同一個產品介紹，你丟給 AI 三次，得到三種完全不搭的口氣——一次像新創官網的熱血宣言，一次像政府公文，一次又突然冒出「在這個瞬息萬變的時代」這種誰都會說的場面話。你把品牌風格指南整份貼進去了，結果它還是寫得像隔壁那家競爭對手。
問題不在 AI 笨，而在你給它的東西它讀不懂。你寫「語氣要專業又親切」，這句話對一個真人寫手有意義，因為他能憑經驗把它翻譯成一個個句子層級的判斷；但語言模型不會推敲、不會意會，它只會拿你給的文字去比對它看過的幾千億筆資料，然後輸出統計上最常見的那種寫法。模糊的形容詞，換來的就是模糊到沒有個性的內容。
要讓 AI 穩定寫出帶有品牌口吻的內容，靠的不是更長的指令，而是 Prompt 工程（Prompt Engineering）裡專門針對「風格與語氣」的那套結構化寫法。它把抽象的品牌調性，拆成模型能機械式照做的具體規則。下面先從一個能直接套用的框架講起，再帶你把品牌的「聲音」變成 AI 看得懂的素材。
為什麼貼了品牌指南，AI 還是寫得很罐頭
先說結論，因為傳統的品牌語氣指南，是寫給人看的，不是寫給機器看的。
一份典型的品牌調性文件長這樣——三五個形容詞（自信、溫暖、專業、有親和力）、一條語氣光譜（正式 ←→ 口語）、一張該說不該說的對照表。人類設計師讀完，腦中會自動把「自信」翻譯成短句、主動語態、不堆砌修飾詞這些具體動作。但 AI 沒有這層轉譯能力，它不會在字裡行間補上你沒寫的判斷，你給它一個形容詞，它只會回給你一團平均值。
更麻煩的是「指令衰減」。Transformer 架構靠注意力機制決定每個字該參考前面哪些內容，而你把語氣規則全塞在開頭，寫到第三段，這些規則就要跟主題脈絡、格式要求、還有模型自己的訓練習慣搶注意力——通常是訓練習慣贏。這也是為什麼一篇文章往往開頭還像你的品牌，寫到後半就漸漸飄回那種人人都一樣的 AI 腔。
所以解法不是把形容詞寫得更用力，而是換一種「機器讀得懂」的方式，把品牌口吻講給它聽。
品牌口吻 Prompt 工程是在做什麼
一句話講清楚，品牌口吻的 Prompt 工程，就是把「品牌該怎麼說話」這件抽象的事，拆成角色設定、可量化規則、實例示範這幾種 AI 能直接照做的輸入，讓它每次產出的內容都對得上品牌的個性、語氣和用字。
它和一般人理解的「下指令」差在哪？差在它不只告訴 AI 要做什麼，還告訴它「做出來該長什麼樣」。與其寫「請用親切的語氣」，不如給它一段你自己改寫過的範例，讓它看著範例去模仿句子的節奏、用詞的偏好、資訊的密度。前者是憑空想像，後者是照樣造句，可靠度差很多。
這也和一般「讓 AI 給出可用答案」的提示寫法不同——後者回答得對、格式對就算成功；品牌口吻要更進一步，在答得對之上，還聽得出來「這是我們家的聲音」。一個是合格，一個是有辨識度。
用 CO-STAR 框架，把品牌調性拆成六格
要把口吻寫進 prompt，最順手的結構之一是 CO-STAR 框架。它出自新加坡政府科技局團隊，曾在當地的 GPT-4 提示工程競賽中被用來奪冠，好用的地方在於它把一個 prompt 拆成六個彼此不重疊的格子，逼你把「品牌調性」這種模糊的東西，分到「風格」和「語氣」兩個專屬欄位裡具體交代。
六個格子分別是這樣：
- Context（背景）：這次內容的情境。是要寫官網產品頁、電子報，還是社群貼文，受眾現在處於什麼階段。
- Objective（目標）：你要 AI 完成的具體任務，講越明確越好。
- Style（風格）：寫作的結構與筆法。句子長短、段落節奏、要不要用比喻、用不用條列。
- Tone（語氣）：內容的情緒溫度。是熱情、沉穩、幽默還是嚴肅。
- Audience（受眾）：寫給誰看，他的身分與認知程度。
- Response（回應格式）：輸出長什麼樣，段落、清單、還是含小標的長文。
品牌口吻的關鍵，幾乎全押在 Style 和 Tone 這兩格——而這正是多數人下指令時整個跳過的地方。一般人會把 Objective 跟 Audience 講得很細，卻在風格欄草草寫個「專業」就交差。要讓品牌聲音出得來，這兩格才是真正要下功夫的。
舉一個假設的情境，比方一個主打「把複雜的事講到你阿嬤都懂」的理財品牌，要寫一段介紹定期定額的內容。它的 Style 可以這樣寫：「每句不超過 20 個字；多用生活比喻，少用專業術語；術語第一次出現時用括號補一句白話解釋。」Tone 則寫：「像一個懂金融但不愛說教的朋友，篤定但不高傲，絕不製造焦慮。」你會發現，這兩格寫得越具體，AI 越難寫歪。
把整套填起來，一個品牌口吻 prompt 的骨架大概是這樣（方括號裡換成你自己的品牌設定）：
- Context：我們是〔品牌定位〕，正在為〔通路與情境〕撰寫〔內容類型〕。
- Objective：寫一段〔字數〕的內容，介紹〔主題〕，目的是〔讓讀者做什麼〕。
- Style：〔句長規則、用詞偏好、結構偏好〕。
- Tone：〔情緒溫度、像什麼樣的人在說話、要避開的感覺〕。
- Audience：〔讀者身分、認知程度、在意什麼〕。
- Response：〔輸出格式與長度〕。
光填完六格還不夠穩，下一步是讓 AI 不只「聽你描述」，而是「看著範例學」。
給範例比給形容詞更有效，少樣本示範怎麼做
CO-STAR 把規則講清楚了，但規則告訴 AI 「該做什麼」，範例才讓它看到「做出來長什麼樣」。這兩件事一起給，模型對風格的服從度，會比只給其中一種明顯更高。這個技巧叫少樣本提示（Few-shot Prompting）——在指令裡放幾組你已經改寫好的範例，讓模型自己從中歸納出規律。
語言模型很擅長辨認模式。當你連續給它幾組相似的範例，它會自動去抓裡頭的共通點：句子的長度、開頭的方式、用詞的選擇、語氣的鬆緊。你不用把規則講死，它從範例裡就能學個七八分。
最有效的一種做法，是「對比式」範例——把同一個意思，一個寫成「沒有品牌個性的通用版」，一個寫成「你的品牌版」，成對放給 AI 看。它會在兩者的落差裡，讀出你真正想要的那個方向。像這樣：
- 通用版：「導入一套完整的內容策略，需要在各個通路上進行細緻的規劃與持續的執行。」
- 品牌版：「內容策略沒那麼玄。固定發、發到對的人想看的，每個通路都做到——就這樣。」
把這種對照組準備個三到五組，分量剛剛好。少於三組，AI 抓不到規律；多於五組，prompt 變得又臭又長，反而稀釋了重點。準備範例時有個小訣竅，就是刻意從不同的內容類型各挑一組，一段官網開頭、一句電子報問候、一則社群短文，讓 AI 看到你的口吻在不同場合怎麼伸縮，學到的就不只是某一種版型，而是品牌的人格。
讓 AI 永遠有品牌素材可查，認識知識庫的概念
範例能教 AI 你的「說話方式」，但它教不會 AI 你的「品牌事實」——產品有哪些規格、你們慣用哪些說法、哪些字是品牌的招牌、哪些字踩你的雷。這些東西如果每次都靠手動貼進 prompt，不只麻煩，貼著貼著還會把寶貴的上下文空間佔滿。
這裡有個值得了解的概念，叫檢索增強生成（RAG，Retrieval-Augmented Generation）。它的運作方式是這樣，先把你的品牌資料——風格指南、過往的優質文案、產品資訊、慣用語彙表——整理成一個可以被檢索的知識庫；每次要產出內容時，系統會先從這個庫裡「撈」出最相關的幾段素材，再連同你的指令一起餵給 AI。
這樣做的好處，是讓 AI 的每一次發揮，都被綁在你「真正核可過」的品牌素材上，而不是放它去訓練資料裡撈一個平均值。它寫出來的東西，事實會對得上你的產品，用語會貼近你的慣例，因為它參考的是你的庫，不是整個網路。對行銷團隊來說，這也是讓「品牌聲音」能規模化的關鍵——一百篇貼文、一百封信，參考的都是同一套核可素材，口吻才不會這篇是這樣、下篇又跑掉。
你不一定要馬上去搭一套完整的 RAG 系統。理解這個概念本身就有用，它提醒你，穩定的品牌口吻不是靠每次重打一長串 prompt，而是靠一份「整理好、隨時可被引用的品牌素材」。哪怕只是先把慣用語彙表、三五篇代表作整理成一份固定文件，每次開工先附上，效果就已經比憑空下指令好上一截。
同一段內容，有沒有做 Prompt 工程有什麼差異
講了這麼多，不如直接看落差。假設一個主打「簡單、不囉嗦」的記帳 App，要寫一段功能介紹。
先看「只丟一句模糊指令」的版本——指令是「幫我介紹自動分類功能，語氣專業一點」：
> 我們的自動分類功能運用了先進的演算法技術，能夠智慧化地辨識您的每一筆交易，並將其精準地歸類至相應的類別中。透過這項功能，使用者將能夠大幅提升記帳效率，輕鬆掌握個人財務狀況，實現更智慧的生活方式。
讀起來沒有錯，但它可以是任何一家公司的文案。「先進的演算法」「智慧化地」「實現更智慧的生活方式」——全是空殼形容詞，沒有一句是這個品牌才會說的話。
再看「套上 CO-STAR ＋ 對比範例」的版本。指令裡明確交代了幾件事，Style 要求每句不超過 18 字、禁用「賦能」「智慧化」「無縫」這類詞、開頭直接講功能對讀者的好處；Tone 設定成「像一個幫你省麻煩的朋友，不推銷、不誇大」；並附上一組對比範例。產出大概會變成這樣：
> 每筆消費花在哪，它自己分好。你不用一筆一筆點選，買杯咖啡、付個房租，記完帳它就歸好類了。月底想看自己錢都花去哪，打開就有。
差別在哪一目了然——句子變短了，形容詞不見了，開頭先講「對你有什麼好處」，而且讀得出一種「替你省事」的語氣。同樣的功能、同樣的 AI，差的只是你餵進去的東西夠不夠具體。這就是 Prompt 工程在品牌口吻上真正的價值——它不是讓 AI 變聰明，是讓它知道你要的是哪一種聰明。
寫品牌口吻 Prompt 最常踩的三個坑
把方法講完，也要提醒幾個最容易把成效抵銷掉的失誤。
第一個坑，是只給形容詞、不給規則。 寫「語氣要活潑」不如寫「多用問句、多用第二人稱『你』、每段不超過三句」。形容詞是給人的感受，規則才是 AI 能照做的動作。把每一個品牌形容詞，都翻成一條「看得出有沒有做到」的具體規則，這是整件事最關鍵的一步。
第二個坑，是把禁用詞清單漏掉了。 機器感很大一部分來自那幾個被用爛的詞——「不容忽視」「至關重要」「在這個時代」「賦能」「打造」。與其只說「要寫得自然」，不如直接列一張黑名單，明令 AI 不准用。特定的禁用詞會壓過模型原本的罐頭語彙，效果立竿見影。同理，你也可以列一張「招牌詞」白名單，讓品牌的標誌性說法被優先用上。
第三個坑，是寫完就收，不給 AI 自我檢查的機會。 一個進階但很有效的做法，是在 prompt 最後加一段自我審查指令，要 AI 在輸出前，先用「品牌編輯」的角度把草稿重讀一遍，逐句對照禁用詞清單、檢查有沒有哪段語氣偏離了開頭。這一步特別能對付前面說的「指令衰減」——逼模型把結尾跟開頭比一比，把寫到後面飄掉的口吻拉回來，省下你大半的事後修改。
所以 AI 寫不寫得出品牌口吻，最後拼的不是它的能力，而是你把品牌的聲音「翻譯」成它聽得懂的語言這件事，做得夠不夠細。形容詞翻成規則、感覺翻成範例、品牌事實整理成隨時可查的素材——把這三件事做到位，你手上的 AI 就不再是一台只會講場面話的機器，而是一個摸熟了你家口吻的寫手。下次它再寫出那種誰都能用的罐頭句，你也會清楚知道，是哪一格還沒餵夠。