Prompt Engineering：讓 AI 聽懂你的需求

有了好的模型，接下來關鍵在於怎麼問。同樣一個 ChatGPT 或 Claude，有人問出來是神答案，有人問出來是廢話——差異就在「提示詞（Prompt）」。

Prompt Engineering（提示工程）聽起來高深，本質其實是把你要的事情講清楚的技巧。這篇文章教你一套馬上能用的方法。

為什麼「怎麼問」這麼重要？

AI 模型就像一個聰明但讀不懂暗示的同事。你說的越具體、結構越清晰，它輸出越好。含糊的問題只會得到泛泛的答案。

好提示詞的原則只有一句：給足背景與約束，減少它的猜測。

一套能套用的公式

寫提示詞時，照這個結構填空，答案品質會大幅提升：

角色 + 任務 + 背景 + 約束 + 範例（選用）+ 輸出格式

逐項拆解：

1. 角色（Role）

先給模型一個身分，它會自動調整語氣與專業度。

• ❌ 「幫我寫個行銷文案」
• ✅ 「你是一位有 10 年經驗的電商行銷主管，請幫我寫……」

2. 任務（Task）

用動詞清楚說明「要它做什麼」，一個提示只放一個主要任務最穩。

• ❌ 「關於這個……弄一下」
• ✅ 「請總結以下會議記錄的重點結論」

3. 背景（Context）

提供必要的資訊，讓模型不用猜。誰是受眾？用途是什麼？有什麼限制？

4. 約束（Constraints）

這是品質的分水嶺。常見的約束：

• 長度：「控制在 100 字以內」
• 語氣：「專業但親切，不要用術語」
• 格式：「用條列式」「只給表格，不要解釋」
• 不要做什麼：「不要加入假設性的數據」

5. 範例（Few-shot，選用）

給一兩個「輸入→輸出」的範例，模型會照著你的格式模仿。這對統一風格、格式特別有效。

6. 輸出格式（Format）

明確指定你要什麼：段落、條列、JSON、Markdown 表格等。

完整範例對比

模糊的問法：

幫我寫個產品介紹

結構化的問法：

你是一位 SaaS 產品的文案經理（角色）。
請為我們的「待辦清單 App」寫一段網站首頁介紹（任務）。
受眾是小型團隊主管，他們常用 Excel 管理任務（背景）。
要求：300 字以內、語氣專業但親切、突出「節省時間」這個賣點、
不要用技術術語（約束）。
最後用 Markdown 標題加三段正文的格式輸出（格式）。

第二版的明顯更好，因為模型不需要做任何猜測。

兩個強效技巧

Few-shot：給範例讓它模仿

當你需要一致的輸出格式時，先給一兩個例子：

把以下句子轉成禮貌的客戶回覆。

範例 1：
輸入：你的很慢
輸出：非常抱歉造成您的等待，我們會盡速改善。

範例 2：
輸入：沒貨了
輸出：很遺憾目前該商品暫時缺貨，預計下週補進。

請處理這一句：
輸入：無法出貨

Chain-of-Thought（CoT）：讓它「先想再答」

鼓勵模型一步步推導，能顯著提高邏輯、數學題的正確率。

• ❌ 「這道題答案是多少？」
• ✅ 「請一步一步思考，先列出解題步驟，再給出最終答案。」

重要更新：怎麼對「推理模型」下指令

上一篇提過，2025–2026 主流已是推理模型（Reasoning / Thinking Model）。它們本來就會在內部慢慢想，所以傳統的 CoT 指令對它們效果有限。要用對方法：

• 先開啟思考模式：很多工具需要手動打開 thinking / reasoning 開關，它才會推導。
• 要的是「過程」就要求顯示思考：例如「請把你的推理過程也一起寫出來」。
• 複雜問題才用：簡單任務開推理模式只是更慢更貴（上篇提過）。
• 檢查它的推理：推理模型有時會「想得太自信」，對關鍵事實仍要自行驗證。

常見錯誤清單

錯誤	修正
一次問太多件事	拆成多個單一任務
只有命令、沒有背景	補上受眾與用途
沒講長度／格式	明確指定字數與輸出形式
假設模型知道上下文	把相關資訊貼進去
答案不好就直接放棄	給回饋迭代：「更簡短」「換個語氣」

小結

• 好提示詞 = 角色 + 任務 + 背景 + 約束 + 格式。
• 原則是減少了模型的猜測。
• 邏輯題用 Chain-of-Thought；格式統一用 Few-shot。
• 對現代推理模型：開啟思考模式、要求顯示過程、複雜問題才用。

提示詞是可以「迭代」的——第一次不好，就根據結果再調整，通常 2～3 輪就能接近理想答案。下一篇進入實作：OpenAI API 入門。

---

《AI 新時代》系列第 03 篇。上一篇：主流產品比較 · 下一篇預告：OpenAI API 入門