2026 年香港企業必修課：把 Prompt 當程式碼管理——從隨手試錯到版本化 Prompt 函式庫的工程實踐

導言：一句 Prompt，可能值一個上市機會，也可能賠上整個品牌

香港的商業速度向來是出了名的快。2026 年的中環，一間中型持牌資產管理公司可能早上仍在用 ChatGPT 草擬客戶報告，下午就要面對證監會對其 AI 系統輸出的查詢。這種落差背後藏著一個被嚴重低估的風險：支撐業務的 LLM 應用，其核心邏輯——Prompt——往往並非被「管理」，而是被「即興」。

我們在過去兩年接觸超過五十家香港企業後發現一個驚人的共性：八成以上的生產 LLM 系統，其系統提示詞（System Prompt）存放在個別工程師的電腦裡，沒有版本號、沒有測試、沒有變更審批流程。一旦那位工程師離職，或者某次「順手改一改」令輸出品質暴跌，企業便毫無還手之力。

為什麼 Prompt 是「程式碼」，而不是「筆記」

許多管理層仍把 Prompt 視為一段「跟 AI 講的話」，性質接近備忘錄。但從工程角度看，Prompt 是生產系統中影響輸出行為最強的單一變量——它決定模型如何理解任務、如何處理邊界情況、如何回應不合規的請求。改動一個 Prompt 的效果，往往等同於改動數百行程式碼。

舉個香港常見的例子：一間保險公司用 LLM 自動回覆客戶關於保單條款的查詢。工程師為了讓回覆「更親切」，在 Prompt 加了一句「用輕鬆語氣回應」。三星期後，合規部門抽查時發現 AI 在回覆中對退保條款開了玩笑。這不是模型能力問題，而是 Prompt 變更沒有經過任何審查——就像程式碼繞過了 Code Review 直接上了生產環境。

在香港這個高度監管的市場，金管局、證監會與保監局對 AI 治理的要求日趨明確。當監管機構問「你如何確保 AI 輸出的可控性」時，答案不能是「我們有個很厲害的 Prompt」。企業需要的，是可追溯、可重現、可驗證的證據鏈。

Ad-hoc Prompt 的五宗罪：香港企業的常見病

第一宗罪是「散落各處」。Prompt 存在 Jira 票據、Slack 對話、Google Docs、甚至 WhatsApp 群組裡。我們見過一間中環獨角獸，同一個客服任務竟存在十一個不同版本的 Prompt，分別由三個團隊維護，互不知情。

第二宗罪是「無測試上線」。改完 Prompt 直接部署，靠人手試幾句話就當驗收。問題是 LLM 的失敗模式往往出現在罕見輸入——廣東話夾雜英文縮寫、客戶輸入身份證號碼、或有人蓄意注入指令。沒有系統化測試集，這些地雷只會靠運氣避開。

第三宗罪是「不可重現」。監管調查或客戶投訴時，企業無法重現當時系統的確切行為：當時用的是哪個 Prompt 版本？哪個模型？哪些參數？在香港的爭議解決環境下，「我不記得了」是昂貴的答案。

第四宗罪是「無回滾能力」。某次改動令輸出品質崩壞時，團隊只能憑記憶手動還原，生產事故的恢復時間以小時計而非分鐘計。

第五宗罪是「知識不累積」。每次新專案都從零寫 Prompt，前人踩過的坑、驗證過的技巧全部流失。在港人資珍貴的環境下，這是最奢侈的浪費。

Prompt 函式庫：像管理程式碼一樣管理 Prompt

解方是建立一個版本化的 Prompt 函式庫，其核心原則與軟件工程完全一致：單一事實來源、版本控制、測試、審批、復用。

實務架構通常包含四層。第一層是 Prompt 本身，以結構化格式（如 YAML 或 Markdown 模板）存放於 Git 儲存庫，每個 Prompt 有唯一名稱、版本號、用途說明與擁有者。第二層是測試集：每個 Prompt 配套一組代表性輸入與期望輸出特徵，例如「回覆不得包含投資建議」、「必須以廣東話書面語回應」。第三層是評估管道：每次 Prompt 變更觸發自動化評估，以 LLM-as-judge 加規則檢查輸出品質，分數低於門檻即阻止合併。第四層是部署與監控：Prompt 以版本號載入生產環境，線上表現數據回流至測試集，形成持續改進循環。

這套架構聽起來像為大型科技公司而設，但實際上一間五人工程團隊的香港初創，用 Git、一個評估腳本和一個簡單的 CI 管道，兩星期內便可搭建最小可行版本。關鍵不是工具昂貴，而是紀律。

版本控制實戰：語義化版本與變更日誌

Prompt 版本管理可以借鑑語義化版本（SemVer）：大版本號變更代表行為性質改變（如新增拒答規則），小版本號代表措辭優化，修訂號代表修 bug。每次合併須附變更日誌，說明改動動機與評估結果。

一個實用的規範是「Prompt 提交即審查」。任何 Prompt 變更以 Pull Request 形式提交，必須附上：變更前後的輸出對比樣本、自動評估分數、以及影響範圍說明。審批人應包含業務方——這一點在香港尤為重要，因為合規風險往往由業務與法務判斷，而非工程師。

我們為一家香港跨境物流公司實施此流程時，最初團隊嫌麻煩，認為「改一句話要開 PR 太誇張」。但三個月後，他們的 Prompt 相關生產事故從每月四宗降至零宗，而新功能上線速度反而加快了——因為工程師不再害怕改動，每一次改動都有安全網。

自動化測試：讓 Prompt 上線前先「考試」

Prompt 測試集應包含三類案例。黃金案例是已知正確答案的典型輸入，用於回歸測試；邊界案例涵蓋罕見但關鍵的情況——混合語言輸入、超長文本、敏感詞、提示注入攻擊；對抗案例則模擬蓄意誤導，例如客戶要求 AI「假裝你是持牌顧問」。

評估方式採混合策略：規則檢查處理硬性約束（不得出現某些字眼、必須引用指定條款編號）；LLM-as-judge 處理品質維度（準確性、語氣、格式），但 judge 本身也要定期校準；抽樣人審則用於高風險場景的最終把關。

以香港銀行的財富管理聊天機械人為例，其測試集應強制包含：客戶詢問「這隻股票會升嗎」時必須觸發免責聲明；客戶以廣東話口語輸入時仍能正確理解；輸入他人賬戶資料時不得洩露任何資訊。這些案例一旦寫入測試集，就成為永久的安全網——任何未來的改動都不可能在不知不覺間破壞它們。

從單一 Prompt 到函式庫：模組化與復用的藝術

成熟的做法是將 Prompt 拆解為可復用模組：任務核心指令、角色設定、輸出格式規範、合規約束層、行業知識層。例如香港企業可維護一個「香港合規約束模組」，內含《個人資料（私隱）條例》相關的處理規則，所有面向客戶的 Prompt 皆引入此模組——合規要求更新時，只需改一處，全公司生效。

再進一步，可將 Prompt 參數化：同一個「客戶查詢回覆」模板，透過傳入「行業」、「語言」、「風險等級」變量，服務保險、證券、零售不同業務線。這令 Prompt 函式庫從「存檔櫃」升級為「生產線」。

復用帶來的經濟效益相當可觀。假設一個優質 Prompt 的打磨需要四十小時工程時間，以香港工程師成本計算約值三萬至五萬港元。若十個專案各自重造，浪費逾四十萬港元；而函式庫令第二次使用幾乎零成本。

結論：Prompt 治理是 2026 年香港企業的 AI 護城河

2026 年的香港 AI 競賽，勝負關鍵已不再是「有沒有用 AI」，而是「AI 輸出有多可靠、多可控」。Prompt 函式庫看似是工程細節，實質是企業 AI 治理的基石：它令監管查詢有據可答，令品質事故可防可滾回，令團隊經驗沉澱為資產。

我們的建議很簡單：本季內，先把你所有生產 Prompt 收進 Git；下季建立最小測試集與評估管道；半年內實現 PR 式審批與版本回滾。在監管收緊、競爭加劇的香港市場，這些基本功不是成本，而是讓你敢於加速的底氣。

S.C.G.A. Limited 專注協助香港企業將 LLM 應用從實驗推向可靠的生產系統。如果你的團隊仍在用聊天紀錄管理 Prompt，歡迎與我們談談——那筆帳，早算早著數。