同一個 AI 模型，有人覺得「很笨、答非所問」，有人卻能讓它產出高品質成果——差別往往不在模型，而在提示（prompt）怎麼下。提示工程的核心其實很直覺：把 AI 當成一位能力很強、但對你的情境一無所知的新同事。本文整理 OpenAI 與 Anthropic 官方提示指南的共通原則，說明如何寫出讓 AI 真正幫上忙的提示。
為什麼「提示」決定產出品質
大型語言模型會依你給的指令與脈絡來生成回應。指令模糊，它只能猜；脈絡不足，它只能用通則回答。把 AI 當協作者的意思是：你願意給一位新同事多少背景、目標、範例與格式要求，就該給 AI 多少。這也是各家官方指南反覆強調的重點。
提示的六個核心原則
- 明確具體：把模糊的「幫我寫文案」換成「為這款產品寫 3 則 Instagram 貼文，對象是上班族、語氣親切、各 50 字內」。
- 提供脈絡：給它背景資料、受眾、目的、限制——它知道得越多，答得越準。
- 指定角色與觀點：請它「以資深行銷企劃的角度」回答，能收斂語氣與專業度。
- 給範例（few-shot）：提供 1–3 個你想要的輸出範例，比純文字描述更有效。
- 指定輸出格式：要表格、條列、JSON 還是段落，先說清楚。
- 允許分步思考：對複雜任務，請它「先列步驟再執行」或「逐步推理」，品質通常更好。
一個好提示的結構
把上述原則組合起來，一個結構完整的提示通常包含：
| 元素 | 內容 |
|---|---|
| 角色 | 「你是一位有經驗的簡報設計師」 |
| 任務 | 「請把以下大綱整理成 8 頁簡報架構」 |
| 脈絡 | 對象、場合、目的、品牌語氣 |
| 格式 | 「以表格輸出：頁碼／標題／重點」 |
| 限制 | 字數、用語、必須／不可包含的內容 |
| 範例 | 1–2 個理想輸出範例（如有） |
進階技巧
- 少樣本示範（few-shot）：用幾個輸入→輸出範例，教模型你要的模式。
- 引導分步推理：對需要推理的任務，請模型先拆解、再作答，可降低跳步出錯。
- 迭代修正：把第一次結果當草稿，用「請把第 2 點寫得更具體、語氣再正式一點」逐步逼近理想。
- 提供參考資料：把你的真實資料貼進提示，要求「只根據以上內容回答」，降低杜撰。
常見誤區
- 指令過於模糊：越模糊，模型越只能猜。
- 一次塞太多任務：複雜需求拆成多步，比一次全包品質更穩。
- 不給範例就期待精準風格：範例往往比形容詞有效。
- 把 AI 輸出直接當定稿：仍需人工查核事實、語氣與正確性，尤其涉及數據與引用時。
結論
提示工程不是玄學，而是清楚溝通的延伸：明確、給脈絡、指定角色與格式、善用範例、允許分步、持續迭代。把 AI 當成需要充分 brief 的協作者，產出品質就會明顯不同。當企業或團隊想把這套提示原則標準化、做成可複用的提示模板與工作流時，系統化的導入會比每個人各自摸索更有效率。
參考資料
- OpenAI, “Prompt engineering.”
- Anthropic, “Prompt engineering overview.”
