跟催一筆遲遲沒到帳的請款、婉拒一個不好推辭的邀約、幫同事的簡報抓修改方向，這幾種信，自己想破頭也擠不出得體的用詞，乾脆把來龍去脈整段貼給 ChatGPT，它也真的幾秒鐘就寫出一封起承轉合齊全的長信。複製貼上寄出後，信箱那頭卻遲遲沒有回音。
多數人以為，只要把背景交代得夠完整，AI 就能把信寫到位，於是把時間、對象、來龍去脈一股腦倒給 ChatGPT，換回一封讀起來四平八穩、卻沒人想認真看完的公版信，開頭一句「希望您一切安好」，中間繞了兩三段才切入正題。麥肯錫的研究就指出，一般職場工作者平均把 28% 的工作時間花在收發與回覆 email 上，這代表一封信被已讀不回，浪費掉的不只是禮貌，還有實際的工作時間。真正決定這封信有沒有人回的，往往不是內容夠不夠周全，而是有沒有把情境、語氣、長度這三個變數講清楚。這正是這篇要拆解的 ChatGPT 寫 email 提示詞公式。
先從「為什麼 ChatGPT 寫的信常常已讀不回」講起，再一步步拆進這套公式的核心。
ChatGPT 寫的 Email，為什麼常常已讀不回？
把一句模糊的目標丟給 ChatGPT，例如「幫我寫一封信給主管」，ChatGPT 收到的資訊只有「寫信」跟「對象是主管」，其餘的情境、語氣、長度全部空白。它不會因此拒絕動筆，而是用它訓練過最常見的寫法去填補這些空缺。這也是為什麼十封 AI 寫的信讀起來都差不多長、差不多硬，開頭幾乎都要來一句「希望您一切安好」。
Tomba 對提示詞結構的拆解點出，一則有效的提示詞需要五個要素同時到齊：角色、對象、目標、限制（包含長度、語氣、行動呼籲）、情境，少了任何一個，ChatGPT 就只能用平均值去填空，產出自然也跟著平均、跟著普通。Gmelius 針對 AI 生成郵件特徵的觀察也印證了這一點：AI 寫出來的句子常常拉到三、四十個字一句，中間塞滿轉折子句，加上大量制式化的客套語，讀起來工整卻沒有記憶點。
多數教學文章遇到這個問題，通常只顧著再多收集幾個「情境範本」讓讀者照抄，會議邀請怎麼寫、道歉信怎麼寫，卻很少解釋這些信讀起來生硬的根本原因。原因不在範本不夠多，而在多數人下指令時只顧著「內容夠不夠完整」，卻漏掉了長度這個更關鍵的變數。
為什麼信寫得越短，回信率反而越高？
字數這件事，在英語系的 email 研究裡有相當一致的證據。Boomerang 分析超過 4000 萬封信件的資料就發現，50 到 125 字（英文字數）的信，回信率都在五成以上，其中 75 到 100 字的信更達到 51%；信件字數一旦超過 200 字，回信率就開始下滑，拉長到 2500 字以上，回信率會直接跌破 35%。
這不是單一年份的巧合。Overloop 彙整 Boomerang、Lemlist、Instantly、Gong 等平台合計超過 400 萬封信件的 2026 年資料，得到的結論方向一致：50 到 125 字的信回信率是 8.2%，200 到 300 字的信只剩 3.9%；Instantly 的 2026 年度報告更指出，回信表現排在前一成的信件，字數幾乎都壓在 80 字以下。
這個「越短越好」的傾向到了 2026 年依然成立，甚至更吃重。Instantly 的 2026 年度報告顯示，整體信件的平均回信率只剩 3.43%。收件匣被大量 AI 生成的內容灌滿，讀者的耐性只會更少，能在前幾行就講完重點的短信，反而比以前更佔優勢。
換算到中文情境時，這裡不主張把英文字數研究硬套一個精確的中文字數公式，中英文本來就不是一個字對一個字翻譯，直接換算反而失真。比較實在的做法，是抓住這組數據真正要傳達的方向——一封信該有的長度，通常比你以為的還要短。與其在腦中默算字數，不如把長度想成「三到五句話，一次只講一件事，不超過手機一個畫面的高度」，這個量感，才是接下來要寫進提示詞裡的東西。
情境、語氣、長度，三個變數決定一封 Email 有沒有人回
把前面兩節的問題兜起來看，答案其實很單純——ChatGPT 會用平均值填空，是因為指令沒把該講的都講清楚；字數會直接影響回信率，是因為長度本身就是決定因素之一。解法其實是同一件事。把情境、語氣、長度這三個變數，在同一次指令裡一次講清楚，例如「請幫我寫一封〔情境細節〕的 email，語氣〔語氣描述〕，長度控制在〔字數或句數〕」，ChatGPT 就不用再自己用平均值去猜，這正是 ChatGPT 寫 email 提示詞公式的核心。這三個變數要同時出現在同一次指令裡，不是分開問三次、讓 ChatGPT 一次只補一塊。底下就從情境開始，一項一項拆開講。
情境要交代到什麼細節，AI 才不會亂猜？
情境要交代的，不是「這封信要幹嘛」這種籠統的一句話，而是三件具體的事：收件人跟你的關係與身分、這封信想達成的具體行動、還有背景原因。以請款信為例，「幫我寫一封請款的信」只給了目標，沒有情境；換成「一位行政人員要向財務部門請款，對方是負責審核的窗口，需要在本週五之前確認金額並回信，款項是上個月已經完成的外包案」，ChatGPT 收到的就是一個有頭有尾的場景，而不是一個空泛的任務。
差別看得出來。只給一句話目標時，ChatGPT 只能猜「請款信大概長什麼樣子」，寫出來的內容多半是套版式的「敬啟者，茲因本月費用尚待撥付，煩請查照」；情境交代清楚之後，它才寫得出「上個月的外包案款項還沒撥下來，想跟您確認一下金額，方便的話這週五前回覆就好」這種讀起來像真人在講話、對方一看就懂要做什麼的內容。
「專業」不是語氣，是還沒講清楚的語氣
多數人下指令時，語氣只會寫「專業一點」，但這其實還沒講清楚。語氣不是只有一個維度，至少要拆成兩層：一層是正式程度，決定用詞拘不拘謹；另一層是情緒溫度，決定這封信讀起來冷淡還是有溫度。單一個「專業」形容詞，兩層都沒講到，ChatGPT 只能挑一個它猜到的組合去填。
換成雙詞組合去描述，效果就完全不一樣：「專業中帶一點親切」寫出來的信，用詞正式但不生硬；「堅定但保留關係」用在婉拒或催辦上，態度明確卻不傷和氣；「中性而明確」則適合單純傳遞資訊、不帶情緒的通知信。這三組都比單一個「專業」更能讓 ChatGPT 抓到方向。
Boomerang 的研究也提供了一個佐證，略帶正向或負向情緒的信，比完全中立的信多獲得 10% 到 15% 的回信率，但情緒一旦過度飽和，例如整封信熱情到有點浮誇，效果反而會打折。這代表語氣不是只分「正式或不正式」，溫度這個維度同樣值得在提示詞裡講清楚，而不是丟給 ChatGPT 自己拿捏。
長度怎麼寫進提示詞，AI 才會自動收斂？
長度也一樣不能只寫「簡短一點」，因為「簡短」對 ChatGPT 來說彈性很大，200 字也可以叫簡短，50 字也可以叫簡短，結果每次產出的長度都不一樣。比較有效的做法，是直接給出句數或字數的上限，例如「用三到四句話講完」或「控制在一百字以內」，ChatGPT 才有一個明確的邊界可以收斂。
不同情境該抓多長，量感也不一樣。跟催信通常是最短的，兩到三句話就該講完，對方一眼就能看懂要做什麼；一般的請求信可以稍微長一點，把背景交代清楚，但仍然不宜超過五、六句；需要交代原委的道歉信或說明信，可以多留一點空間把來龍去脈講明白，但仍然要收在幾個段落內講完，不要拉成一篇說明文。
這三種 Email 情境，最常被忽略，也最常寫壞
會議邀請怎麼寫、道歉信怎麼開頭，這類常見場景網路上的教學已經寫得很細，這裡不重複。真正常被忽略的，是另外三種情境：婉拒請求、追蹤已讀不回的信，還有請同事給意見。這三種信難寫的原因很相似，不是不知道要講什麼，而是怕講得太直接傷了關係，或是顯得失禮、流於形式。以下逐一示範怎麼把情境、語氣、長度這套公式套進去。
婉拒請求，但不想把關係搞僵
要婉拒的請求先講清楚是什麼，例如某專案負責人被邀請加入一個時程衝突的合作案；拒絕的原因也要交代，好讓對方理解不是敷衍，而是真的排不進去；同時想保留未來合作的空間，這點也要放進情境裡。語氣上，禮貌但堅定是這種信最需要的組合，不卑不亢，既不會因為太客氣讓對方以為還有轉圜餘地，也不會因為太直接顯得冷淡。長度不宜太短，太短容易讓人覺得敷衍；也不宜太長，拖得越久越像在找藉口說服自己。
把這些變數放進提示詞，大致會是這樣：
請幫我寫一封婉拒合作邀請的 email。情境:對方邀請我加入一個為期三個月的專案,但時程跟手上另一個案子完全衝突,無法投入足夠心力。語氣:禮貌但堅定,清楚表達婉拒,同時保留未來合作的空間。長度:五到六句話,不需要長篇解釋原因。Code language: plaintext (plaintext)這樣的指令交出去，ChatGPT 才不用自己猜「婉拒信該有多客氣、該解釋到什麼程度」，而是照著給定的邊界寫。
追蹤已讀不回的信，但不想顯得在催
跟催信特別適合往短的方向寫。情境要交代清楚這是第幾次跟催、跟催的是什麼事，例如某行政人員已經寄過一次請款確認，三天過去還沒收到回覆；語氣要溫和，不能讓對方感覺被指責；長度這裡特別重要，前面提到字數越短、回信率越高的資料，在跟催信上最能派上用場。與其寫一整段解釋為什麼要催，不如直接把長度壓到最短。
提示詞可以這樣下：
請幫我寫一封跟催 email。情境:三天前已經寄過一次請款確認的信,對方還沒回覆,需要在這週內拿到確認。語氣:溫和,不指責,聽起來像單純提醒。長度:兩到三句話,語氣友善不催促。Code language: plaintext (plaintext)這種信寫得越短，讀的人壓力越小，反而比長篇解釋更容易換來一句回覆。
請同事給意見，卻只換來一句「都可以」
內部徵詢意見的信最容易寫得像走個過場，對方也常常隨手回一句「都可以」就打發過去。情境要具體點出想聽哪幾個面向的意見，而不是籠統問「有沒有意見」，例如某專案負責人想針對簡報的三個部分，結構、用詞、還有數據呈現方式，各聽一次同事的看法。語氣上，邀請式比交辦式更容易換來認真的回饋，「想聽聽你的想法」比「麻煩看一下」更容易讓對方願意花時間。長度可以比跟催信稍微長一點，把想問的幾個面向列清楚，讓對方有明確的東西可以回應，但還是要收斂在幾句話內，不要寫成一篇落落長的說明文。
範例指令：
請幫我寫一封請同事給意見的 email。情境:想請對方針對一份簡報的三個部分給意見,分別是整體結構、用詞是否清楚、還有數據呈現方式。語氣:邀請式,聽起來是真心想聽對方的想法,而不是交辦任務。長度:四到五句話,把三個想問的重點列出來。Code language: plaintext (plaintext)這樣的指令交出去，同事拿到的就是三個具體切入點，不用自己想「該講些什麼意見」，回覆的機率自然比籠統問一句「有沒有意見」高上不少。
生成之後，怎麼用同一個公式微調？
拿到第一版草稿之後，常見的做法是整個重新描述一次情境，再重下一次指令，但這樣其實浪費了前一次已經講清楚的資訊。比較有效率的做法，是針對「情境、語氣、長度」這三個變數裡沒到位的那一個，單獨下修正指令就好。Tomba 對提示詞框架的整理裡，把這種「已經有草稿、只是要微調」的情境獨立出來當成一種框架類型，跟從頭下指令的框架分開處理，也是同樣的道理。
微調指令可以很簡短，例如：
語氣不變,再溫和一點。Code language: plaintext (plaintext)情境不變,長度砍到六十字以內。Code language: plaintext (plaintext)內容不變,改成條列式重點,方便對方快速看完。Code language: plaintext (plaintext)每次只調整一個變數，ChatGPT 才不會因為重新理解整段情境而跑掉原本已經對的部分。三、四輪微調下來，通常就能拿到一封真正貼近需求的信，而且比每次都重新完整描述情境要快得多。
決定一封 email 有沒有人回的，從來不是內容寫得夠不夠周全，而是有沒有把情境、語氣、長度這三個變數講清楚，讓 ChatGPT 不用自己拿平均值去猜。這套 ChatGPT 寫 email 提示詞的公式，重點就在同一次指令裡把三件事都交代清楚，而不是分開問三次、各自猜一次。下次要請 ChatGPT 幫忙寫信之前，不妨先想好這三件事再下指令，那封曾經已讀不回的信，或許就會變成對方認真讀完、也願意回覆的一封。