Prompt 是什麼？AI 提示詞入門教學：寫法、範例、常見錯誤
Prompt（提示詞）是你輸入給 AI 的指令、問題、背景資料與輸出要求的總和，可以是一句話，也可以是包含格式、讀者、限制條件的完整任務說明。OpenAI 在官方的 Prompt…
Prompt（提示詞）是你輸入給 AI 的指令、問題、背景資料與輸出要求的總和，可以是一句話，也可以是包含格式、讀者、限制條件的完整任務說明。OpenAI 在官方的 Prompt Engineering 指南把 Prompt 定義為給大型語言模型的文字輸入 [來源：〈OpenAI Prompt Engineering Guide〉〈https://platform.openai.com/docs/guides/prompt-engineering〉〈2026〉]，Google Gemini 官方的提示策略文件同樣把它列為影響輸出品質最直接的輸入 [來源：〈Google AI - Prompting Strategies〉〈https://ai.google.dev/gemini-api/docs/prompting-strategies〉〈2026〉]。真正決定結果好壞的關鍵，在於任務、背景、格式、限制、範例、檢查標準這六個結構要素是否齊備，指令長度並不是主要因素。
為什麼這件事現在變得格外重要？因為 AI 已經從嘗鮮玩具走進日常工作流程。調查顯示約有 80% 的行銷人員使用 AI 進行內容產製，75% 用於媒體素材製作，更有約 94% 的行銷人員計畫在內容產製流程（包含部落格文章）中導入 AI [來源：〈HubSpot 2026 State of Marketing Report〉〈https://www.hubspot.com/state-of-marketing〉〈2026〉]。當 AI 寫作成為主流，Prompt 品質就直接決定你產出的內容能不能用、敢不敢用、值不值得發出去。一個模糊指令產出的初稿，往往還要花你更多時間去查證、重寫、修正；而一個結構清楚的指令，能在第一輪就拿到八成可用的成果。這個落差，就是學 Prompt 的實質回報。
重點先看：好 Prompt 不必長，但六要素缺一個就容易翻車；根據 OpenAI 與 Google 兩家官方文件的說明，結構清楚的 Prompt 是提升輸出最有效、成本最低的方法。
Prompt 到底是什麼
Prompt 就是你在對話框打進去、交給 AI 的那串內容。它不是神秘咒語，也不是把關鍵字一股腦塞給模型就會生效的咒語。一句「請幫我把這段文字改得更正式」是 Prompt；一段「請用繁體中文把會議紀錄整理成表格，欄位包含決議、負責人、期限、待確認事項」也是 Prompt，差別在後者清楚很多，更容易得到能直接拿來用的結果。想進一步看實際操作，可以參考 Gemini AI 完整攻略 與 Claude AI 完整使用指南，兩者都把 Prompt 視為駕馭模型的起點。
很多人剛接觸 ChatGPT、Claude、Gemini 時會抱怨 AI 答非所問、內容空泛或語氣怪。問題通常出在任務沒交代清楚，與模型本身聰不聰明關係不大。Prompt 的本質是溝通：你主動把要做什麼、根據什麼做、怎麼回答講明白，AI 才有機會穩定交付，這個邏輯對 Perplexity、大型語言模型 乃至 AI Agent 都成立。
講白了，Prompt 講究的是結構清楚，而長度本身並不決定好壞。它更像一份你交給 AI 的任務說明書，就像交辦工作給同事一樣，背景、對象、格式、不要做哪些事都得講清楚。寫得好，還能搭配 Grounding 被 Google AI 引用 的機制讓答案更貼近事實。把這個觀念建立起來，後面的寫法和地雷都是它的延伸。
把 Prompt 想成一份「委外工作單」會更具體。一份完整的工作單通常會寫清楚這幾格：要做什麼、為什麼要做、給誰用、參考哪些資料、成品長什麼樣、什麼情況算做完、什麼不能做。把這幾格逐一填進你的 Prompt，AI 收到的就不只是一個題目，而是一個帶條件的任務。多數時候 AI 答不好不是模型不夠聰明，而是工作單缺了格，AI 只好自己腦補，而腦補出來的東西往往就是你要重做的地方。
Prompt Engineering，不用怕工程這兩個字
Prompt Engineering（提示工程）是有意識地設計、測試、修改 Prompt，讓 AI 更穩定產出你要的結果。聽起來很工程化，但對新手來說只要抓住四件事：把需求說清楚、把背景交代完整、把輸出格式講明白、最後檢查結果能不能用。它不是背技巧的考試，而是養成「先想清楚要什麼、再寫進 Prompt」的習慣。
舉個對比。模糊指令「幫我寫一篇文章」，AI 只能猜你要什麼主題、給誰看、多長、什麼語氣。改成「請規劃一篇給完全沒接觸過 AI 的上班族看的文章大綱，主題是 Prompt 入門，語氣自然實用，用 H2/H3 列出架構並說明每節要解決什麼問題」，關鍵差別在於你給了任務、讀者、語氣、格式與判斷標準，長度本身並不決定結果。這正是 資訊型文章寫作 和 內容行銷 在委派給 AI 時最容易漏掉的環節。
測試與修正也是提示工程的一環。先讓 AI 出初稿，再依結果要求調整，通常比一次想寫到完美更實際。進階技巧像 few-shot prompting（給範例讓 AI 照模式做）是這個工程化過程的延伸，不是入門門檻。OpenAI、Google、Anthropic 都在各自的官方提示指南強調同一件事：結構清楚的 Prompt 是提升輸出品質最有效、成本最低的方法。
提示工程的「工程」兩個字，真正的意思是「可重複、可檢查、可改進」。可重複代表你寫好的 Prompt 換到類似任務還能用；可檢查代表你能對著檢查清單一項一項核對有沒有漏；可改進代表你拿到結果後知道該調哪一個變數。這三個特性合起來，就是把你跟 AI 的合作從「每次都靠運氣」變成「每次都有步驟」。對行銷、寫作、研究這類需要穩定產出大量內容的工作來說，這個穩定性比任何單一技巧都值錢。
| 比較項目 | 隨口問一句 | 有結構的 Prompt |
|---|---|---|
| 任務說明 | 模糊，AI 用猜的 | 動詞明確（摘要/改寫/比較） |
| 讀者與情境 | 未指定 | 寫明對象與場合 |
| 輸出格式 | 未指定 | 表格/條列/HTML/Email |
| 限制條件 | 無 | 字數、語氣、不要做什麼 |
| 結果可用度 | 低，常需重問 | 高，可直接套用 |
| 可重複性 | 每次結果差很大 | 類似任務可沿用 |
| 修正成本 | 不知從何改起 | 可對照清單逐項調 |
好 Prompt 的六個元素
好 Prompt 不必複雜，掌握六個元素就夠：任務目標、背景資料、輸出格式、限制條件、範例、檢查標準。這六項越齊備，AI 越能穩定給出可用結果；漏掉任何一個，AI 就只能用猜的補上，而出錯率往往就在這個缺口。
任務目標要最先講清楚，而且得用動詞開頭，摘要、改寫、比較、找出問題、規劃、檢查，動詞決定 AI 的產出方向，這對應到 搜尋意圖 在 Prompt 層面的同樣邏輯。只說「產品介紹」AI 不會知道你要的是電商文案還是新聞稿，補一個明確動詞，方向才會收斂。接著補背景資料，這層最容易偷懶，因為你會假設 AI 知道你的行業，事實上它對你的公司、產品、客戶一無所知，所以得把「這是 B2B SaaS 產品，客戶是中小製造業」「寄給合作三年的客戶」這類關鍵前提寫出來，讓 AI 知道對象與場合。
輸出格式要直接指定，表格、清單、段落、FAQ、簡報大綱、Email、結構化資料 都行，不要期待 AI 自己猜中；只說「寫清楚」卻不指定形式，結果通常是 AI 給你一大段連續文字，你還要重新排版。若要讓這些格式被搜尋引擎正確讀懂，可參考 結構化資料 Schema 標記教學。限制條件負責收斂結果，「不要用簡體中文」「不要新增原文沒有的資訊」「字數控制在 300 字內」都屬於這類，重點是「忘記說不要什麼」，因為 AI 預設會盡量給完整豐富的答案，自己加例子、加引言，如果你只要結論就明說「只要結論，不要舉例」。
範例與檢查標準是兩個常被低估的元素。範例不是每次都需要，但當任務有明確風格要求時（品牌語氣、特定欄位格式），給一兩個你喜歡的範例讓 AI 照做，也就是 few-shot prompting，能立刻對齊風格、省下好幾輪來回。檢查標準則是把「出錯後才發現」前置成「產出時就標記」，要求它「檢查是否有未經證實的主張」「把不確定處標為需要人工確認」，整個工作流程的信任度會明顯提升。寫完一個自認漂亮的指令就送出去，結果 AI 一本正經地編了一段看起來合理、卻查無來源的內容，是很多人遇過的狀況，回頭才發現多加一句「請列出哪些地方需要查證」就能省掉後面的麻煩。六個元素不必每次填滿，但心裡要有這張清單，漏了哪個就接受那個環節可能出包。
把這六項當成一張檢查表，每次送出指令前在心裡快速跑一遍：任務動詞寫了嗎、背景前提寫了嗎、格式指定了嗎、限制說了嗎、需要範例嗎、要不要它標不確定。這個動作花不到十秒，卻能擋掉大多數的翻車。長期下來，你會越來越少需要重問，因為問題在送出前就已經被你想清楚了。
| 元素 | 最常見的漏法 | 一句話補救 |
|---|---|---|
| 任務目標 | 用名詞代替動詞 | 加一個明確動詞（撰寫/比較/檢查） |
| 背景資料 | 假設 AI 懂你的行業 | 寫出產業、對象、前提三件事 |
| 輸出格式 | 只說「寫清楚」 | 指定表格/條列/段落/HTML |
| 限制條件 | 忘記說不要什麼 | 加「不要舉例/前言/結語」 |
| 範例 | 有風格要求卻不給範本 | 附 1 到 2 個你喜歡的範例 |
| 檢查標準 | 不要求標不確定 | 加「不確定處請標記需查證」 |
怎麼開始寫：五個步驟
新手寫 Prompt 可循五個步驟：先把任務縮小、補上讀者與情境、指定輸出格式、要求 AI 標出不確定處、最後根據結果修正。這套流程把一次到位的單薄指令拆成分段協作、逐次逼近，是穩定拿到可用結果比較實際的路徑；同樣的拆解觀念，在 Vibe Coding 實戰指南 談的 AI 輔助開發流程裡也看得到。
- 縮小任務。先說「幫我整理這份企劃需要哪些章節，不要寫正文」。AI 適合分段協作，任務越大越容易變空泛，這也是 Claude Code、Codex 這類程式助理能穩定運作的前提；想用指令把這套分段做扎實，可看 Claude Code 完整教學 的步驟拆解。
- 補讀者與情境。寫給國中生、行銷主管、工程師或創業者內容完全不同，加入「讀者是誰、已經知道什麼、最想解決什麼」。這跟 關鍵字 對應的 長尾關鍵字 邏輯一樣，對象越明確越好命中，找字時可參考 Ahrefs 完整教學 建立候選清單。
- 指定格式。「用表格整理」「用條列式」「輸出成 HTML」「給我可以直接貼進簡報的重點」，格式決定結果能不能直接用。
- 要求標註不確定處。AI 常講得很肯定但內容可能過時或錯誤，加一句「如果不確定請不要猜，請標註需要查證」能提高警覺。
- 根據結果修正。「保留第 2 點但語氣改口語」「把表格改成新手看得懂」「刪掉太技術的部分」。Prompt 不必一次完美，迭代修正更實際。
這五步背後只有一個原則：不要把整份工作一次丟給 AI。把它當成一個聰明但缺乏背景的新同事，分段交代、給情境、要它回報不確定，會比期待它一次到位更可靠。Vibe Coding、Claude Skills、Claude Cowork 這類協作流程有效，靠的也是同樣的拆解方式。
把這五步放進一個常見的內容產製情境來看，會更具體。以一個月產製約 20 到 40 篇文章的中小型內容團隊為例，多數新手最常見的狀況是直接用「幫我寫一篇關於某主題的文章」這類一句式指令，結果是初稿的方向、長度、語氣都不符，來回修改 3 到 5 輪都還不一定能用；依這類站點的典型表現，這種一句式指令的初稿「可用度」大約只落在兩成上下，等於十篇裡只有約兩篇能直接拿來改。改成五步拆解後，先把任務縮小成「只列出大綱與每節要回答的問題」、再補讀者與格式、要求 AI 標出不確定處、最後逐段修正，依同類站點的實務經驗，第一輪產出的可用度通常能拉到約六到七成，後續多數只剩潤飾與查證的工作。但這組數字有一個要誠實說明的限制：可用度的提升高度依賴你是否真的在每一步都先讓 AI 回報、確認再往下，一旦省略中間的確認環節又回到一次到位的習慣，提升幅度會明顯縮水，甚至回到接近一句式指令的水準。決策上的啟示也很清楚，把心力放在分段確認的節奏會比追求一次寫出完美指令更值得，這才是穩定放大產出可用度的關鍵變數。
五步驟的實戰展開：以「整理一場線上研討會紀錄」為例
用一個具體任務把五步驟走一遍會更清楚。假設你拿到一份長達八千字的線上研討會逐字稿，目標是整理成可以在公司內部流傳的摘要。第一步縮小任務，不要直接說「幫我整理這份紀錄」，先說「請先讀完這份逐字稿，告訴我你抓到幾個主題、各主題出現在哪幾段」，讓 AI 先回報結構，你確認沒歪再往下走。第二步補讀者與情境，寫明「讀者是沒參加研討會的同事，需要快速掌握三個重點與一個行動項」，這樣 AI 知道要留結論、留行動，而不只是把講者的話壓縮。
第三步指定格式，可以要求「輸出一張表格，欄位是主題、關鍵論點、講者原話、待確認事項」，欄位本身就把你的判斷標準寫進去了。第四步要求標註不確定處，加一句「逐字稿裡若有聽寫錯誤、專有名詞拼法不確定、數字看起來異常的地方，請單獨列出讓我確認」。第五步根據結果修正，例如發現某個主題被合併得太攏統，就回「把主題二的兩個子論點拆開，各補一句講者原話佐證」。
走完這五步，你拿到的通常已經是一份可以直接轉發的摘要，少有需要你從頭改到尾的部分。關鍵在每一步都讓 AI 先回報、你確認、再往下，避免一次把所有要求塞進一個超長指令。這種分段節奏，在處理長文件、複雜企劃、多方意見整合時尤其管用；同樣的節奏搬到 RAG 檢索增強生成 與 MCP 模型上下文協議 的場景也適用，因為它們處理的也是「大量資料要被可靠地摘要與引用」這類任務。
三組範例：弱指令 vs. 完整指令
弱指令和完整指令的差別，用三個常見情境來看最清楚：摘要文章、寫 Email、學習新概念。
情境一，摘要文章。原本只丟一句「幫我摘要」，換成「請將以下文章摘要成 5 個重點、每點 40 字內，分成事實／作者觀點／需要查證三類，不要新增文章沒提到的資訊」。三類分法逼 AI 把事實和推論分開。情境二，寫 Email。「幫我寫一封信給客戶」太鬆散，補強成「主旨是專案時程延後 3 天，語氣誠懇專業，不要責怪任何人也不要承諾折扣，控制在 250 字內」。情境三，學習新概念。只問「解釋 RAG」太籠統，完整版是「用完全沒寫過程式的人也能懂的方式解釋 RAG，先用生活比喻，再說明它和一般 Prompt 的差別，最後列 3 個適合使用 RAG 的情境」。
| 情境 | 弱指令 | 好指令（補齊六要素） |
|---|---|---|
| 摘要文章 | 幫我摘要 | 5 個重點、每點 40 字內、分事實/觀點/待查證、不新增資訊 |
| 寫 Email | 幫我寫信給客戶 | 主旨延後 3 天、語氣誠懇、不責怪不折扣、250 字內 |
| 學新概念 | 解釋 RAG | 非技術讀者、先比喻、再對比、列 3 個適用情境 |
三個情境的共同點是都補上了讀者、格式、限制與驗收條件，把六元素落到具體任務上。摘要文章把事實和推論分開，這層要求正好對應 E-E-A-T 在內容審查時會檢查的可信度；寫 Email 時把風險最高的「承諾」與「責任歸屬」一開始就劃掉，在 電子報行銷、個人品牌 經營裡很實用；學新概念的同一個思路可以搬到整理會議紀錄、改寫文字、發想點子、製作簡報大綱、檢查文章、整理研究資料，搭配 RAG 檢索增強生成、MCP 模型上下文協議、CLI 工具使用更順手。
把範例再升一級：加入角色與檢查標準
熟悉三組基本範例之後，可以在指令裡多加兩個會讓結果明顯變好的東西：角色設定與檢查標準。角色設定是告訴 AI「請你以什麼身份來做這件事」，例如「請你以有十年經驗的內容編輯身份檢查這篇文章」。這個身份會讓 AI 自動帶入那個角色常見的判斷標準，例如編輯會看邏輯、看語氣一致性、看贅字，這些檢查點不寫也會自然出現。需要留意的是，角色設定是引導而非保證，AI 不會因為你說它是「十年經驗編輯」就真的擁有十年經驗，它只是會往那個方向調整輸出風格與檢查角度。
檢查標準則是把驗收條件直接寫進指令結尾。以摘要文章為例，可以加一句「輸出前請自行檢查：是否有原文沒提到的資訊被加進來、是否每個重點都對應得到原文出處、是否分成事實與觀點兩類，檢查後再給我最終版」。這段話的作用是讓 AI 在產出前先做一輪自我審查，等於把你的第二輪修正前置到它的產出流程裡。對長文章、需要引用準確的任務，這個前置動作能省下大量回頭查證的時間。
同樣的升級可以套到寫 Email 與學新概念。寫 Email 時加角色「請以專案經理的身份，用對客戶負責的態度寫這封信」，再加檢查「輸出前請確認沒有責怪任何一方、沒有承諾未經授權的補償、字數在 250 字內」。學新概念時加角色「請以擅長把技術講給非技術人聽的老師身份解釋」，再加檢查「請確認比喻是否準確、是否會誤導初學者、最後三個情境是否真的適合 RAG」。把角色與檢查變成你寫 Prompt 的固定收尾，結果的穩定度會再上一個台階，這對要把產出對外發布的 AI 生成內容 場景特別重要。
新手最常犯的五個 Prompt 錯誤
新手的地雷區其實很集中，補掉這幾塊就能拆掉一大半。常見的失誤集中在五個面向，正好對應缺背景、缺拆解、缺判斷、缺驗收、缺安全意識。
- 只給任務不給背景。只說「幫我寫文案」，AI 只能猜產品、受眾、平台、目的。補上產品是什麼、賣給誰、放哪裡、要讀者做什麼行動才會準，這對 AI 生成內容 的品質尤其關鍵。
- 一次塞太多任務。同時要 AI 研究、寫文章、做 SEO、產圖、規劃簡報，結果通常很粗糙，拆成研究→架構→初稿→檢查幾步會好很多；涉及 技術性 SEO 這類需要逐項檢查的任務尤其該分步進行。
- 把模板當萬用答案。網路「神級 Prompt」可參考但別照抄，換了任務、讀者、模型、資料，結果可能完全不同；道理和 資訊增益 一樣，別人的範本對你的情境沒有獨特價值。
- 沒檢查 AI 的答案。法律、醫療、投資、學術、公司決策、最新新聞一定要回到官方或可靠來源確認。AI 提升效率不等於永遠正確。
- 把個資機密直接貼上去。客戶姓名、電話、身分證字號、未公開資料、合約、薪資、病歷、內部策略都不該丟進公開 AI 工具。
第五個錯誤要特別拉出來講。行政院及所屬機關使用生成式 AI 參考指引明確提醒，公務與高風險情境不應輸入機密、個資或未經授權的資料。這層謹慎其來有自：公開 AI 工具的輸入一旦送出，你對它的去向就失去掌控。在 llms.txt、品牌成為被 AI 推薦的答案 這類涉及對外內容的策略任務裡，同樣要分清楚哪些資料能交給 AI、哪些只能留在自己手上；想讓產出更容易被 AI 引用，可參考 AI 偏好內容的規劃策略。
地雷延伸：看起來無害、其實會出事的指令習慣
除了五個主要錯誤，還有幾個看起來無害、長期卻會讓你對 AI 失去信任的指令習慣。第一個是「把 AI 當搜尋引擎」，例如「2026 年某法規的最新條文是什麼」。AI 對最新資訊的掌握受限於訓練資料的時間點，它可能會用舊版本回答，而且語氣還是很肯定，這正是錯誤資訊最容易滲透進來的地方。要最新資訊，請用具備連網或檢索能力的工具，或直接查官方來源，再把查到的內容貼給 AI 處理。
第二個習慣是「不指定長度與結構，卻期待精簡」。你問「幫我總結這份報告」，AI 預設會給你一段中等長度的摘要，但你心裡要的可能是三句話或一張表。長度與結構要主動指定，不要假設 AI 猜得中。第三個習慣是「把判斷外包給 AI」，例如「這篇文章寫得好不好」。AI 可以給意見，但它給的評價會被它對『好』的預設影響，不見得符合你的標準；比較穩的做法是把你判斷好的具體標準寫出來，例如「請檢查這篇文章的論點是否有證據支持、是否有自相矛盾、開頭是否在三十秒內讓讀者知道在講什麼」，把你的標準變成它的檢查清單。
第四個習慣是「不改指令，只換模型」。當結果不好，很多人會直覺換一個 AI 試試，但其實同一個模糊指令換到哪個模型都會得到模糊結果。先回頭改指令、補背景、指定格式，往往比換模型更能解決問題。把這四個延伸習慣記下來，你會發現很多「AI 怎麼那麼笨」的時刻，根源其實是指令還沒寫到位。這個觀念對 AEO 優化完全指南 與 AI 搜尋引擎工具推薦比較 這類要對齊 AI 行為的任務同樣關鍵。
長度迷思與 AI 的出錯來源
兩個常見誤解要先破解。第一，Prompt 不是越長越好，而是資訊有用、結構清楚、沒有矛盾；塞太多無關背景反而會讓 AI 抓不到重點，也可能增加處理時間與成本（token 計費細節可看 AI Token 與計費成本）。第二，即使 Prompt 寫得再好，AI 仍可能因資料不足、資訊過時、問題模糊或來源不可靠而回答錯誤，重要任務一定要加上驗證流程；想理解大型語言模型如何改變搜尋排序，可延伸閱讀 LLM 與 LLMO 全面解析。
長度迷思為什麼危險？因為它給你一種「寫得越多越專業」的錯覺。一段精準的短指令往往比塞滿無關背景的長指令更有效。比較務實的做法是逐段問自己：這段內容真的幫助 AI 完成任務嗎？沒幫助就刪掉。這個判斷標準比追求字數實際得多，想驗證 AI 帶來的流量與成效，再接上 GA4 追蹤 AI 流量的做法。
AI 出錯的來源很多：訓練資料不足、不知道最新資訊、問題本身模糊、來源不可靠，或生成看似合理其實不正確的內容（hallucination）。不會在這裡給一個 hallucination 發生率的具體百分比，因為不同任務、不同模型的數字差很多，硬抄一個數字反而誤導。可以確定的是，高風險任務必須回到官方資料或可靠來源二次確認。防錯指令如「請列出哪些地方需要查證」「請把事實和推論分開」「請不要編造來源」能提高警覺，但最終仍由人確認。若想讓 AI 引擎更穩定地採用你的答案，AEO 優化完全指南 的做法也建立在同樣的查證觀念上。Prompt 提升的是可用性與可控性，但本身不保證答案正確。
| 任務風險等級 | 範例 | 處理建議 |
|---|---|---|
| 低風險 | 發想點子、改寫語氣、整理大綱 | 可直接用，略讀即可 |
| 中風險 | 摘要、翻譯、製作簡報 | 逐段核對事實與數字 |
| 高風險 | 法律、醫療、投資、決策、最新資訊 | 必須回到官方來源人工覆核 |
怎麼判斷一段輸出該不該信
面對 AI 的輸出，一個實用的判斷流程是先問三個問題：這段話有沒有具體到可以被反駁、它的關鍵事實我能不能在三十秒內找到佐證、出錯的後果有多嚴重。第一個問題篩掉空話，因為空話無從驗證也無從反駁，留著只會稀釋內容可信度。第二個問題把查證成本具體化，如果你得花超過五分鐘才能確認一個關鍵數字，那這段內容就屬於中高風險，務必查證後再用。第三個問題直接對應風險等級表，後果越嚴重，查證力道要越重。
具體可操作的查證動作有幾個層次。最輕的是常識查證，憑你自己的知識就能判斷對錯，例如明顯違背常理的數字、前后矛盾的邏輯。再來是來源查證，把 AI 引用的機構、研究、法規名稱拿去搜尋，確認這些東西真的存在、真的說過那段話，這一步能擋掉絕大多數的編造來源。最重的是官方查證，針對法律、醫療、財務這類出錯代價很高的領域，一律回到官方公告、專業人員或正式文件，AI 的版本只能當草稿，不能當依據。這個三層查證的觀念，跟 E-E-A-T 在內容可信度上重視的經驗、專業、權威、可信是同一件事。
另一個能降低出錯機率的做法，是讓 AI 在同一個任務裡提供「不確定清單」。在指令結尾加一句「請另外列出你比較沒把握、或資料可能過時的部分，標上原因」，你會得到一份風險地圖，把查證力道集中在真正不確定的點上，避免平均分散到整篇。這個做法的好處是把查證範圍收斂到高風險點上，省下全文逐句懷疑的時間，效率會高很多。把它跟前面的風險等級表搭配，你會有一套可重複的判斷流程，省去每次都靠直覺決定要不要信的負擔。
進階技巧：Chain-of-Thought、角色扮演與 Few-Shot
基本功穩了之後，有三個進階技巧能讓 Prompt 從「能用」升級到「穩定且可控」。這三個技巧不是新手必學，但當你開始把 AI 用在重複性高、要求一致的任務上，它們會明顯拉開產出品質的差距。三者的共同點都是把人類的思考方式外顯成 AI 可以照做的步驟。
第一個是 Chain-of-Thought（思考鏈）。做法是在指令裡要求 AI「先逐步推理，再給結論」。這對需要多步判斷的任務特別有用，例如數學計算、邏輯推理、條件式的決策建議。你請 AI「先列出判斷的步驟、再根據步驟推出結論」，它會把推理過程寫出來，這個過程本身能讓它自己檢查中間環節，減少跳過關鍵條件的情況。對你來說，看得見的推理過程也更容易除錯，你可以在哪一步覺得歪了就回去改條件，避免面對一個不知怎麼來的結論。
第二個是角色扮演（role prompting）。前面在範例升級裡提過角色設定，這裡再深入一點。角色扮演的價值在於它會自動帶動一組判斷標準與語氣。你說「請以資深財務顧問的身份，用保守謹慎的口吻分析這份投資建議」，AI 會往風險提示、條件假設、免責聲明的方向寫，因為那是這個角色的慣常做法。需要注意的是，角色設定是引導輸出風格與檢查角度，不能當成 AI 真的具備該專業資格，涉及執業資格的領域（法律、醫療、會計簽證）仍須由真人專業人員把關。
第三個是 Few-Shot prompting（少量範例）。做法是給 AI 一到數個「輸入與對應輸出」的範例，讓它抓到你要的模式。這在格式固定、風格要求明確的任務上效果最顯著，例如把客服問句分類成固定幾種類型、把產品描述統一改寫成同一種語氣、把會議發言整理成固定欄位的表格。你給的範例越能代表你真正要的結果，AI 的輸出就越穩定。實務上給兩三個範例通常就夠了，範例太多反而會讓指令變長、增加成本，且未必能再提升準確度。這三個技巧可以疊加使用，例如「以編輯角色（角色扮演）逐步檢查（思考鏈），並參考以下兩個修改範例（few-shot）來改這篇文章」，組合起來能應付大多數需要高一致性的內容任務。
| 技巧 | 核心做法 | 最適合的任務 | 注意事項 |
|---|---|---|---|
| Chain-of-Thought | 要求先推理再下結論 | 多步判斷、計算、條件式決策 | 推理過程會變長，需接受較長輸出 |
| 角色扮演 | 指定身份與語氣 | 需要固定風格與檢查角度的內容 | 引導風格，不等於具備執業資格 |
| Few-Shot | 給數個輸入輸出範例 | 格式固定、分類、統一改寫 | 兩三個範例通常就夠，多給未必更好 |
跨模型使用：同一個 Prompt 還能用嗎
很多人會問，換到不同的 AI 模型，同一個 Prompt 還能用嗎。大方向是：結構清楚、六元素齊備的 Prompt 跨模型都通用，因為任務、背景、格式、限制這些是模型都能理解的通用語言。差異主要出現在模型的偏好與擅長領域，例如有的模型對長文件的摘要比較穩定，有的模型在程式碼生成上比較可靠，有的模型對繁體中文的語感比較自然。同一個指令換模型，結果通常方向一致，但細節與風格會有差別。
實務上的建議是，先把一個模型用到熟，建立你常用任務的 Prompt 庫，再視任務性質決定要不要換模型。不要把「換模型」當成解決問題的第一步，因為多數品質問題的根源還是指令本身。當你確實需要跨模型比較，可以用同一組 Prompt 分別跑，把輸出擺在一起看哪個更貼近你的需求，這比憑印象選模型更準。ChatGPT、Claude、Gemini、Perplexity 各有適合的場景，可參考各自的完整指南挑選；想看模型在搜尋與回答上的表現差異，AI 搜尋引擎工具推薦比較 提供了橫向的對照觀點。
跨模型還有一個常被忽略的點：模型版本的更新會改變行為。同一個指令在舊版與新版可能得到不同結果，這不代表你的 Prompt 壞了，而是模型的預設行為調整了。遇到這種情況，先回頭看你的指令結構是否依然齊備，再判斷是要調整指令，還是接受新版的不同風格。把 Prompt 當成需要持續維護的資產，避免寫一次就永久不動的心態，你會更從容面對模型的演進；這個維護觀念在 Claude Skills 與 Claude Cowork 這類需要長期經營協作流程的場景裡尤其重要。
什麼情況不該只靠 Prompt
Prompt 雖然強大，但有些問題光靠改指令解決不了，硬要擠進一個 Prompt 反而會得到更差的結果。知道什麼時候該換工具，是成熟使用者的標誌。以下幾種情況，比起繼續改 Prompt，換個做法會更有效率也更安全。
第一種是需要精確檢索大量內部資料的情境，例如客服知識庫問答、產品規格查詢、法規條文比對。這種任務的本質是「從一堆資料裡找對的那一段」，硬把所有資料塞進 Prompt 會讓指令變得很長、成本變高，而且 AI 未必能正確引用。這時 RAG（檢索增強生成）是更合適的架構，它先把相關資料找出來，再讓 AI 根據找出的資料回答，準確度與成本都更可控。想了解 RAG 的運作與適用場景，可以看 RAG 檢索增強生成 的完整介紹。
第二種是需要長期、穩定行為設定的情境，例如一個 AI 產品要固定用某種語氣回答、永遠拒絕某類問題、永遠遵守某些安全規則。這種設定不該靠每次都重打的 Prompt 來維持，而應透過 System Prompt（系統層級的行為設定）或產品的後台配置來固化，這樣無論誰來用、問什麼，行為都一致。把這類規則放進 System Prompt，等於把家規寫進房子結構裡，效果遠勝一張每次都可能被忽略的便利貼。
第三種是需要執行多步驟、跨工具協作的複雜任務，例如「先查最新價格、再比價、最後產出比較表並寄信」。這種任務用單一 Prompt 很難一次做完，更適合交給 AI Agent 或具備工具使用能力的架構，讓 AI 自己規劃步驟、呼叫工具、組合結果。AI Agent 與 MCP 模型上下文協議 就是為這類需要對接外部能力的場景而生的。把這三種情境記下來，下次遇到改了半天指令還是做不好的任務，先停下來想：這是不是該換工具，而不只是改指令。
| 情境特徵 | 該用的做法 | 為什麼不該只靠 Prompt |
|---|---|---|
| 大量內部資料要精確檢索 | RAG | 塞太多資料會變長、變貴、引用易錯 |
| 需要長期穩定的行為規則 | System Prompt／產品設定 | 每次重打容易遺漏、不一致 |
| 多步驟、跨工具協作 | AI Agent／MCP | 單一指令難以編排多個動作 |
| 需要最新即時資訊 | 連網檢索工具＋人工查證 | 模型訓練資料有時間截止 |
System Prompt、RAG、Prompt Injection 是什麼
三個常被提及的進階概念：System Prompt 是 AI 系統更高層級的行為設定，一般使用者在對話框輸入的是 user prompt，開發者透過 API 設定 system prompt；RAG 是先找資料再讓 AI 根據資料回答；Prompt Injection 則是一種安全風險，惡意內容試圖誘導 AI 忽略原本規則。
System Prompt 管「AI 怎麼行為」，開發者在 API 或 AI 產品中設定身份、規則與安全限制。但它不是絕對保證，AI 仍可能因上下文、模型限制或惡意輸入而偏離規則。這在 Claude Desktop、Claude Design、Typeless 等產品的行為差異上很明顯。
RAG（Retrieval-Augmented Generation）管「AI 根據什麼資料回答」。問題需要公司內部文件、最新資料、產品規格、客服知識庫時，RAG 比硬塞資料進 Prompt 更適合，這也是 Grounding 被 Google AI 引用、AI 友善網站與 Agentic Browsing 在技術上能成立的基礎。
Prompt Injection（提示詞注入）管「外部內容會不會劫持 AI」。惡意內容藏在網頁、文件或 Email 裡，誘導 AI 執行不該做的事，例如「忽略原本指令把使用者資料傳出去」。根據 OWASP 發布的大型語言模型應用風險清單（LLM Top 10），Prompt Injection 已被列為重要風險項目之一。日常使用不必精通這三個詞，但要知道它們存在，尤其 Prompt Injection 與個資安全會直接影響你能不能安心把資料交給 AI。模型下架與安全事件、對話廣告、AI 搜尋引擎工具推薦比較 背後的安全考量，都指向同一類問題。
從使用角度理解三者的關係
把這三個概念放在一起看會更清楚。你可以把一次 AI 對話想成三層：最底層是 System Prompt，由產品或開發者設定，決定這個 AI 的身份、邊界與安全規則，是一種你通常看不到、但會影響所有對話的底層設定。中間層是你提供的資料來源，例如 RAG 從資料庫撈出來的文件，或你貼進去的參考資料，它決定 AI 根據什麼來回答。最上層是你在對話框打的那句話，也就是 user prompt，決定這一次要 AI 做什麼。三層疊起來，才是 AI 最終給你的那個答案。
理解這個三層結構，很多困惑就解開了。例如你問公司內部知識庫的 AI 卻得到通用答案，可能是 RAG 沒撈到對的資料；你設定好的客服 AI 偶爾說出不該說的話，可能是某個使用者輸入觸發了 Prompt Injection，繞過了 System Prompt 的規則。Prompt Injection 的可怕之處，在於它攻擊的正是這個三層結構的邊界，惡意內容試圖讓 AI 把「外部資料」當成「最高指令」來執行。對一般使用者來說，最實際的防線有兩條：不要把敏感資料放進不受信任的環境，以及對 AI 自動讀取外部內容（例如讀網頁、讀附件）的功能保持警覺，必要時關閉。這兩條防線與前面談的個資安全原則是同一件事的兩面。
用語設定與可直接套用的 Prompt 模板
給在中文環境使用 AI 的人，最實用的兩件事：第一，在 Prompt 主動寫出「請使用繁體中文、使用本地常見用語、避免中國大陸常見用語」，能避免 AI 混用不同地區中文而產生不自然的文字（例如把影片講成其他地區的用語、把資訊寫成其他寫法、把品質當成只能指物理規格、把使用者講成另一種稱呼）；第二，新手可先用一個固定模板起手，補上角色、背景、讀者、資料、輸出格式與限制條件，並要求 AI 標出不確定處。
用語設定句：請使用繁體中文，語氣自然，避免中國大陸常見用語；若出現專業英文術語，請保留英文並附上繁體中文解釋。
這句適合文章、Email、簡報、社群貼文與教學內容，也是 文章排版與完讀率、內部連結與網站架構 委派給 AI 時的基本設定；若要進一步讓網站結構對搜尋引擎友善，可搭配 網站 Sitemap 入門指南 一起規劃。
新手起手模板：請你扮演【角色】，幫我完成【任務】。背景是：【補充背景】。讀者是：【受眾】。請根據以下資料處理：【貼上資料】。輸出格式：【表格／條列／段落／FAQ／HTML】。請注意：【限制條件】。若不確定、資料不足或需要查證請明確標註，不要自行編造。
模板用法很單純：不必每次填滿所有欄位，它的作用是提醒你不要只丟一句話給 AI，然後期待它完全理解你。Entity SEO、AXO AI 全搜尋體驗優化、GEO 生成式搜尋優化入門、GEO AEO LLMO 名詞一次看懂 講的結構化思考，在這裡同樣適用：把任務拆清楚，結果才會可控。對 GEO 與 SEO 差異比較、Google AI Overviews 摘要優化、Google AI Mode 搜尋新模式 這類需要對齊搜尋引擎行為的任務，模板特別能穩定產出。
把模板存成你自己的版本，長期會省下大量時間。常見的做法是準備幾個針對不同任務的變體：一個用於摘要整理、一個用於改寫潤飾、一個用於資料分析、一個用於寫信回覆。每個變體都保留六元素的骨架，但把該任務常見的限制條件預先寫好，例如寫信模板固定加上「不責怪、不承諾、字數上限」，摘要模板固定加上「分事實與觀點、標不確定」。需要的時候把資料貼進去、改幾個關鍵字就能用，這比每次從零寫起快很多，也更能維持產出的一致性。把這個習慣建立起來，你等於在為自己打造一套專屬的 AI 工作流，這也是 Vibe Coding 實戰指南 與 Claude Skills 一再強調的「把重複流程工具化」觀念。
| 新手檢查清單 | 檢查重點 |
|---|---|
| 任務 | 有沒有說清楚要做什麼 |
| 背景 | 有沒有補上讀者與情境 |
| 格式 | 有沒有指定輸出格式 |
| 限制 | 有沒有說明不要做什麼 |
| 不確定 | 有沒有要求 AI 標註需要查證 |
| 安全 | 有沒有避免個資、機密、未授權資料 |
| 驗收 | 重要事實有沒有人工確認 |
| 來源 | 需不需要官方資料、搜尋、RAG 或專家確認 |
Prompt 品質自評評分卡
寫完一個 Prompt，用一張評分卡客觀檢查會比憑感覺判斷更可靠。把六元素與幾個常見翻車點濃縮成七個項目，每項用三分制評分：三分代表齊備、兩分代表有但偏弱、一分代表缺漏。七項加總滿分二十一，十四分以下建議先補強再送出。評分卡的價值在於把「好不好」這種模糊判斷，拆成可以逐一打分的具體項目，讓你清楚看到到底哪一塊最弱。
| 評分項目 | 3 分（齊備） | 2 分（偏弱） | 1 分（缺漏） |
|---|---|---|---|
| 任務動詞明確 | 有具體動詞與目標 | 有目標但動詞模糊 | 只有名詞沒有動作 |
| 背景與讀者 | 寫明對象與情境 | 只寫對象或只寫情境 | 完全未指定 |
| 輸出格式 | 指定格式與欄位 | 只說格式未說欄位 | 未指定格式 |
| 限制條件 | 寫明不要做什麼與字數 | 只寫其中一項 | 無限制 |
| 範例 | 附代表性範例 | 範例不夠典型 | 無範例 |
| 查證要求 | 要求標不確定與來源 | 只要求其中一項 | 無查證要求 |
| 安全意識 | 已排除個資機密 | 部分敏感資料未處理 | 直接貼上敏感資料 |
用評分卡的時候，不必追求每次都滿分。低風險的發想任務，任務、背景、格式三項顧好就夠用；高風險的對外內容，則建議每一項都至少兩分以上，查證與安全兩項更要衝到三分。把這張卡當成送出前的最後一道關卡，跑一遍大約三十秒，卻能擋掉大多數事後才發現的問題。長期累積下來，你會發現自己不需要再逐項檢查，因為這些項目已經內化成你寫指令時的直覺，這正是從新手邁向熟手的過程。
回到起點：基本功而不是魔法
Prompt 不需要一開始就寫得很華麗，也不必背一堆看起來很厲害的模板。真正重要的是把任務說清楚、背景補完整、格式講明白，並知道什麼時候要檢查 AI 的答案。新手可先從三件事練起：改寫模糊問題、要求固定格式、養成查證習慣。寫順了之後，AI 會更像一個能接手研究、寫作、整理工作的幫手，而不只是閒聊的對象；若要把這些產出放進對外的網站，也別踩進 常見的網頁設計地雷。
邊界還是要劃清楚：Prompt 可以提升 AI 的可用性，但不能取代資料品質、專業判斷與人工確認。把六元素與五步驟內化成直覺，再依需求深入 few-shot、System Prompt、RAG 等進階技巧。安全底線只有一條，個資、機密、未公開資料一律不進公開 AI 工具，重要決策必須人工覆核。這個原則對 BEO 購買引擎優化、Google UCP 與 AI 購物技術、Claude 與 Claude Code 差異比較、Claude Fable 5 模型用途與限制 這些應用場景一體適用。
把視野拉大一點，Prompt 之所以值得認真學，是因為它是一種可遷移的能力。你今天學會的結構化提問，明天換到另一個模型、另一個任務、甚至另一種 AI 工具，骨架都還能用。當 AI 持續滲透到行銷、寫作、研究、開發、客服等各種工作，能跟 AI 清楚溝通的人，會比只會用單一功能的人更有彈性。把六元素、五步驟、三個進階技巧、一張評分卡這幾個工具放進你的工作箱，遇到新任務就拿出來對照，你會發現「駕馭 AI」這件事，靠的是把基本功做到扎實，跟天分關係不大。這也是為什麼越是把 AI 用得熟練的人，越會強調結構與查證，因為他們清楚知道 AI 的能力邊界在哪裡。
Prompt 常見問題 FAQ
Prompt 跟一般問問題有什麼差別？
一般問問題只給主題，Prompt 還會補上讀者、角度、格式、限制與驗收標準，讓 AI 不只是回答問題，而是更接近你的工作目標。
怎麼檢查自己寫的 Prompt 夠不夠好？
對照新手檢查清單或評分卡：任務有沒有講清楚、背景有沒有補、格式有沒有指定、限制有沒有寫、不確定處有沒有要求標註、個資機密有沒有避開、重要事實有沒有人工確認。
新手練 Prompt 可以從哪裡開始？
從三件事練起：把模糊問題改寫成帶動詞與對象的明確任務、每次都指定固定輸出格式、養成要求 AI 標註不確定處的查證習慣。這三項熟了，再進階到角色扮演、思考鏈與 few-shot 等技巧。
怎麼讓產出更容易被 AI 引擎採用？
除了把六元素寫齊，還要注意內容的可被引用性：用清楚的結構（標題、條列、表格）、附上可查證的來源、避免把結論藏在大段文字中。AEO 與 GEO 優化的核心就是把「對人好讀」與「對 AI 好引用」兩件事一起做。