SkillTrendLab
技能 · LLM 應用 · 框架、LLM 與領域訊號

Prompt Engineering

設計提示以引導語言模型輸出的技術。

12.5%
核心 AI 職缺提到
441
筆職缺
323
家公司

歷史資料從 2026年9月11日 開始。要看出增減,需要一期至少相隔 30 天、可以比較的後續資料。

它在哪些職位最常被提到

每一列的分母是該職位本期的職缺數,依比例排序。

本期怎麼讀

本期有 10 個職位類別的職缺提到 Prompt Engineering。

在 8 個有獨立頁面的職位中,有 1 個職位至少五分之一的職缺提到 Prompt Engineering:LLM/NLP 工程師 36.6%。

Prompt Engineering 在「LLM/NLP 工程師」職缺中的出現比例(36.6%)至少是全體核心 AI 職缺(12.5%)的兩倍,比整體更集中在這個職位。

Prompt Engineering 屬於「LLM 應用」,是框架、LLM 與領域訊號;請搭配下方和它一起出現的基礎與上線交付技能一起解讀。

解讀規則:「比整體更集中」是指在有獨立頁面的職位裡,至少 10 筆職缺提到這個技能,而且比例至少是全體核心 AI 職缺的 2 倍;「常被提到」是指一個職位至少 20% 的職缺提到它。這些句子描述的是本期開著的職缺,不是趨勢。

  1. 175 筆中有 64 筆 · 至少整體兩倍
  2. 1,741 筆中有 290 筆
  3. MLOps/平台工程師15.8%
    38 筆中有 6 筆 · 樣本未達獨立頁面門檻,不列入解讀
  4. AI 研究員10.0%
    60 筆中有 6 筆 · 樣本未達獨立頁面門檻,不列入解讀
  5. 305 筆中有 25 筆
  6. 151 筆中有 8 筆
  7. 225 筆中有 3 筆
  8. 321 筆中有 4 筆
  9. 113 筆中有 1 筆
  10. 123 筆中有 1 筆

和它一起出現的技能

分母是提到 Prompt Engineering 的職缺數:其中同時提到各技能的比例,依三種閱讀角度分組。

基礎與解題

類別:程式語言、機器學習、資料工程、資料庫、方法與流程

  1. Python76.9%
    程式語言 · 339 筆
  2. 方法與流程 · 223 筆
  3. 資料庫 · 149 筆
  4. 方法與流程 · 145 筆

上線與交付

類別:DevOps、雲端、工具

  1. Git46.0%
    工具 · 203 筆
  2. Docker37.2%
    DevOps · 164 筆

框架、LLM 與領域訊號

類別:框架、LLM 應用、領域知識、辦公軟體

  1. LLM83.0%
    LLM 應用 · 366 筆
  2. RAG63.5%
    LLM 應用 · 280 筆
  3. LLM 應用 · 239 筆
  4. LLM 應用 · 223 筆
  5. ChatGPT43.3%
    LLM 應用 · 191 筆
  6. Claude40.1%
    LLM 應用 · 177 筆

產業與地區分布

佔這個技能的職缺數。

產業
  1. 軟體與網路
    199
    45.1%
  2. 電子與硬體製造
    46
    10.4%
  3. 半導體
    34
    7.7%
  4. 電信、媒體與數位內容
    29
    6.6%
  5. 金融與保險
    29
    6.6%
  6. 其他製造業
    25
    5.7%
  7. 批發零售與電商
    22
    5.0%
  8. 醫療與生技
    19
    4.3%
  9. 顧問與行銷服務
    11
    2.5%
  10. 專業服務
    9
    2.0%
  11. 餐旅與生活服務
    8
    1.8%
  12. 營建與不動產
    5
    1.1%
地區
  1. 台北市
    235
    53.3%
  2. 新北市
    69
    15.7%
  3. 台中市
    34
    7.7%
  4. 高雄市
    25
    5.7%
  5. 新竹縣
    17
    3.9%
  6. 新竹市
    17
    3.9%
  7. 桃園市
    13
    2.9%
  8. 苗栗縣
    8
    1.8%
  9. 彰化縣
    5
    1.1%
  10. 台南市
    4
    0.9%
  11. 花蓮縣
    3
    0.7%
  12. 南投縣
    3
    0.7%

這個數字從哪裡看出來

441 筆職缺中,各有多少筆是從雇主填的技能標籤、職稱、職務說明看出來的。一筆職缺可能同時有多種證據,所以三個數字相加會大於職缺數。

  1. 雇主技能標籤
    183
  2. 職稱
    3
  3. 職務說明
    322
這一頁的資料
資料日期
2026年9月11日
本期核心 AI 職缺
3,523
方法版本
2026.09.1

本頁尚未列入搜尋索引:還需要第二期資料才能談變化。