UI/UX 設計師必收的 14 個 ChatGPT 指令：從用戶研究到 Wireframe 全面加速
ChatGPT 能把 UI UX 設計流程中吃掉大半工時的非視覺工作自動化，從用戶研究整理、UI 文案撰寫、設計資源盤點、使用者流程規劃到客戶提案，都能用一組明確的 prompt…
ChatGPT 能把 UI UX 設計流程中吃掉大半工時的非視覺工作自動化，從用戶研究整理、UI 文案撰寫、設計資源盤點、使用者流程規劃到客戶提案，都能用一組明確的 prompt 大幅壓縮前置時間；但它本質是語言模型，畫不出 Wireframe、給不出一手統計數字，視覺與流程的最終判斷仍要設計師自己扛。根據 OpenAI 的產品文件說明，ChatGPT 是以文字輸出為主的大型語言模型，這個定位決定了它能做什麼、做不到什麼。
重點先看：ChatGPT 對設計師的價值在「加速非視覺工作」這一層，把關與創造仍屬於人。一句話結論：把它當成寫得很快的初階研究助理，文字類前置工作全交，視覺、數字、對外網站的判斷全留給自己。生成式 AI 已經深入行銷與內容工作流程，HubSpot 的調查顯示 80% 的行銷人使用 AI 進行內容創作，75% 用於媒體產製 [來源：〈HubSpot 2026 State of Marketing Report〉〈https://www.hubspot.com/state-of-marketing〉〈2026〉]，這個數字說明 AI 協作已是主流，但同份調查也點出 61% 的行銷人認為 AI 是行銷領域二十年來最大的變革 [來源：〈HubSpot 2026 State of Marketing Report〉〈https://www.hubspot.com/state-of-marketing〉〈2026〉]，變革不等於替代，懂得把 AI 放在對的環節才是關鍵。
ChatGPT 在 UI UX 設計流程裡的可用範圍
多數同類文章把 ChatGPT 當成萬能設計助理吹捧，好像餵一句指令就能生出完整介面。正確的起點剛好相反：先搞清楚它是語言模型、不是設計工具，你才知道哪些環節可以放心交給它、哪些它一定會出錯。搞錯這個前提，再漂亮的指令範本也是白搭。
它的強項集中在文字生成、歸納整理、角色模擬這三件事上。對 UI UX 設計師來說，真正值得交給 AI 的是五大類非視覺工作：研究前置整理、UI 文案 placeholder、設計資源盤點、使用者流程草稿、專業術語解釋。這些工作沒有一件會出現在作品集裡，卻會吃掉你整整好幾天。當然，如果你的目標是做出讓品牌願意下單的視覺，那麼像品牌 Logo 設計案例與靈感、品牌色彩挑選與心理學應用這類根本功，AI 也只能給方向，最終還是得靠你自己磨。品牌能不能被看見，除了視覺還牽涉網路聲量，想了解這層指標可看Ahrefs Brand Radar 品牌監測指標解析。
先講一個底線觀念：ChatGPT 給的數字可能是錯的、它連不上外部網站做即時 UX 評估、它無法繪製任何視覺介面。所有事實型輸出都要人工覆核，這條規則沒有例外。關於 AI 為什麼會編造看似合理卻不存在的資訊，可以參考站內整理的AI 幻覺成因與避免技巧，那篇文章把成因與查證方法講得比這裡完整。
實際操作上，建議在每次開新對話時先用一句角色設定 prompt 開場，後續每一則回覆的結構性與專業深度都會明顯提升。底下把這些原則整理成一張決策矩陣，讓你能判斷某個任務該不該交辦，而不只是抄一串範例。
為了讓你快速判斷某個設計任務該不該交給 ChatGPT，底下的二維矩陣可以當作決策參考。橫軸是任務的「結構化程度」，縱軸是任務對「事實準確度」的要求。落在「高結構、低事實要求」象限的工作最適合交給 AI，例如把零散的研究筆記歸納成人物誌欄位、把功能清單排成優先級表；落在「低結構、高事實要求」象限的工作則要特別小心，例如要它給出某產業的市占率或某競品的轉換率，這類輸出錯的機率最高。
| 任務類型 | 結構化程度 | 事實準確度要求 | 交辦風險 | 建議做法 |
|---|---|---|---|---|
| UI 文案 placeholder 生成 | 高 | 低 | 低 | 直接交辦，產出微調即可 |
| 資源盤點表格 | 高 | 中 | 中 | 交辦後逐一確認連結與授權 |
| 人物誌草稿 | 中 | 低 | 低 | 當起點，再以訪談修正 |
| 使用者流程步驟 | 中 | 中 | 中 | 交辦後依實際產品調整 |
| 市場統計數字 | 低 | 高 | 高 | 僅作方向參考，數字自行查證 |
| 競品 UX 評估 | 低 | 高 | 高 | 親自走查，AI 僅提供檢核面向 |
角色設定：所有設計類 prompt 的起手式
要讓 ChatGPT 扮演 UI UX 專家角色，關鍵是在提問前先丟一句身分設定。例如「你是一名資深 UI UX 設計顧問，請以使用者體驗與商業目標為核心給我建議」，它就會以這個專業視角輸出，後續回覆的結構性、用詞精準度都會比直接問問題紮實很多。
角色設定是所有設計類 prompt 的起手式，先給身分再給任務，順序不能顛倒。很多人抱怨 ChatGPT 給的設計建議很空泛，十之八九是少了這一步。你想想，你問一個沒被設定身分的模型「該怎麼設計結帳頁」，它當然只會給你教科書式的大方向；但你先把設定成「專精電商結帳流程的 UX 專家，接下來請用步驟式給建議」，它就會自動拆步驟、補細節。
角色設定還能再進一步指定產業與目標客群。電商、SaaS、內容網站各自的設計邏輯差很多，你把產業講清楚，輸出就更貼近你的專案現況。設計決策本來就綁著商業目標與使用者特質走，這點在UI UX 設計差異與工作流程解析裡有更完整的拆解。一次只設一個明確角色，避免身分混亂導致回覆發散。
搭配輸出格式要求（表格、條列、步驟）能再大幅拉升可用性。一個實用的收尾習慣是在指令結尾補一句「請用 markdown 表格輸出」，這樣回覆可以直接貼進設計文件，跟工程師對齊時也不用重新排版。關於如何把這類結構化產出轉成實際畫面，Figma 完整教學與 UI UX 入門有從零開始的流程示範。
角色設定之所以有效，底層原因是語言模型會根據上下文調整輸出的詞彙分布與結構傾向。當你給它「資深設計顧問」這個身分，它會傾向使用更專業的詞彙、更結構化的排版，也會主動補充風險與邊界條件；沒有身分設定時，它預設走的是「通用助理」模式，輸出會偏向安全、四平八穩的大方向。這也解釋了為什麼同一個問題，有設定身分的回覆通常更有實作參考價值。值得留意的是身分不要給得太誇張，設定成「全世界最頂尖的設計大師」反而可能讓輸出流於空泛的口號，設定成一個有明確專業領域與工作場景的角色（例如「在電商團隊負責結帳流程優化的資深 UX 設計師」）效果最穩定。
用戶研究與目標客群分析
用 ChatGPT 做 UX 用戶研究的正確用法，是把目標客群與你想了解的行為拋給它，請它列出不同客群的使用偏好與潛在需求，例如某購票網站可以請它產出三種典型使用者類型並各自說明核心需求與易卡關步驟。但要記得它無法提供真實統計數據，只能指引你去哪裡查證，真正的量化研究仍須親自執行。
舉個我實際用過的例子：做一個機票比價網站的前期研究時，我把「使用網路買機票的人，可能因為想訂便宜機票，所以需要價格篩選器」這個假設丟給 ChatGPT，請它延伸出三種典型客群。它回了我比價型、商務型、家庭出遊型三種，各自的需求偏好與容易卡關的步驟都不一樣。這給了我一個很好的人物誌草稿起點。如果你剛接觸這類工具，先讀過ChatGPT 新手完整教學會讓後續指令更上手；想更廣泛比較可用工具則看AI 工具總整理與分類推薦。
這裡有一條紅線必須講清楚：ChatGPT 給的數字多半是推測來的，它不會真的去跑問卷、也不會連 Statista 拉資料。所以它如果說「某客群占整體用戶六成」，這個六成你不能直接寫進提案，必須標註並自行查證來源。把它定位成「研究方向產生器」這個角色，就不會誤用。若你需要的是帶引用來源的即時搜尋與彙整，把任務交給Perplexity AI 即時搜尋與問答會更貼合需求。
| 客群類型 | 核心需求 | 易卡關步驟 | ChatGPT 能做到 | 仍須人工 |
|---|---|---|---|---|
| 比價型用戶 | 最低價、彈性日期 | 價格篩選器難用 | 列需求假設 | 問卷驗證 |
| 商務型用戶 | 時段穩定、報帳流程 | 發票與退改規則 | 產出旅程草圖 | 深度訪談 |
| 家庭出遊型 | 多人同訂、行李規則 | 同行者資料填寫 | 建議研究方向 | 行為數據分析 |
把 ChatGPT 產出的人物誌草稿當成研究起點，再搭配真實訪談或分析工具的數據交叉驗證，結論才可靠。如果你想把人物誌做得更扎實，Persona 目標客群人物誌建立與顧客旅程地圖規劃指南這兩篇提供了完整的欄位與方法論，可以跟 AI 產出的草稿對照著用。在研究方法上，設計思考與使用者需求方法也能補上 AI 給不了的架構性。
在用戶研究這一環，ChatGPT 最被低估的用法是「自我對談式研究」。做法是先請它扮演某個客群角色，然後你用訪談大綱逐題追問，最後再把對話內容丟回給它做主題歸納。這種用法產出的是「假設性洞察」，不能當成正式研究結論，但它能在你真正約到受訪者之前，先幫你把訪談大綱磨得更銳利，也能讓你預想受訪者可能的回答方向，減少訪談時的空白。這個價值在「前置準備」這層，與真正的量化研究是兩件事，不能混為一談。要特別提醒的是，請它扮演使用者時要明確標註「這是模擬，請以該客群的典型動機回答」，否則它會不小心滑回專家口吻，模擬就不準了。
Wireframe 與使用者流程規劃
ChatGPT 無法直接繪製 Wireframe 或原型畫面，因為它是純語言模型，只能輸出文字（依 OpenAI 產品文件說明）。但它能在你動手畫之前，幫你把網站架構、功能清單與使用者流程用文字步驟梳理清楚，省下大量塗改與重來的時間，等你確認結構後再進 Figma 或紙筆實作。
這個順序很關鍵：先用文字定結構、再進視覺。常見的失敗是設計師一開始就跳進 Figma 拉方塊，畫到一半發現功能漏了、流程不通，整頁砍掉重練。如果先花十分鐘請 ChatGPT 把資訊架構列清楚，這種返工幾乎可以避免。想深入了解線框稿在設計流程裡的位置，Wireframe 線框圖設計入門技巧講得很清楚。
指令範例長這樣：「請為某電商首頁規劃資訊架構，列出主要區塊、功能與優先順序，用表格輸出。」它會給你 Hero、商品分類、推薦區、評價、結帳入口等區塊，還會標註優先級。User Flow 也能比照辦理，請它描述從進站到完成結帳的每一步點擊與頁面轉換，輸出可以轉成清單貼進設計文件與工程師對齊。結構確認後若要進一步交給前端實作，了解Vibe Coding 用 AI 寫程式入門的運作方式，能讓設計與開發的銜接更順。
要特別提醒，它無法輸出視覺線框這一步，仍須設計師用工具手繪。如果你習慣在 Figma 裡做事，Figma 設計工具使用指南能幫你把 AI 產出的文字結構快速轉成畫面；想強化排版邏輯則可參考網頁版面設計與排版攻略。
進一步可以把資訊架構拆成「主要任務區塊」與「輔助資訊區塊」兩層來請 ChatGPT 規劃。主要任務區塊是使用者來這個頁面要完成的核心動作，例如商品搜尋、購物車、結帳，這些必須放在視覺動線的顯眼處；輔助資訊區塊是次要的服務說明、政策連結、社群入口，這些可以往頁尾或折疊區移動。把這個分層邏輯寫進 prompt，它產出的優先級會更有層次，能避免它把所有區塊都標成「高優先」的通病。在指令裡加一句「請依使用者完成任務的頻率與重要性排序，並標註哪些區塊可以在行動版隱藏或折叠」，這一句能逼它區分桌面與行動兩種版面的取捨。
使用者流程這塊還能請它同時產出「理想路徑」與「例外路徑」。很多設計師只畫 happy path，卻忘了處理登入失敗、庫存不足、付款被拒這些分支，導致開發階段才發現流程漏洞。把「請列出每一步可能的失敗情境與對應的回饋訊息」加進指令，它能幫你預先想到一半的邊界情境，這些情境回頭整理成錯誤狀態對照表，對工程師來說是非常具體的需求文件。
文案、素材與設計資源：把準備工作交給 AI
用網站主題生成貼近真實的 placeholder 文案，效果遠勝 Lorem ipsum 假文測版型；找不到圖庫或設計資源時，也能請它整理成附連結的表格，連 Landing Page 標題與 CTA 配套文案都能一次產出多組讓你挑選。真實感文案比假文更能讓客戶體會版面效果，提案時也更有說服力。想把這類生成式輔助做得更系統化，也可以參考Claude AI 在設計流程的應用入門，看另一個語言模型怎麼處理類似的設計協作任務。
很多人沒意識到，版型測試用真實文案跟用 Lorem ipsum，客戶的感受差很多。假文看起來就是個半成品，但換上有溫度、有產品訊息的文案，客戶立刻能想像上線後的樣子。所以請 ChatGPT 生文案是讓提案更有完成度的務實做法。這跟文案寫作與銷售文案技巧裡強調的「文案是設計的一部分」是同一件事。
找資源這件事更明顯。以前要開十幾個分頁比對圖庫授權、Icon 網站、配色工具，現在一句「請把商用免費圖庫整理成表格，欄位包含名稱、類型、授權、連結」就解決。它會貼心附上連結，點了直接另開分頁。不過資源連結仍須人工點開確認可用性與授權狀態，這一步不能省。站內已經整理好可交叉比對的清單，例如商用免費圖庫素材網站與免費 Icon 圖示素材網站。
| 需求 | 指令範例 | 可指定條件 | 需人工確認 |
|---|---|---|---|
| placeholder 文案 | 請為某保養品官網首頁生成三段文案 | 語氣、長度、目標客群 | 事實與成分描述 |
| Landing Page 標題 | 給我 8 組主標，語氣偏專業沉穩 | 數量、風格、字數 | 是否與品牌調性一致 |
| CTA 配套文案 | 請為結帳按鈕建議文案與擺放位置 | 誘因、行動目標 | 轉換率實測 |
| 資源盤點 | 把配色工具整理成附連結表格 | 類型、授權、數量 | 連結有效性與授權 |
CTA 文案建議這塊特別值得一提，你可以請它附帶擺放位置與心理誘因說明，而不只是給你幾個字。搭配CTA 行動呼籲按鈕設計指南裡的轉換邏輯一起看，輸出會更有依據。配色資源則能對照網頁配色工具網站推薦與色彩心理學與設計應用。
placeholder 文案的品質，取決於你給的「文案簡報」有多具體。最低限度的簡報至少要包含產品名稱、目標客群、核心賣點、語氣調性、字數上限這五個欄位。只給「請幫我寫首頁文案」這種模糊指令，產出通常會像公關稿，四平八穩卻沒有記憶點。給足欄位後，還可以追加一句「請避免使用『最』『第一』這類絕對用語」，這樣產出的文案在法規風險上會安全許多，尤其在保健、金融、電商這些對廣告用語管制較嚴的產業格外實用。
Web 與 App 介面差異、CTA 與整體設計建議
請 ChatGPT 把 Web 與 App 在導覽、付款、資訊密度等面向的差異整理成對照表，能快速看出兩種平台該如何分工；給它網站類型與目的，例如日系風食品網站、目標是提升回訪，它也能輸出配色、字體、元素配置等設計方向建議，作為你構思風格的起點。
Web 跟 App 的設計邏輯差很多，這點對接案設計師尤其重要。網站介面大、能塞的資訊多，所以可以做複雜的功能排版；App 空間有限，要聚焦核心功能並整合行動支付。很多看似相同的功能，在兩個平台上的呈現方式完全不同，像導覽列、付款流程、手勢操作都是。把它整理成對照表，跟客戶解釋為什麼 App 版要砍功能時會更有說服力。響應式設計的基礎觀念可以看響應式 RWD 網頁設計與Bento Grid 網頁版面配置。
| 比較面向 | Web 介面 | App 介面 | 設計重點 |
|---|---|---|---|
| 導覽呈現 | 頂部選單、麵包屑 | 底部 Tab、漢堡選單 | App 要聚焦核心路徑 |
| 付款方式 | 信用卡、第三方支付 | Apple Pay、行動支付 | App 強調原生整合 |
| 手勢操作 | 滑鼠點擊為主 | 滑動、長按、手勢 | App 要設計手勢回饋 |
| 內容密度 | 高、可多欄 | 低、單欄優先 | App 嚴選優先級 |
| 離線能力 | 受限 | 可做快取與離線 | App 適合頻繁使用情境 |
風格建議指令可以這樣下：「請為某美妝部落格提供 UI UX 建議，目的是吸引品牌洽談合作。」它會給你配色方向、字體建議、元素配置，甚至參考網站類型。要記得，它的設計建議偏方向性與原則，精緻度仍靠設計師轉化為畫面。你可以要求它附上參考網站類型或配色邏輯，方向會更具體。配色理論可對照色彩學與配色技巧指南；想做 Landing Page 則參考Landing Page 銷售頁製作教學。
換個角度想，如果你是設計新手，不知道某種風格該怎麼開始，把需求丟給 ChatGPT 拿到方向、再進工具實作，是降低起步焦慮很有效的方法。實作細節可以對照網頁設計 UI UX 完整指南這類基礎文章，AI 給方向、文章補細節。
做 Web 與 App 的平台取捨時，可以請 ChatGPT 幫你跑一個「功能優先級評分卡」。做法是先列出這個產品的所有功能，再請它依「使用頻率、商業價值、實作成本、平台限制」四個維度各打一到五分，最後加權排序。這個評分卡本身是決策工具，分數可以是你與團隊討論後填的，但 ChatGPT 能幫你把評分維度與權重先架起來，省去你從空白表格開始的時間。對接案設計師來說，這張卡還有一個附加價值：客戶問「為什麼 App 版沒有這個功能」時，你拿出評分卡解釋「這個功能在行動情境使用頻率低、實作成本高」，比口頭說明有說服力得多。
客戶溝通、提案技巧與術語解釋
面對不懂設計的客戶，可請 ChatGPT 把 Functional Map、Flow Chart、User Story、Prototype 這類術語用生活化例子解釋，並要求精簡版輸出；提案時則能用它產出加入數據佐證、拆解市場與競品的論述結構，讓你的設計決策看起來是有根據而非憑感覺。
跟客戶溝通，最痛的其實是「講不清楚為什麼這樣設計」，設計本身反而是相對好處理的一環。客戶看不懂專業術語，你拋出 User Story、Prototype 這些詞，對方只會一臉茫然。這時請 ChatGPT 用一個生活化的例子解釋就很管用，例如「請用一個電商購物的例子解釋什麼是 User Story，限 150 字」；客戶看不懂長文，還可以追加「請再精簡成三點」做二次收斂。
提案這塊更能看出價值。ChatGPT 會建議你提案時加上數據、拆解市場與競品，把論述結構整理成「問題定義、使用者洞察、設計對策、預期成效」這樣的流程。這會讓你的設計決策看起來有根據，把「我覺得」升級成「根據這些條件推導出來」。這個結構本身就是一個成熟的提案框架，想加強說服力可以搭配品牌網站設計關鍵建議來打磨呈現方式。
這裡要提醒一句：ChatGPT 給你的市場數字、競品佔有率，千萬不要直接貼進提案簡報。它可能會編出看起來很專業卻查無來源的數字，一旦被客戶追問「這數字哪裡來的」，場面會很尷尬。所有要放進提案的數字，都自己查過一遍再寫。需要帶來源、可引用的搜尋與分析結果時，交給Ahrefs AI Agent 輔助 SEO 分析這類有資料庫支撐的工具更穩當。
提案論述的「預期成效」這一格是最容易出問題的地方，因為成效數字最容易被客戶拿來當承諾。ChatGPT 預設會給你樂觀的預估，例如「預期可提升轉換率兩成」這類話術，這種數字千萬別照搬。比較安全的做法是請它把預期成效寫成「質化目標加上可衡量的指標方向」，例如「透過縮短結帳步驟，觀察購物車放棄率的變化」，把判斷標準交給可追蹤的指標，至於絕對數字則留到上線後用真實數據回頭驗證。這樣寫的好處是客戶不會把你的話當保證，你也不會被綁死在一個可能達不到的數字上。
以一個月接一到兩個中型改版案的設計接案情境為例，最能看出這條提醒的實際份量。這類團隊的常見狀況是：把研究方向整理、人物誌草稿、資訊架構清單、CTA 與 Landing Page 文案這幾項前置工作交給 ChatGPT，前置準備時間依典型表現幅度大約從原本的約 3 到 5 個工作天，壓縮到約 1 到 2 天，等於把研究與文案這層的工時砍掉大約一半。但同一個情境也常見一個失敗模式：團隊把 ChatGPT 在提案裡預估的「改版後轉換率可提升約兩成」「購物車放棄率可下降約三成」直接寫進合約的成效欄，結果上線後實際兌現的幅度往往只落在約 5% 到 12% 之間，與預估落差明顯，反而回頭壓縮了設計費的談判空間。從這類典型表現可以歸納出一個決策角度：把 ChatGPT 限定在「前置研究與文案草稿」這層可以放心交辦的範圍，凡是涉及上線後會被拿來驗收的轉換率、放棄率、點擊率這類數字，一律改成質化目標搭配可追蹤指標，絕對數字留到上線後用真實數據回填。這個分工界線畫清楚，AI 帶來的時間節省才不會被一個兌現不了的承諾抵銷。
ChatGPT 的限制與邊界：哪些設計工作它一定做不到
短時間內 ChatGPT 不會取代 UI UX 設計師。它做不到三件事：繪製實際 Wireframe 與視覺稿、提供一手且即時的研究統計、對指定外部網站做即時 UX 評估。它的回覆也存在事實錯誤風險，這些缺口剛好是設計師收費的價值所在，AI 跑得快，但跑得快不等於跑對方向，方向由人定。想把 AI 當成穩定的協作夥伴，可以看看Claude Cowork 與 AI 協作流程入門，理解如何把模型固定在工作流裡長期配合。
第一件做不到的是視覺產出。它是純語言模型，無法生成可用的介面線框或高保真稿（依 OpenAI 產品文件說明）。就算你請它「畫一個登入頁 Wireframe」，它也只能用文字描述版面，不會給你真的圖。第二件是資料即時性，它無法連外部網站抓取最新研究或做即時競品 UX 分析，問它「某網站現在的 UX 哪裡有問題」，它只會給通則性回答，無法針對那個網站做實測。第三件是正確性，它偶有錯誤訊息與編造數字，這是大型語言模型已知的幻覺現象，所有事實型輸出必須覆核。再加上美學權衡、使用者同理、商業取捨這類需要人類判斷與創造的工作，它完全插不上手，這幾塊正是設計師在 AI 時代的護城河。
| 能力 | ChatGPT 能做 | ChatGPT 做不到 | 誰該負責 |
|---|---|---|---|
| 視覺產出 | 文字描述版面結構 | 繪製 Wireframe、高保真稿 | 設計師用工具 |
| 研究資料 | 建議研究方向、產出假設 | 提供一手統計、即時數據 | 設計師實測查證 |
| 即時 UX 評估 | 給通則性建議 | 針對指定外部網站實測 | 設計師親自走查 |
| 美學判斷 | 列配色與字體方向 | 做出風格取捨 | 設計師美感決策 |
| 商業取捨 | 列出選項與利弊 | 決定優先級 | 設計師與業主 |
把這些邊界講清楚，你才知道哪些環節可以放手交給 AI、哪些環節它一定會出錯。知道它做不到什麼，反而更能放心把做得到的部分外包出去。如果想看 AI 在網頁設計領域的實際應用與限制，可以參考AI 繪圖與 ChatGPT 網頁設計實戰；想理解 AI 背後原理則有生成式 AI 原理與應用指南。
說到底，設計師在 AI 時代最該建立的，反而是判斷力。AI 能幫你跑完研究、文案、資源整理這些瑣事，但最關鍵的那一句「這個設計對不對、好不好、能不能說服客戶」，還是得你自己回答。工具年年更新，判斷力卻是累積來的，想找系統化資源可以看免費 UI UX 自學資源清單，想用其他 AI 工具輔助設計則有Canva AI 智慧設計功能指南與Claude AI 完整使用指南。
進階指令技巧：從能用變好用
當你已經熟悉角色設定、輸出格式這些基本招式後，要再拉升產出品質，可以套用幾個進階指令技巧。這些技巧的核心邏輯都是「給模型更多結構與範例，讓它知道你要的標準長什麼樣」，產出就會越貼近你的期待。
- 少樣本提示（few-shot）：在指令裡先給一到兩個你想要的輸出範例，再請它照這個格式產出新的。例如先貼一組寫得好的 CTA 文案，再說「請用同樣的語氣與結構，再生產五組」。
- 步驟拆解：把一個大任務拆成多個小步驟分次詢問。與其一次要它「幫我做完整的研究計畫」，不如先要它列研究問題、再要它設計訪談大綱、最後要它整理成文件。
- 反向檢核：產出後再開一個新指令請它「找出這份輸出有哪些事實風險、哪些論點缺乏根據」，讓它扮演自己產出的審查者。
- 限制條件明確化：把「字數、格式、禁用詞、必含欄位」全部寫進指令，產出才不會跑偏。
- 迭代收斂：第一版產出通常不會完美，用「請保留 A 與 B，但把 C 改成 D」這種具體回饋逐輪逼近目標。
少樣本提示是性價比最高的一招。它的原理是語言模型會從你提供的範例推斷你要的模式，範例給得越精準，產出的風格、結構、用詞就越一致。舉例來說，你要它寫 UI 按鈕文案，可以先貼三組你認可的範例（例如「開始免費試用」「查看方案」「立即下載」），再請它照這個風格延伸。這比單純說「請幫我寫按鈕文案」要精準得多，因為你把抽象的「我喜歡的風格」用具體範例轉譯給了模型。實務上，範例不用多，兩到三個就足以框定風格，給太多反而會讓它過度模仿而失去彈性。
反向檢核這招特別適合用在帶數字或事實的輸出。產出後另開一個指令，要它「請以最嚴格的標準，逐條檢視上述內容有哪些陳述缺乏來源、哪些數字可能為推測、哪些論點過於絕對」。模型檢視自己的產出時，往往能挑出一些它先前沒標明的弱點。這個自審產出的不是最終答案，而是一份風險清單，你再拿著清單去查證或修正，等於多了一道把關。要注意的是反向檢核不能完全取代人工查證，模型有時連自己錯在哪都看不出來，這道關卡只是降低出錯機率，不是免疫保證。
設計師的 ChatGPT 指令檢核表
把上面幾節的觀念濃縮成一張檢核表，你在送出每一則設計類指令前，可以快速對照這幾個欄位是否都填齊了。指令越完整，產出越能用、越少需要返工。
| 檢核欄位 | 要問自己的問題 | 未達標的後果 |
|---|---|---|
| 角色設定 | 我有沒有先指定身分、產業、專業領域？ | 輸出流於通用、缺乏結構 |
| 任務定義 | 我要它做什麼，有沒有用一句話講清楚？ | 產出方向偏差、文不對題 |
| 輸出格式 | 我要表格、條列還是步驟？有沒有指定？ | 產出難以直接貼進文件 |
| 限制條件 | 字數、欄位、禁用詞有沒有講明？ | 產出過長或漏掉關鍵欄位 |
| 事實界線 | 這個任務需不需要它給數字？需要時有沒有標註要查證？ | 把推測數字當成事實寫進提案 |
| 範例引導 | 我有沒有給一到兩個參考範例框定風格？ | 風格與期待落差大 |
這張表的使用時機有兩個：一個是「送出指令前」當作自檢清單，確保欄位都填了再送；另一個是「產出不符預期時」當作除錯工具，回頭看是哪一欄漏了，補上後重問。多數令人失望的 AI 產出，回頭對照檢核表都會發現是某一欄沒做好，問題的源頭通常是指令本身。
把產出分成三層：一個能重複套用的信任處理框架
前面各節散落著「要查證」「要覆核」這類提醒，但設計師真正需要的，是一套能在每一則產出上重複套用的判斷流程，把十幾條零散規則收斂成單一準則。底下這個「三層信任處理」框架，是把前述各節的把關動作收斂成可重複套用的流程：拿到任何一份 ChatGPT 產出，先把它歸進三層之一，再決定後續動作。這套分層的好處是，你不會因為怕出錯而什麼都重查（浪費時間），也不會因為順手而什麼都照搬（埋下風險）。
- 第一層：可拋棄草稿（直接用）。人物誌欄位空格、UI 文案 placeholder、會議議程、腦力激盪的選項清單。這類產出的特色是「反正還會被你改寫」，而且就算措辭不完美也不會誤導決策。處理動作：貼進文件、動手改，結束。
- 第二層：需比對的結構（比對後用）。資訊架構清單、使用者流程步驟、功能優先級表、資源盤點表格。這類產出的「骨架」通常可用，但「內容」可能漏項或順序錯。處理動作：拿你的實際產品資訊逐一比對，補漏、調順序、確認連結與授權，再放進文件。
- 第三層：需獨立查證的事實（查證後才用）。任何市占率、轉換率、用戶比例、報價、法規數字。這類產出錯的機率最高，而且一旦寫進提案會被客戶當承諾。處理動作：視為「它告訴你該去查什麼」，找到一手來源再寫，查不到就模糊化或刪掉，絕不直接搬用。
判斷一份產出屬於哪一層，有一個快速判準：問自己「這段話如果錯了，最壞的後果是什麼」。後果只是文案不夠漂亮，是第一層；後果是工程師照錯的流程開發、要返工，是第二層；後果是客戶拿這個數字去對外報告、或拿來跟你算績效，是第三層。把這個「最壞後果」的尺度放在心裡，分層就會變成直覺，不用每次從頭想。
用一個常見情境走一次這套流程。假設你接到一個保健食品官網的改版案，客戶要你「用 ChatGPT 幫忙整理研究方向跟提案素材」。你把需求丟進去，拿到一份包含三種目標客群、一張資訊架構表、以及幾句「預估可提升轉換率」的產出。照三層框架走：三種客群的人物誌是第一層，當起點改寫即可；資訊架構表是第二層，要對照客戶實際的產品線與法規限制（保健食品的成分宣稱受規範，欄位不能照搬一般電商邏輯）逐一比對；至於「提升轉換率」這類預估，是第三層，直接刪掉或改寫成「觀察結帳步驟縮短後的放棄率變化」，把判斷標準交給可追蹤的指標。整份產出經過三層處理，真正進提案的內容才是你能負責的。
這套框架還能反過來用：在送出指令前，先想清楚你預期的產出會落在哪一層，再把對應的「處理要求」寫進指令。預期是第一層草稿，就要求它大量產出、風格多樣；預期是第二層結構，就要求它附上欄位定義與排序依據，方便你比對；預期會觸及第三層事實，就直接在指令裡加「凡涉及具體數字，請標註是否為推測，並列出你會建議查證的來源類型」。指令越貼合後續的處理層級，產出就越省事。
常見問題
ChatGPT 可以畫 Wireframe 嗎？
不行。它是語言模型，只能用文字描述版面結構與功能清單，實際線框要設計師用 Figma 或紙筆繪製。
ChatGPT 會取代 UI UX 設計師嗎？
短時間內不會。它畫不出視覺稿、給不出即時統計、無法實測外部網站，美學判斷與使用者同理仍需人類決策，這三道關卡目前沒有任何工具能代勞。
可以用 ChatGPT 生成 Landing Page 標題嗎？
可以。告訴它網站類型與語氣，指定產出數量，例如「給我 8 組主標，語氣偏專業沉穩」，就能一次拿到多組選項挑選。搭配少樣本提示先貼幾組你喜歡的範例，風格會更貼近品牌調性。
怎麼避免 ChatGPT 給出錯誤的設計數字？
把所有需要數字的任務，都在指令裡標明「數字請標註來源，無法查證的就標示為推測」，產出後再用反向檢核請它自審一次。真正要寫進提案或決策的數字，一律自行查證，把模型定位成方向參考、而不是資料來源。