AI 編碼代理。
先把名詞講清楚，免得我們各說各話。
「Vibe coding」這個詞是 Andrej Karpathy 在 2025 年 2 月提出的。它描述的是一種放鬆、跟著感覺走的開發狀態：你把意圖丟給 LLM，看它跑出什麼，覺得對味就留下，不對味就再叫它改一輪。
但 vibe 歸 vibe，真正讓我覺得這個概念有重量的，是 Simon Willison 給的那個比較嚴格的定義：vibe coding 是用 LLM 來開發，但不去審查它寫的程式碼。注意這個「不審查」：這是重點，也是界線。
所以 vibe coding 到底適不適合用？我的答案是：看場合。
換句話說，vibe coding 是一種模式，不是一種紀律。它解放了你的探索力，但它本身不保證品質。
如果你跟我一樣，前兩年都在練 prompt engineering，那你可能也感覺到了：光「會寫 prompt」已經不夠了。
現在真正的功夫，往兩個方向長出去：
我自己會用一句話來幫朋友理清這三者的關係：用 vibe coding 探索、用規格驅動交付、用 agentic engineering 當那把專業的大傘。 探索時你可以放飛；交付時你要有合約；而把整件事做得專業、可重複、可信賴，那就是 agentic engineering 要罩住的範圍。
這次的 Vibe Coding 章節我拆成 7 篇，盡量做到「看完就能上手，而且知道為什麼這樣做」。我簡單帶你過一遍：
CLAUDE.md 或 AGENTS.md 把你的專案慣例、邊界、地雷一次交代給 agent，讓它「懂你的專案」。如果你想先暖身，也可以先回去翻翻舊的 程式碼生成教學，再接著讀新章節，銜接會更順。
寫到這裡，才要講這篇文章的核心，也是整個 v2.0 我最想傳達的一句話。
我用過很猛的 agent，也看過很多人被它的速度沖昏頭。但我越用越確定一件事：工具再強，真正拉開差距的，還是那些老派到不行的工程紀律。
具體是哪些？我列幾個我每天都在用的：
你發現了嗎？這些原則，沒有一條是 2025 年才發明的。TDD、小變更、童子軍原則，在 agent 出現之前就是好工程師的內功。v2.0 真正想說的是：把這些紀律套到 agent 身上。 agent 改變了「誰來打字」，但它沒有、也不該改變「什麼叫做好的工程」。誰能把老紀律穩穩地架在新工具上，誰就能真正吃到這波紅利，而不是被它反噬。
如果你只從這篇帶走一句話，我希望是這個：讓 agent 跑得快，讓紀律守得住。 速度交給工具，品質交給你自己。
去讀讀新章節吧。我寫的時候，一直想著當年那個「技能樹亂點」的自己（從醫學、電機資訊一路晃到戲劇）。我越來越相信，寫程式跟跨領域學習其實是同一件事：工具會一直換，真正帶得走的，是那套你願意一遍遍打磨的判斷力與紀律。
這份寶典是開源的，它也是被許多人一起讀、一起改、一起變好的。歡迎你來踩、來挑錯、來貢獻：我們在這條從 prompt 到 agent 的路上，一起走。
作者簡介：蔡秀吉，清大電機資訊學院學生，開源社群參與者。興趣橫跨資訊工程、神經科學、心理學、本土語言到戲劇表演。相信跨領域思維與工程紀律，是 AI 時代裡最值得長期投資的兩件事。
]]>在清大電機資訊學院的學習，讓我理解技術的深度；在政大學習捷克語，讓我體會語言的細膩；而對戲劇的興趣，則讓我明白如何「導演」一場人機對話。
Prompt Engineering 恰恰需要這三者的結合：
基於教學經驗，我整理出 CLEAR 框架來教授 prompt engineering：
# 不好的 prompt
"寫一篇文章"
# 好的 prompt - 提供充分情境
"""
你是一位科技記者，正在為《科學人》雜誌撰寫專欄。
讀者群體是對科技有興趣但非專業背景的大眾。
請以淺顯易懂的方式，解釋量子計算的基本概念。
文章長度約 800 字，需要包含一個生活化的比喻。
"""
不同語言背景影響 prompt 效果。我的多語言學習經驗讓我發現：
# 英文 prompt（較直接）
"Analyze the data and provide insights"
# 中文 prompt（較婉轉）
"請協助分析這份數據，並提供您的見解"
# 混合使用（技術詞彙保留英文）
"請分析這個 dataset，找出關鍵的 patterns 和 insights"
def create_few_shot_prompt(task, examples):
"""
透過範例教導 AI 期望的輸出格式
"""
prompt = f"任務：{task}\n\n"
prompt += "範例：\n"
for i, example in enumerate(examples, 1):
prompt += f"輸入 {i}: {example['input']}\n"
prompt += f"輸出 {i}: {example['output']}\n\n"
return prompt
根據不同受眾調整 prompt：
audience_prompts = {
"小學生": "用小朋友能懂的方式，像說故事一樣解釋",
"專業人士": "使用專業術語，提供技術細節和引用來源",
"決策者": "重點放在商業影響和 ROI，提供執行摘要"
}
class PromptRefiner:
def __init__(self):
self.history = []
def refine(self, prompt, feedback):
"""
基於反饋迭代改進 prompt
"""
self.history.append({
'prompt': prompt,
'feedback': feedback,
'timestamp': datetime.now()
})
# 分析哪些部分需要改進
improvements = self.analyze_feedback(feedback)
# 生成改進版本
refined_prompt = self.apply_improvements(prompt, improvements)
return refined_prompt
結合醫學背景，設計醫療諮詢 prompt：
medical_prompt = """
注意：這只是教育示範，不能替代專業醫療建議。
作為醫學知識助手，請分析以下症狀：
- 症狀描述：{symptoms}
- 持續時間：{duration}
- 年齡性別：{demographics}
請提供：
1. 可能的鑑別診斷（按可能性排序）
2. 建議的檢查項目
3. 何時應該就醫的警訊
輸出格式：使用易懂的語言，避免造成恐慌。
"""
運用戲劇知識，引導 AI 創作：
drama_prompt = """
你是一位劇作家，請創作一個短劇場景：
【設定】
- 地點：深夜的便利商店
- 角色：店員 A（20歲大學生）、顧客 B（50歲上班族）
- 衝突點：兩人對「成功」的定義完全不同
【要求】
- 對話要展現角色性格
- 包含一個轉折點
- 結尾保持開放性
請用劇本格式撰寫（包含舞台指示）。
"""
def create_adaptive_learning_prompt(student_profile):
"""
根據學生特質生成個人化學習內容
"""
prompt = f"""
學生檔案：
- 學習風格：{student_profile['learning_style']}
- 先備知識：{student_profile['prior_knowledge']}
- 興趣領域：{student_profile['interests']}
請為這位學生設計一個關於「{student_profile['topic']}」的學習活動。
要求：
1. 連結到學生的興趣領域
2. 符合其學習風格
3. 從已知概念出發，逐步深入
4. 包含互動元素
"""
return prompt
作為開源社群的參與者，我相信知識應該自由流通。以下是一些開源的 prompt engineering 資源：
learning_resources:
基礎:
- Prompt Engineering Guide (開源)
- OpenAI Cookbook
- Anthropic 的 Prompt 設計文檔
進階:
- LangChain 文檔
- Few-shot Learning 論文
- Chain-of-Thought Prompting 研究
實作:
- Hugging Face 課程
- Google Colab 範例
- Local LLM 實驗（Ollama）
Prompt Engineering 不應只是工程師的技能，而應該成為數位素養的一部分。就像我們教導學生如何使用搜尋引擎，未來我們需要教導：
Prompt Engineering 是技術與人文的交會點。它需要我們既理解機器的語言，也不忘人類溝通的藝術。
正如我的跨領域學習之旅，每個人都可以從自己的背景出發，為這個領域帶來獨特的視角。無論你是工程師、教育者、醫療人員還是藝術家，都能在 prompt engineering 中找到發揮的空間。
期待在 COSCUP 2025 與大家分享更多想法，一起探索 AI 時代的溝通藝術！
作者簡介：蔡秀吉，清大電機資訊學院學生，COSCUP 2025 O-RAN in B5G/6G 議程軌籌辦人。興趣橫跨資訊工程、神經科學、心理學、精神醫學、偏鄉教育、本土語言到戲劇表演。相信跨領域思維是創新的關鍵。
聯繫方式：個人網站 | GitHub | Email: hctsai1006@cs.nctu.edu.tw
]]>電信產業擁有海量的數據，但這些數據往往是：
這正是 LLM 和 prompt engineering 可以發揮作用的地方。
傳統的網路故障排查需要工程師查看大量 log 和告警。使用 LLM，我們可以：
# 故障診斷 prompt 範例
fault_diagnosis_prompt = """
分析以下網路告警和日誌，識別可能的根因：
告警資訊：
- 時間: 2025-02-20 14:30:00
- 設備: eNodeB_001
- 告警類型: S1 連線中斷
- 影響用戶數: 1,234
相關日誌：
[LOG] SCTP association failed
[LOG] Retransmission timeout exceeded
[LOG] MME unreachable
請提供：
1. 最可能的根因（按可能性排序）
2. 建議的排查步驟
3. 預防措施
"""
網路設備配置複雜且易錯。透過精心設計的 prompts，LLM 可以生成準確的配置：
# Prompt 模板：生成 5G 網路切片配置
prompt_template: |
根據以下需求生成 5G 網路切片配置：
服務類型: {service_type}
延遲要求: {latency_requirement}
頻寬需求: {bandwidth}
可靠性等級: {reliability}
請生成符合 3GPP 標準的 YAML 配置文件。
電信標準文件浩如煙海（3GPP、O-RAN、ETSI...），工程師常需要快速找到相關資訊：
def create_rag_prompt(question, context_docs):
"""
建立 RAG (Retrieval-Augmented Generation) prompt
用於技術文件問答
"""
prompt = f"""
基於以下技術文件內容，回答問題：
文件內容：
{context_docs}
問題：{question}
請提供準確且引用來源的答案。
"""
return prompt
在電信領域應用 LLM 時，我發現以下 prompt 設計原則特別重要：
# 加入電信專業知識的 system prompt
system_prompt = """
你是一位電信網路專家，熟悉：
- 3GPP 標準（R15-R18）
- O-RAN 架構和介面
- 5G 核心網和 RAN 架構
- 網路 KPI 和優化策略
請使用準確的技術術語回答問題。
"""
# 要求結構化的故障報告
structured_prompt = """
分析網路問題並以下列格式輸出：
## 問題摘要
[一句話描述]
## 影響範圍
- 受影響服務：
- 受影響用戶數：
- 嚴重程度：
## 根因分析
1. 直接原因：
2. 根本原因：
## 解決方案
- 立即措施：
- 長期改善：
"""
提供範例讓 LLM 更好理解電信領域的特定格式：
few_shot_examples = [
{
"input": "PRB 利用率 95%",
"output": "建議：1) 啟用載波聚合 2) 考慮增加頻譜 3) 優化調度演算法"
},
{
"input": "切換成功率下降至 85%",
"output": "建議：1) 檢查鄰區配置 2) 調整切換參數 3) 確認 X2 介面狀態"
}
]
在探索 LLM + 電信的過程中，這些開源專案特別有用：
隨著 6G 研究的推進和 AI-Native 網路的發展，LLM 在電信產業將扮演更重要的角色：
LLM 和 prompt engineering 為電信產業帶來了新的可能性。從簡化日常運維到實現網路智慧化，這些技術正在改變我們管理和優化通訊網路的方式。
作為一個同時對 AI 和電信技術感興趣的學生，我相信這個交叉領域充滿機會。期待在 COSCUP 2025 與大家深入討論這些主題！
本文作者目前就讀於清華大學電機資訊學院，同時籌辦 COSCUP 2025 O-RAN in B5G/6G 議程軌。歡迎對 AI、電信技術有興趣的朋友交流討論。
]]>Open RAN（O-RAN）不僅僅是技術規範，更代表著電信產業的典範轉移。透過開放介面和標準化，我們打破了傳統電信設備的封閉生態系統，為創新開啟了新的可能性。
AI/ML 技術正在改變我們管理和優化網路的方式：
# 示例：使用 AI 進行動態資源分配
def optimize_ran_resources(network_data):
"""
AI-driven RAN resource optimization
"""
# 收集網路指標
metrics = collect_network_metrics(network_data)
# AI 模型預測流量模式
traffic_prediction = ml_model.predict(metrics)
# 動態調整資源配置
optimization_plan = generate_optimization_plan(
current_state=metrics,
predicted_traffic=traffic_prediction
)
return optimization_plan
在 5G 時代，能源效率變得至關重要。AI 可以幫助我們：
今年的 COSCUP（8月9-10日於台科大）將首次設立 O-RAN in B5G/6G 議程軌。我們期待看到：
在準備這個議程軌的過程中，我也發現 AI prompting 技術在電信領域有許多應用：
電信網路的未來是開放、智慧且永續的。透過 O-RAN 的開放架構和 AI 的智慧化能力，我們正在建構一個更有效率、更靈活的通訊基礎設施。
歡迎對這個領域有興趣的朋友，一起參與 COSCUP 2025 的 O-RAN 議程軌，共同探索電信網路的未來！
如果您對 O-RAN、5G/6G 或 AI 在電信的應用有興趣，歡迎透過 Facebook 或 Email (hctsai1006@cs.nctu.edu.tw) 與我聯繫。
]]>