Promptions 透過動態 UI 控制項讓 AI 提示詞更加精準

任何使用 AI 系統的人都體會過這種挫折感：輸入提示詞後，回應卻不符合預期，接著陷入不斷重複的循環。這種試錯過程既難以預測又令人沮喪。為了瞭解決這個問題，我們很高興推出 Promptions（prompt + options），這是一個 UI 框架，旨在幫助開發者構建具有更精確用戶控制功能的 AI 介面。

其簡潔的設計使其易於整合到任何依賴附加情境的場景中，包括客戶服務、教育和醫療。Promptions 已在 Microsoft Foundry Labs (在新分頁中開啟) 和 GitHub 上以 MIT 授權協議發佈。

背景

Promptions 基於我們的研究項目：「動態提示詞中間層：用於理解任務的情境化提示詞優化控制」。該項目探討了知識工作者在目標是「理解」而非「創作」時如何使用生成式 AI。雖然大眾討論多集中在 AI 生成文本或圖像，但理解過程涉及要求 AI 解釋、澄清或教學——這類任務可能迅速變得複雜。以試算表公式為例：一位用戶可能想要簡單的語法拆解，另一位可能需要除錯指南，而第三位則可能需要適合教導同事的解釋。同一個公式根據用戶的角色、專業知識和目標，可能需要完全不同的解釋。

在這些看似簡單的請求背後隱藏著巨大的複雜性。用戶經常發現他們提問的方式與 AI 所需的詳細程度不匹配。為了澄清他們真正的需求，往往需要撰寫冗長且措辭謹慎的提示詞，這讓人感到疲憊。此外，由於自然語言與系統行為之間的聯繫並不總是透明的，因此很難預測 AI 將如何解讀特定的請求。最終，用戶花在管理互動本身的時間，比理解他們希望學習的材料還要多。

確定用戶希望如何引導 AI 輸出

為了探索這些挑戰為何持續存在，以及人們如何更好地引導 AI 獲得客製化結果，我們對跨技術與非技術職位的知識工作者進行了兩項研究。他們的經驗凸顯了引導 Promptions 設計的重要差距。

我們的第一項研究涉及 38 位來自工程、研究、行銷和專案管理領域的專業人士。參與者審閱了提供靜態提示詞優化選項（如「長度」、「語氣」或「開頭方式」）的設計原型，用於調整 AI 的回應。

儘管這些靜態選項有所幫助，但它們無法根據參與者試圖理解的特定公式、程式碼片段或文本進行調整。參與者還希望有更直接的方式來客製化回應的語氣、細節或格式，而無需手動輸入指令。

為什麼動態優化很重要

第二項研究在受控實驗中測試了原型。我們將第一項研究中的靜態設計（稱為「靜態提示詞優化控制」，Static PRC）與具有回應參與者回饋功能的「動態提示詞優化控制」（Dynamic PRC）進行了比較。16 位熟悉生成式 AI 的技術專業人士完成了六項任務，涵蓋程式碼解釋、理解複雜主題和學習新技能。每位參與者都測試了這兩種系統，任務分配經過平衡以確保公平比較。

比較 Dynamic PRC 與 Static PRC 揭示了關於動態提示詞優化選項如何改變用戶的控制感、探索慾，以及這些選項如何幫助他們反思自身理解的關鍵見解。

靜態提示詞優化

Static PRC 提供了一組在初步研究中確定的預選控制項（圖 1）。我們預期這些選項在多種類型的解釋尋求提示詞中都會很有用。

圖 1：Static PRC 介面

動態提示詞優化

我們構建了 Dynamic PRC 系統，根據用戶的輸入自動產生提示詞選項和優化建議，並即時呈現，以便用戶調整這些控制項並更精確地引導 AI 的回應（圖 2）。

圖 2：Dynamic PRC 系統中的互動流程。(1) 用戶要求系統解釋一個長 Excel 公式。(2) Dynamic PRC 生成優化選項：解釋詳細程度、重點領域和學習目標。(3) 用戶修改這些選項。(4) AI 根據所選選項回傳解釋。(5) 在對話面板中，用戶添加了控制回應結構或格式的請求。(6) Dynamic PRC 根據此輸入生成新的選項集。(7) AI 產生反映新應用選項的更新解釋。

---

亮點：AI 驅動體驗

Microsoft Research Copilot 體驗

透過我們的 AI 驅動體驗，探索更多關於 Microsoft 研究的內容

立即開始

---

研究結果

參與者一致表示，動態控制項讓他們更容易表達任務的細微差別，而無需反覆修改提示詞的措辭。這減少了提示詞工程（prompt engineering）的工作量，讓用戶能更專注於理解內容，而非管理措辭技巧。

圖 3：用戶對 Static PRC 與 Dynamic PRC 在關鍵評估標準上的偏好比較。

情境化選項促使用戶嘗試他們可能不會主動想到的優化方式。這種行為表明，Dynamic PRC 可以拓寬用戶參與 AI 解釋的方式，幫助他們發現超出初始意圖的處理任務的新方法。除了探索之外，動態控制還促使參與者更深思熟慮地思考他們的目標。諸如「學習目標」和「回應格式」之類的選項幫助他們釐清需求，無論是應用概念的指導還是逐步的疑難排解幫助。

圖 4：參與者對 Static PRC 和 Dynamic PRC 有效性的評分比較。

雖然參與者看重 Dynamic PRC 的適應性，但也發現它較難解讀。有些人難以預測所選選項將如何影響回應，並指出這些控制項顯得不透明，因為效果只有在輸出出現後才會變得清晰。

然而，對 Dynamic PRC 整體的正面反應讓我們看到 Promptions 具有廣泛的實用性，促使我們將其分享給開發者社群。

技術設計

Promptions 作為一個輕量級的中間層，位於用戶與底層語言模型之間（圖 5）。它包含兩個主要組件：

選項模組 (Option Module)：此模組審閱用戶的提示詞和對話歷史，然後生成一組優化選項。這些選項以互動式 UI 元素（單選按鈕、核取方塊、文字欄位）的形式呈現，直接影響 AI 對提示詞的解讀方式。

對話模組 (Chat Module)：此模組根據優化後的提示詞產生 AI 的回應。當用戶更改選項時，回應會立即更新，使互動感覺更像是不斷演進的對話，而非重複提示的循環。

圖 5：Promptions 中間層工作流程。(1) 選項模組讀取用戶的提示詞和對話歷史，並 (2) 生成提示詞選項。(3) 這些選項由專用組件在行內渲染。(4) 對話模組將這些優化後的選項與原始提示詞和歷史記錄結合，以產生回應。(5) 當用戶調整控制項時，優化內容會更新，對話模組也會隨之重新生成回應。

將 Promptions 加入應用程式

Promptions 可以輕鬆整合到任何對話式聊天介面中。開發者只需添加一個組件來顯示選項，並將其連接到 AI 系統。無需在會話之間儲存數據，這保持了實作的簡潔性。Microsoft Foundry Labs (在新分頁中開啟) 儲存庫包含兩個範例應用程式：一個通用聊天機器人和一個圖像生成器，展示了這種設計在實踐中的應用。

Promptions 非常適合用戶需要提供情境但不想全部寫出來的介面。用戶無需輸入冗長的解釋，只需調整引導 AI 回應的控制項，即可符合其偏好。

進一步探索的問題

Promptions 為未來的研究提出了重要問題。關鍵的易用性挑戰包括釐清動態選項如何影響 AI 輸出，以及管理多個控制項的複雜性。其他問題涉及如何在即時調整與持久設定之間取得平衡，以及如何讓用戶協作分享選項。

在技術方面，問題集中在如何生成更有效的選項、驗證和客製化動態介面、自動收集相關情境，以及支持跨會話儲存和分享選項集。

這些問題，連同對協作、倫理、安全和擴展性的更廣泛考量，正引導著我們在 Promptions 及相關系統上的持續工作。

---

工具
在 Microsoft Foundry Labs 探索 Promptions

---

透過將 Promptions 開源，我們希望幫助開發者創造更聰明、更具響應性的 AI 體驗。

在 Microsoft Foundry Labs 探索 Promptions (在新分頁中開啟)

這篇文章 Promptions 透過動態 UI 控制項讓 AI 提示更精確 最初發表於 Microsoft Research。