打開對話框，打進一句籠統的指令，AI給出的東西通常語句通順、格式工整，卻怎麼看都覺得少了什麼，套到任何品牌、任何情境都不會顯得奇怪。這不是AI寫得差，是它手上能用的線索太少，只好用最安全的方式把空白補滿。
很多人第一次認真想搞懂AI prompt怎麼寫，多半是被這種沒辦法預期的產出逼出來的：這次答案籠統得像官方新聞稿，下次又忽然跑版、跳出一堆自己延伸出來的細節，而這通常不是AI能力不夠，其實是提示詞（prompt）本身沒把任務交代清楚。提示詞就是你交給AI的指令，線索給得越具體，AI需要自己判斷的空間就越小，答案也越貼近你原本想要的樣子。只是多數人打開對話框就直接下指令，沒意識到自己漏了什麼。
好 prompt 不是運氣，是資訊給得夠不夠
AI不是通靈，也不是比誰聰明，它只能根據你給的文字判斷你要什麼。同一個問題，交給熟悉你想法的人和交給一個完全陌生的人，得到的答案品質天差地遠，AI也是同一套邏輯，只是它連「回頭問一句」的動作都省了，直接把猜測當成答案交出來。
Anthropic在自家的官方提示工程文件裡提到一個很直白的比喻，可以把AI想成一位聰明但剛到職的新人，他還不熟悉你的工作習慣與判斷標準，你交代得越精確，他做出來的東西越貼近你要的；交代得含糊，他就只能憑常識猜一個八九不離十的版本。換句話說，AI只會用一般知識補你沒講的空白，不會主動回頭問你。
具體會出現哪些症狀？讀者是誰沒講清楚，AI就寫成一篇誰都能看的通用稿；格式沒指定，它就自己決定要條列還是成段；資料的邊界沒劃清楚，它遇到你沒提供的細節，多半不會老實說不知道，反而順著文氣自己延伸一段看起來合理的內容。這些不是AI在亂來，是它在你留下的空白處，做出它認為最合理的選擇。
一個完整的 prompt，該有哪幾個部分？
常見的說法是把一段指令拆成角色、任務、格式、限制四塊。這套四段公式好用，但少了兩塊最容易讓答案從堪用進化成好用的關鍵，就是範例和查核標準。舉例來說，同樣是要AI寫一段文案，有沒有附上範例，產出的語氣會差很多。把六個要素攤開來看，會更清楚每一塊實際在幫AI補上哪一種判斷依據。
| 要素 | 這是在跟AI交代什麼 | 一句可直接套用的示範 |
|---|---|---|
| 角色 | 用什麼身分、什麼專業角度回答 | 你是負責社群經營的小編 |
| 任務 | 具體要完成的事，用動詞開頭 | 請幫我寫一則新品上市的貼文預告 |
| 背景 | 讀者是誰、事情的來龍去脈、已知資訊 | 新品是一款保溫杯，主打通勤族，下週三正式開賣 |
| 格式 | 成果最後長什麼樣子 | 輸出80字內的貼文，結尾附一句行動呼籲 |
| 範例 | 用具體示範取代一堆形容詞描述 | 語氣參考：「這杯，通勤路上先幫你把咖啡顧好」 |
| 查核標準 | AI怎麼自我檢查、不確定時怎麼標註 | 沒提到的規格或價格不要自己編，標成待補 |
OpenAI在官方的提示工程建議裡提醒，與其寫「大概簡短一點就好」這種模糊描述，不如直接講清楚「用三到五句話說明」，具體的長度與格式指示，永遠比籠統的形容詞可靠。Google針對Gemini的官方文件也把「哪些事能做、哪些不能做」列成獨立要素，並特別提醒範例的格式要前後一致，AI才不會學錯你要的樣子。
六個要素不必每次都寫滿，翻譯一句話這種單純任務，可能連任務跟限制都不用交代太細；但寫給客戶的信、企劃、學習計畫這種有明確對象、有目的的任務，六個要素填得越完整，得到空泛答案的機率就越低。簡單來說，重點不是寫得長，而是每一段都真的在幫AI補上判斷依據，不是硬湊字數。
從零動筆，跟著這 5 個步驟寫出堪用的第一版
知道要素有哪些是一回事，真的坐下來寫又是另一回事。與其對著空白對話框發呆，不如照下面五個步驟走一遍，通常十分鐘內就能寫出一版堪用的prompt。
- 先把任務縮小成一句動詞開頭的話：別一開口就要AI「幫我弄一份行銷企劃」，先拆成一個具體到可以交付的動作，比如「請幫我列出這場活動的十個社群貼文題目」。任務越具體，AI要腦補的範圍就越小。
- 補上背景與讀者：接著補一句「這是給誰看的、他已經知道什麼」。同樣是解釋一個新概念，講給國中生聽跟講給同業聽，內容深度完全不一樣；沒講清楚讀者，AI只能寫一份誰看都不上不下的版本。
- 指定輸出格式：明確講你要表格、條列、Email，還是固定欄位的輸出，例如「請用表格呈現，欄位固定為日期、主題、負責人」，答案就會整齊到能直接貼進文件，不用再手動重新排版。
- 視任務複雜度加一到兩個範例或一條查核標準：牽涉語氣或風格，貼一句你喜歡的例句給AI參考，比堆一長串形容詞更準；牽涉資料正確性，加一句「不確定的地方請標成待確認，不要自行補上」，能省下不少事後抓錯的時間。
- 送出第一版，準備照著回答再修一次：第一版prompt不必追求一次到位。送出去之後，看AI的回答哪裡還是空泛、格式有沒有跑掉、有沒有自己加了你沒提供的內容，這些線索會直接告訴你，原本的prompt漏了哪一段。
把五個步驟收進同一個模板，之後照抄修改就好，例如：
你是〔角色〕，請幫我〔具體任務，動詞開頭〕。
背景是〔讀者是誰、事情的來龍去脈〕。
輸出格式請用〔表格／條列／段落，並附上字數或欄位限制〕。
語氣與限制：〔語氣要求、不能做的事〕。
若有不確定或缺漏的資訊，請標成待確認，不要自行補上。Code language: plaintext (plaintext)答案還是不滿意，問題通常出在哪一段？
prompt寫完照著五步驟走一遍，答案通常會堪用，但如果還是不對勁，與其整段重寫，不如先從答案的症狀反推，通常是漏了哪一段。
| 答案的症狀 | 通常缺哪一段 | 下一句可以這樣補 |
|---|---|---|
| 內容空泛、像通用範本 | 背景、角色 | 「我的情境是……，讀者是……，請以這個前提重寫一次」 |
| 格式亂跑，跟你要的不一樣 | 格式 | 「請只用表格呈現，欄位固定為……，不要加開場白」 |
| 開始自己編了沒提過的細節 | 資料、限制 | 「只根據我提供的內容回答，缺的資料請標成待確認」 |
| 語氣太像廣告，油裡油氣 | 角色、限制 | 「改成給同事看的自然語氣，避免誇張的形容詞」 |
| 同一個問題，每次問答案都不太一樣 | 查核標準、範例 | 「請照這個範例的格式與用詞回答，不要自行變化」 |
| 聽不懂你的專業術語，答非所問 | 背景 | 「這是這個產業的專有名詞，指的是……，請照這個定義回答」 |
| 建議聽起來合理，卻沒辦法真的動手做 | 任務 | 「請把建議改成今天就能完成的三個步驟，並附上檢查方式」 |
把第一版 prompt 修成更好用的三個技巧
還要叫AI一步一步想嗎？
「請一步一步想」曾經是最容易見效的一招，尤其在數學、邏輯這類需要拆解步驟的任務上。不過這招的效力，在2026年主流的推理型模型上已經打折。Google針對Gemini較新系列模型的官方說明就提到，這些模型會在背後自動產生內部的思考過程，不太需要你特別要求它把推理步驟攤開寫出來。真正還有效的做法，是在真正吃重推理的任務上明講「這題需要仔細推理」，讓模型知道要多花一點力氣判斷，而不是每個問題都機械式加一句請逐步思考，反而拉長不必要的等待時間。
給範例比講一堆形容詞有效
與其在prompt裡塞滿「自然一點」「專業一點」這類形容詞，不如直接貼一段你喜歡的句子當範例，請AI照著範例的節奏寫、避開你附上的壞範例。這個做法業界稱為few-shot（範例引導），Google官方文件就提醒，範例的格式要前後一致，AI才會學到你要的樣子，而不是被不一致的範例搞混。簡單來說，你想要的語氣長什麼樣子，直接示範一次，通常比一長串形容詞更管用。
讓AI幫你反推、優化prompt
如果來回修改幾次還是覺得指令不夠精準，可以把目前的草稿貼給AI，直接問這段提示詞還缺什麼、請幫忙優化，它常常會反過來點出你漏掉的角色、背景或格式。另一個做法是反推，找一篇你很喜歡的文章或貼文貼給AI，請它分析語氣、結構與資訊密度，寫出一段之後可以重複使用、能寫出類似風格的指令。這段反推出來的prompt如果真的好用，才值得存下來重複使用，它是跟AI一起磨出來的，不是網路上抄來的萬用咒語。
這三個技巧之外，還有一個常被忽略的小細節。與其在prompt裡列一串「不要用條列式」「不要寫得太長」「不要提到價格」，不如直接講清楚你要AI做什麼，例如「用一段完整的話說明，控制在150字內，且不提價格」。Anthropic的官方建議就指出，正面描述通常比一長串負面指令更穩定，不過像字數上限、格式禁止這類明確的邊界，仍然可以用負面句直接講清楚，不必刻意迴避。
同一句 prompt，ChatGPT、Claude、Gemini 給的答案為什麼不一樣？
同一句prompt丟給三個助理，答案常常不只是用詞不同而已，深度、格式，甚至有沒有照做都可能不一樣。這不是誰比較聰明的問題，是三家背後的產品設計取向不同，照著它的個性寫prompt，往往比糾結哪一個模型最強更有效率。
ChatGPT在發想與多樣化產出上向來靈活，給它一個模糊的任務，它也願意自己延伸出很多可能性，但也因為這樣，不特別限制的話，一千字的任務它可能給到三千字還自己加標題。要它收斂，最有效的做法通常是丟一兩個範例讓它照著模式做，而不是列一長串規則。
Claude的官方文件反覆強調它對明確指令的遵循度，長規則、複雜的限制條件、角色設定，它通常都能從頭到尾記得並照做，適合寫需要精準控制格式與語氣的正式內容，例如合約摘要、正式信件。如果覺得它的回答太保守，可以在prompt裡直接鼓勵它大膽給出判斷。
Gemini的官方說明著墨最多的是長文本與多資料的處理，適合把整份會議紀錄、報告或好幾份文件一次貼進去請它整理。用它處理長內容時，官方建議把背景資料放在prompt最前面，具體的問題或指令放在最後，模型讀完整段資料再回答，效果會比指令放前面更穩定。
與其問哪一個模型最強，不如照它的個性挑寫法：要正式受控就照Claude的思路寫清楚規則，要多方案發想就照ChatGPT的思路給範例，要處理大量資料就照Gemini的思路把背景放前面。
台灣使用者寫 prompt，容易忽略的幾個地方
中文問還是英文問，怎麼選？
大型語言模型的訓練資料仍以英文為主，遇到需要深度推理、或想確認國際通用做法的題目，用英文提問有時能問出更扎實的內容。但只要牽涉台灣在地的法規、文化或用詞，就該切回中文，而且情境要指名清楚，例如直接寫「台灣的勞基法」而不是泛稱「勞基法」，模型才不會混用不同地區的用語或法規版本。語言是手段，把需求對準任務才是重點，不必為了該用哪種語言問糾結太久。
機密與個資，不能直接貼給AI
另一件容易被忽略的事，是把公司內部資料、客戶個資或未公開的合約條款直接貼進AI對話框。行政院頒布的《行政院及所屬機關（構）使用生成式AI參考指引》就明白提醒，機密文件、個人資料或未經授權公開的資訊，都不應該輸入生成式AI工具，AI給出的產出也還是要由使用的人自己評估風險，不能取代專業判斷。就算不是公務機關人員，同一個原則放在日常工作裡一樣成立，真的要處理敏感資料時，先去識別化再貼給AI，或者乾脆不貼。
學會把這幾個要素交代清楚，AI就從一個什麼都要猜的新人，變成一個真的聽得懂你需求的工作夥伴。真正決定答案好不好的，從來不是模型多新、參數多大，而是你願不願意花那十幾秒，把任務、背景、格式想清楚再送出去。下次打開對話框前，先別急著打字，想一下這次的答案最容易被AI誤解的地方在哪，把那一段補上，通常就夠了。