使用 Prompt API 時，您可以運用特定策略自訂提示，獲得最佳結果。本頁說明 Gemini Nano 提示格式的最佳做法。
如需更一般的提示工程指南，請參閱提示工程白皮書、生成式 AI 的提示工程和提示設計策略。
或者，如要自動修正及改善提示，可以使用零樣本最佳化工具，這項工具可指定裝置端模型，例如 gemma-3n-e4b-it。
提示設計的最佳做法
設計 Prompt API 的提示時，請使用下列技巧：
提供符合情境的學習示例。在提示中加入分布均勻的範例，向 Gemini Nano 說明您期望的結果類型。
使用情境內學習功能時，建議使用前置字元快取功能，因為提供範例會使提示變長，並增加推論時間。
簡明扼要。如果前言冗長且重複指示，可能會產生不盡理想的結果。提示應簡潔有力，如果需要重複提供引導模型行為的簡短指令，建議使用系統指令。
結構完整的提示詞可生成更實用的回覆，例如這個範例提示詞範本，清楚定義了指令、限制和範例。
輸出內容應簡短有力。LLM 推論速度很大程度取決於輸出長度。請仔細考量如何為您的用途產生最短的輸出內容，並手動後續處理，以所選格式建構輸出內容。如要確保回覆輸出內容採用偏好的格式，請使用 Structured Output API。
新增分隔符號。使用
<background_information>、<instruction>和##等分隔符號，將提示的不同部分分開。在元件之間使用##對於 Gemini Nano 尤其重要，因為這樣可大幅降低模型無法正確解讀每個元件的機率。偏好簡單的邏輯和更專注的任務。如果發現提示需要多步驟推理 (例如「先執行 X，如果 X 的結果是 A，則執行 M；否則執行 N；然後執行 Y...」)，難以獲得良好結果，請考慮將工作拆開，讓每次 Gemini Nano 呼叫處理更專注的工作，同時使用程式碼將多個呼叫串連在一起。如果需要一次處理複雜且需要大量推論的任務，建議使用思考模式。
針對確定性工作使用較低的溫度值。對於不依賴創意的工作 (例如實體擷取或翻譯)，建議從
temperature值0.2開始，並根據測試結果調整這個值。