LLM 初階實戰班

從 Prompt 寫法到 RAG 原理，再到把 LLM 串進工作流程做自動化漏洞通知。一堂課走完 LLM 實務應用的三個層次。

課程架構:

┌──────────────────────────────────────────────────┐
│  第一層  Prompt Engineering                      │
│  ── 學會怎麼跟 LLM 溝通                          │
├──────────────────────────────────────────────────┤
│  第二層  RAG                                     │
│  ── 讓 LLM 讀你的資料回答問題                     │
├──────────────────────────────────────────────────┤
│  第三層  RPA 工作流程自動化                       │
│  ── 把多個工具串起來自動執行                       │
└──────────────────────────────────────────────────┘

---

第一部分：Prompt Engineering

好的 Prompt 能讓 LLM 回答品質差到天差地別。這個部分介紹六種實戰技巧，從基礎到進階。

技巧總覽

技巧	難度	核心概念	適合場景
CRISPE 框架	入門	結構化指令	日常問答、報告
Custom Instructions	入門	個人化偏好	固定工作流程
Meta-Prompting	入門	用 AI 改 Prompt	不知道怎麼問
Few-Shot	中階	給範例讓 AI 學	分類、格式化
Chain-of-Thought	中階	逐步推理	數學、邏輯
Tree of Thoughts	進階	多路徑探索	複雜決策

CRISPE Prompt 框架

CRISPE 是一種結構化的 Prompt 寫法，把指令拆成五個面向：

元素	意義	你要寫什麼
C - Capacity and Role	能力與角色	讓 LLM 扮演什麼角色
R - Insight	洞察力	背景資訊和上下文
I - Statement	指令	你要 LLM 做什麼
P - Personality	個性	回應的風格和語氣
E - Experiment	嘗試	要求多個版本

壞 Prompt vs 好 Prompt：

壞 Prompt:
「推薦台灣的商機」
→ LLM 回答一堆籠統的廢話

好 Prompt (用 CRISPE):
[C] 你是有 10 年跨國創業經驗的商業顧問
[R] 我想在台灣找尚未普及但在海外已被驗證的商業模式
[I] 請條列三個具體的商機，每個包含：市場規模、競爭現況、進入門檻
[P] 用白話文回答，避免管理學術語
[E] 請提供「低資本」和「高資本」兩個版本

→ LLM 回答有結構、有深度、可以直接拿來用

Custom Instructions（自訂指示）

設定一次，之後每次對話都自動帶入偏好。

┌──────────────────────────────────────────┐
│ 你是什麼角色？                            │
│ → 「資安工程師，主要做滲透測試和紅隊」    │
├──────────────────────────────────────────┤
│ 回答風格？                                │
│ → 「技術文件風格，附指令和範例」          │
├──────────────────────────────────────────┤
│ 避免什麼？                                │
│ → 「不要廢話和客套，直接給解法」          │
└──────────────────────────────────────────┘

各平台的設定位置：

平台	設定位置
ChatGPT	Settings → Personalization → Custom instructions
Claude	對話開頭用 System Prompt 帶入
Cursor	.cursorrules 或 Project Rules

Meta-Prompting：用 LLM 幫你寫 Prompt

不知道怎麼問？讓 LLM 引導你優化 Prompt：

你是專業的 Prompt Engineer，工作是引導使用者產生更清晰、目標明確的 Prompt。

使用者有三種回覆方式：
輸入 1 → 選一個建議選項，根據選項重新產生 Prompt
輸入 2 → 補充資訊，根據新資訊更新 Prompt
輸入 3 → 直接用目前版本的 Prompt 回答，結束

每次回覆包含：
1. 修改後的 Prompt（更清晰、更容易被模型理解）
2. 三條改善建議（a, b, c）
3. 三個追問（a, b, c），提示該補充什麼資訊

實際對話範例：

你: 「幫我分析資安事件」

AI (Prompt Engineer):
修改後 Prompt:
  「分析以下資安事件，包含攻擊向量、影響範圍、建議對策」

建議:
  a. 加入事件的時間範圍和系統環境
  b. 指定分析框架（如 MITRE ATT&CK）
  c. 指定輸出格式（表格、報告、簡報）

追問:
  a. 事件涉及哪些系統或服務？
  b. 你需要技術層面還是管理層面的分析？
  c. 報告的讀者是誰（工程師、主管、客戶）？

你: 輸入 1，選 b

AI: 
修改後 Prompt:
  「使用 MITRE ATT&CK 框架分析以下資安事件，
   識別攻擊戰術和技術，評估影響範圍，
   提供偵測規則和緩解措施建議」
   ...

Few-Shot Prompting（給範例）

給 LLM 幾個輸入 → 輸出範例，它會學習格式和邏輯。

範例：Log 嚴重性分類

範例 1:
輸入: "Failed login attempt from 192.168.1.100"
分類: Medium
原因: 單次登入失敗，可能是密碼錯誤

範例 2:
輸入: "SQL injection detected in parameter 'id'"
分類: Critical
原因: 主動攻擊嘗試，可能導致資料外洩

範例 3:
輸入: "SSL certificate expires in 30 days"
分類: Low
原因: 預警性質，有時間處理

請分類:
輸入: "Brute force detected: 500 failed logins in 5 minutes from 10.0.0.55"

LLM 會根據範例的格式和判斷邏輯，給出結構化的分類結果。

Chain-of-Thought (CoT) 思維鏈

讓 LLM 顯示推理步驟，而不是直接跳到答案。

沒有 CoT:
Q: 一台伺服器 CPU 使用率 95%，記憶體使用率 30%，問題在哪？
A: CPU 瓶頸。
→ 對但沒有推理過程，你無法判斷是否可靠

有 CoT:
Q: 一台伺服器 CPU 使用率 95%，記憶體使用率 30%，問題在哪？
A: 讓我逐步分析：
   1. CPU 95% 表示計算資源幾乎耗盡
   2. 記憶體 30% 表示不是記憶體不足的問題
   3. 高 CPU + 低記憶體 → 可能原因：
      - CPU-bound 的程式（密碼學運算、壓縮、JSON parse）
      - 無窮迴圈或遞迴
      - 單一程序未利用多核心
   4. 建議先用 top/htop 看是哪個 process 吃 CPU
   → CPU 瓶頸，建議檢查耗 CPU 的 process

啟動 CoT 的關鍵詞：

語句	效果
「讓我們一步步思考」	基本 CoT
「請解釋你的推理過程」	要求透明
「先分析再回答」	確保不跳步

Few-Shot CoT

Few-Shot + CoT 結合：給帶有推理步驟的範例。LLM 學會「格式 + 思考方式」。

範例:
問題: 這個 log 是否為攻擊？"GET /admin/../../../etc/passwd HTTP/1.1"
分析:
1. 路徑包含 ../../../ → Path Traversal 攻擊模式
2. 目標是 /etc/passwd → 嘗試讀取系統密碼檔
3. 結合以上 → 確定是 Path Traversal 攻擊
判斷: 攻擊

請分析:
"POST /api/login HTTP/1.1" Body: {"user": "admin' OR '1'='1", "pass": "x"}

Tree of Thoughts（思維樹）

面對複雜問題，讓 LLM 同時探索多個方向，比較後選最佳方案：

步驟 1: 請提出三個不同的解法方向
  ┌── 方案 A: ...
  ├── 方案 B: ...
  └── 方案 C: ...

步驟 2: 針對每個方案深入分析
  ┌── 方案 A: 優點... / 缺點... / 可行性...
  ├── 方案 B: 優點... / 缺點... / 可行性...
  └── 方案 C: 優點... / 缺點... / 可行性...

步驟 3: 綜合分析，提出最終建議
  → 最佳方案: B
  → 原因: ...

適合商業決策、系統架構設計、應急事件處理等需要多角度思考的場景。

第二部分：RAG（Retrieval-Augmented Generation）

LLM 的知識局限

LLM 的知識有截止日，也不知道你公司的私有資料。這產生四種情境：

                    │ LLM 有內建知識  │ LLM 沒有內建知識
 ───────────────────┼────────────────┼────────────────
  有外部知識可查     │   RAG          │  傳統知識查詢
                    │   (最佳方案)    │  (關鍵字搜尋)
 ───────────────────┼────────────────┼────────────────
  沒有外部知識可查   │   Fine-Tune    │  幻覺
                    │   (成本高)      │  (瞎掰)

RAG：讓模型看大抄考試

	不用 RAG	用 RAG
LLM 回答依據	訓練時學到的知識	你提供的最新資料
資料更新	要重新訓練模型	更新知識庫就好
準確度	可能過期或瞎掰	有參考資料佐證
成本	低（推論費）	中（推論 + 檢索）

RAG vs Fine-Tune 比較：

	RAG	Fine-Tune
知識來源	外部知識庫，即時檢索	訓練進模型權重
更新成本	低：更新資料庫	高：重新訓練模型
適合	常變動的資料（產品文件、法規）	不常變的專業語言（醫療、法律術語）
幻覺風險	低：有來源可查	中：仍可能混淆
部署複雜度	中：需要向量資料庫	低：用訓練好的模型

RAG 完整流程

第一步：建立知識庫（離線處理，只做一次）

  公司文件 / 產品手冊 / 內部 Wiki
           ↓
  ┌────────────────┐
  │  文件切塊        │  把文件拆成 200-500 字的段落 (Chunks)
  │  (Chunking)     │
  └────────┬───────┘
           ↓
  ┌────────────────┐
  │  向量化          │  用 Embedding Model 把文字轉成數字向量
  │  (Embedding)    │  語意相近的文字 → 向量距離相近
  └────────┬───────┘
           ↓
  ┌────────────────┐
  │  向量資料庫      │  儲存所有向量
  │  (Vector DB)    │  例如 Pinecone, Weaviate, Chroma
  └────────────────┘

第二步：查詢回答（每次使用者提問時即時執行）

  使用者問題: 「我們的退貨政策是什麼？」
           ↓
  ┌────────────────┐
  │  問題向量化      │  把問題也轉成向量
  └────────┬───────┘
           ↓
  ┌────────────────┐
  │  相似度搜尋      │  在向量資料庫中找出最相關的 3-5 筆 chunks
  │  (Similarity)   │  語意相近 = 向量距離小
  └────────┬───────┘
           ↓
  ┌────────────────┐
  │  組合 Prompt     │  「根據以下資料回答使用者問題：
  │                  │   [chunk 1] [chunk 2] [chunk 3]
  │                  │   問題：我們的退貨政策是什麼？」
  └────────┬───────┘
           ↓
  ┌────────────────┐
  │  LLM 回答       │  根據檢索到的資料生成回答
  │                  │  不是瞎掰，有參考來源
  └────────────────┘

Embedding 的直覺理解

Embedding 把文字轉成數字向量:

「資安漏洞」   → [0.82, 0.15, 0.93, ...]
「安全弱點」   → [0.80, 0.17, 0.91, ...]   ← 語意接近，向量也接近
「今天天氣」   → [0.12, 0.88, 0.05, ...]   ← 語意不同，向量差很遠

向量的距離 ≈ 語意的距離
距離小 = 語意相關 = 這個 chunk 可能包含答案

第三部分：RPA 工作流程自動化

什麼是 RPA

RPA（Robotic Process Automation）= 用軟體自動完成重複性工作。

人工流程:
  每天手動查漏洞網站 → 讀公告 → 判斷影響 → 寫摘要 → 傳到群組
  費時: 30-60 分鐘/天
  漏看: 高風險

RPA 流程:
  RSS 自動訂閱 → Jina AI 自動讀取 → LLM 自動分析 → Bot 自動推送
  費時: 0（全自動）
  漏看: 幾乎零

API：工具之間的橋樑

API（Application Programming Interface）讓不同軟體能互相溝通。

類比：
  API = 餐廳服務生
  你 (客人) → 點菜 (Request) → 服務生 (API) → 廚房 (服務) → 上菜 (Response) → 你

技術上:
  你的程式 → HTTP Request → API Endpoint → 處理 → HTTP Response → 你的程式

API 類型	特點	範例
REST API	最常見，用 HTTP 動詞	GitHub API, Twitter API
GraphQL	精確查詢需要的資料	GitHub v4 API
WebSocket	即時雙向通訊	聊天室、即時通知
Webhook	事件觸發，主動推送	Stripe 付款通知

實戰案例：自動漏洞通知系統

以下是一個完整的自動化工作流，把 RSS、Jina AI、LLM 和 Telegram Bot 串起來。

完整架構圖:

┌─────────────┐     ┌─────────────┐     ┌─────────────┐     ┌─────────────┐
│  RSS 訂閱    │ ──→ │  Jina AI    │ ──→ │  LLM 分析    │ ──→ │ Telegram Bot│
│  漏洞情報源  │     │  讀取內容    │     │  摘要判斷    │     │  推送通知    │
└─────────────┘     └─────────────┘     └─────────────┘     └─────────────┘
     │                    │                    │                    │
 CISA / NVD          網頁→純文字         判斷嚴重性            群組/個人
 漏洞公告             結構化內容         分析影響範圍           即時收到

步驟 1：RSS 訂閱漏洞情報

RSS（Really Simple Syndication）= 自動訂閱網站更新。不用手動刷網頁，有新內容就通知。

常見漏洞情報 RSS 來源：

來源	RSS URL	內容
CISA	cisa.gov/cybersecurity-advisories	美國 CISA 資安公告
NVD	nvd.nist.gov	CVE 漏洞資料庫
TWCERT/CC	twcert.org.tw	台灣資安通報

步驟 2：Jina AI 讀取網頁內容

Jina AI Reader 把網頁轉成 LLM 容易處理的純文字：

API 用法:
GET https://r.jina.ai/https://example.com/vulnerability-alert

回傳:
純文字版本的網頁內容，去掉 HTML、廣告、導航列
→ 乾淨的文字，直接丟給 LLM 分析

步驟 3：LLM 分析摘要

把讀取到的漏洞內容送給 LLM：

Prompt:
「你是資安分析師。根據以下漏洞公告，提供：
1. 漏洞摘要（50 字內）
2. 嚴重性（Critical/High/Medium/Low）
3. 影響的軟體和版本
4. 建議的處理優先順序
5. 緩解措施

{jina_ai_讀取的內容}」

LLM 回覆:
1. 摘要: Apache Log4j 遠端程式碼執行漏洞
2. 嚴重性: Critical (CVSS 10.0)
3. 影響: Apache Log4j 2.x < 2.17.0
4. 優先順序: 立即處理
5. 緩解: 升級到 2.17.0 以上，或設定 log4j2.formatMsgNoLookups=true

步驟 4：Telegram Bot 推送通知

建立 Telegram Bot:

1. 開 Telegram 搜尋 @BotFather
2. 輸入 /newbot
3. 取得 API Token: 123456789:ABCdefGHI...
4. 搜尋 @getmyid_bot 取得你的 Chat ID

API 推送:
POST https://api.telegram.org/bot{TOKEN}/sendMessage
{
  "chat_id": "你的 Chat ID 或群組 ID",
  "text": "🚨 Critical 漏洞通知\n\nApache Log4j RCE...",
  "parse_mode": "Markdown"
}

工作流程比較

	人工處理	RPA 自動化
速度	漏洞公布後數小時才注意到	幾分鐘內收到通知
準確度	可能漏看、誤判	一致的分析品質
成本	人力時間	API 費用（低）
擴展性	一個人看不了太多來源	可同時訂閱數十個來源
24/7	人需要休息	全自動不間斷

作業

作業 1：寫一個 CRISPE Prompt

選一個你工作中常遇到的任務，用 CRISPE 框架寫一個 Prompt：

1. 先寫一個「沒有結構」的普通 Prompt
2. 改寫成 CRISPE 格式（標明 C、R、I、P、E 各部分）
3. 兩個 Prompt 分別丟給 ChatGPT 或 Claude，截圖比較回答品質

作業 2：Meta-Prompting 實作

把課堂中的 Meta-Prompt（用 LLM 幫你寫 Prompt）貼到 ChatGPT 或 Claude，實際跑一輪：

1. 輸入一個你真正想問的問題
2. 跟著 AI 的引導走 3 輪以上（選建議、補充資訊）
3. 比較最初的 Prompt 和最終的 Prompt，記錄差異

作業 3：建一個簡單的 RPA 流程

用 n8n（免費）或 Make（有免費額度）建一個自動化流程：

1. 訂閱一個 RSS 來源（可以用 CISA 或任何新聞網站）
2. 有新內容時觸發 LLM 摘要
3. 把摘要推送到 Telegram 或 Slack

不需要寫程式，這些平台都是拖拉介面。