聯繫我們

課程簡介

第一天

生成式AI與提示工程入門

  • 什麼是生成式AI及其與傳統自動化的差異
  • 提示工程在塑造AI輸出品質中的角色
  • 當前景象、圖像、音訊和影片工具的生態概覽
  • 提示工程如何為業務創造價值

文字與圖像生成AI模型的基礎

  • 用通俗語言解析大型語言模型與擴散模型的運作原理
  • 訓練數據、微調和提示之間的區別
  • 預訓練模型的優勢與限制
  • 為什麼模型架構會影響我們撰寫提示的方式

主流AI助理比較

  • Microsoft Copilot:優勢在於微軟365整合、Word、Excel、Outlook和Teams工作流程、企業數據錨定;劣勢在於創意範圍有限及推理深度不及同儕。
  • Google Gemini:優勢在於原生多模態能力、Workspace整合、即時搜尋錨定;劣勢在於一致性問題、區域可用性限制,以及在複雜任務上遵循指令的能力較弱。
  • ChatGPT:優勢在於生態系統成熟度、自定義GPT、透過DALL-E生成圖像、語音模式;劣勢在於無數據錨定時的事實可靠性不足,以及付費功能的嚴格使用限制。
  • Claude:優勢在於長上下文處理、細微推理能力、長篇寫作及清晰的分析;劣勢在於工具生態系統的廣度不足及圖像生成能力有限。
  • 如何為特定任務、受眾或合規要求選擇合適的工具
  • 同一提示在四款助理中的平行操作示範

高效提示設計原則

  • 清晰度、具體性和背景知識是優秀提示的三大支柱
  • 結構化指令、語氣、格式和限制條件
  • 初學者常見的錯誤及其識別方法
  • 從弱提示迭代至高表現提示的過程

第二天

零樣本、一樣本與少樣本提示法

  • 三種方法之間的差異及各自適用時機
  • 觀察模型行為並據此調整範例
  • 僅用少量精選範例教導模型執行新任務
  • 在ChatGPT、Copilot、Gemini和Claude上的實務練習

進階提示工程技巧

  • 用於細微輸出的條件感知與上下文感知提示
  • 風格轉移、人設提示與創意引導
  • 思維鏈與逐步推理提示
  • 減少回應中的幻覺、模糊性與偏見

無需程式碼的少樣本微調<

  • 什麼是少樣本微調,以及它與完整模型訓練的區別
  • 透過範例驅動提示適應特定利基任務
  • 何時應選擇提示工程,何時微調是更好的投資
  • 評估輸出品質並進行迭代優化

超逼真文字生成

  • 生成具有受控語氣、聲調和長度的文字
  • 產出長篇內容、摘要、報告及結構化文件
  • 在多步驟生成過程中維持連貫性
  • 結合提示模式以獲得可重複且符合品牌風格的結果

將提示工程應用於業務工作流程<

  • 自動化常規草稿撰寫、研究與資訊篩選
  • 簡要探討客服與聊天機器人應用場景
  • 設計團隊可重複使用且無需重新訓練的提示模板
  • 質量控制、上報邏輯及人工審核節點

第三天

圖像生成與處理<

  • 比較DALL-E、Stable Diffusion、MidJourney和Leonardo AI
  • 撰寫能控制風格、構圖、光影和主題的提示
  • 否定提示、權重分配及迭代優化
  • 透過提示進行圖像轉圖像轉換與編輯

AI音訊與語音

  • 從文字提示生成自然聽感的語音
  • 概念層面的聲音克隆與合成
  • 在培訓內容、無障礙設計及行銷中的應用場景

使用生成式AI創影片內容

  • 當前文字轉影片工具的概覽及其實際交付能力
  • 透過提示序列進行腳本撰寫與分鏡規劃
  • 將AI生成的文字、圖像、音訊和影片整合為單一資產
  • 編輯與優化AI生成的影片輸出

多模態AI與整合工作流程

  • 多模態模型如何統一文字、圖像、音訊和影片的推理能力
  • 無需編寫程式碼,建立端到端內容管線
  • 來自行銷、設計、培訓和廣告的真實世界案例研究

倫理、負責任使用及未來展望

  • 偏見、版權、歸屬權及內容審核
  • 使用生成式平台時的隱私與資料保護考量
  • 對終端客戶的披露、透明度與信任建立
  • 未來12個月值得關注的新興工具、模型與趨勢
  • 總結與後續步驟

最低要求

目標受眾

探索AI輔助內容生產的行銷、傳播及創意專業人員。尋求透過提示驅動工具自動化重複互動的企業營運與客服團隊。無AI或程式設計基礎,希望以結構化且聚焦工具的方式入門生成式AI的初學者。

 21 小時

客戶評論 (2)

課程分類