專家問答法/PTCF | Notion

🧠 方法論整合說明｜PTCF × 專家問答法（Expert Q&A）

一句話結論（給教師）

不論你稱它為「提示工程」、PTCF、還是「專家問答法」，本質都是同一件事：主動「窄化問題空間」，讓大型語言模型聚焦在正確的知識範圍，並啟動最合適的推理路徑與工具。

一、不同名稱，其實是同一個方法論

常見稱呼	主要說法	核心作用
專家問答法	「請你扮演某領域專家」	指定知識邊界與推理視角
PTCF（角色）	Persona	明確設定模型的專業身份
Prompt Engineering	Context / Instruction	控制輸入條件與輸出形式
任務導向提示	Task	壓縮問題範圍，避免發散
結構化提示	Format	限制輸出空間，提升可用性

👉 差別只在「叫法」，不在「邏輯」

二、為什麼「指定專家」會讓 LLM 變準？

從 LLM 的運作角度來看

大型語言模型不是「搜尋引擎」，而是：

在「巨大可能性空間」中，預測「下一個最合理輸出」的系統

如果你不限制條件：

模型會嘗試「平均化」回答
混用不同學科、層級、風格
結果看似完整，實際不可用

「專家問答法」實際做了三件事

縮小知識範圍（Knowledge Scope Narrowing）

例如：
- 不再是「一般 AI 回答」
- 而是「社會學助教的回答」
鎖定推理框架（Reasoning Frame）
- 社科 → 理論、概念、脈絡
- 工程 → 步驟、邏輯、驗證
提高工具／函數調用的正確率
- 分析型任務 → 分析路徑
- 摘要型任務 → 壓縮與抽象
- 結構輸出 → 表格／條列