一項由中國人民大學馮璋教授主導，並與微軟AI、清華大學及新加坡國立大學等機構共同合作的研究，近期發表了大型語言模型（LLM）提示工程（Prompt Engineering）的全面分類架構。這份研究論文已於 2026 年 3 月 15 日在《計算機科學前沿》（Frontiers of Computer Science）期刊上發表，該期刊由高等教育出版社與施普林格·自然（Springer Nature）聯合出版。

這份報告題為《大型語言模型提示工程的全面分類法》（A comprehensive taxonomy of prompt engineering techniques for large language models），旨在從底層原理的角度，系統性地歸納提示工程技術，並闡明設計有效提示的流程。該分類架構涵蓋四大面向，分別為：個人資料與指令（Profile and Instruction）、知識（Knowledge）、推理與規劃（Reasoning and Planning），以及可靠性（Reliability）。研究團隊指出，此架構能讓開發者及使用者更系統化地優化提示，以應用於多樣化的情境。

這項新分類法包含基礎與進階的提示技術，提供詳細的提示設計指南，有效彌合了人工智慧（AI）理論能力與實際部署之間的鴻溝。其應用範疇廣泛，例如在醫療領域可用於檢索醫學研究、模擬診斷及提供個人化病患建議；法律環境中可運用檢索增強生成（RAG）技術，精確引用法規條文。此外，在機器人技術、軟體工程及創意產業等領域也具備應用潛力。

研究團隊進一步提出了六個關鍵研究方向，包括如何防禦惡意「提示攻擊」（prompt attacks），以及為金融與教育等特定領域開發專屬框架。這份分類架構不僅為大型語言模型提示工程領域奠定基礎，也為未來的研究指明了方向。