Prompt 怎麼寫才準？提示詞四積木與七個錯誤修正

很多人都有過這種經驗：打開生成式 AI 工具，輸入「幫我寫一篇關於 SEO 的文章」，按下送出，然後盯著那篇四平八穩、讀起來像教科書、誰也說服不了的千字文發呆。常見原因不是工具故障，而是任務與脈絡太模糊。

想像你僱了一個剛報到的助理，聰明、肯學、什麼都願意做，但你僅跟他說一句「寫個東西給我」就轉身離開。你會得到什麼？一份他自己揣摩出來的、跟你想的完全不一樣的東西。AI 模型就是這個助理，而 Prompt（提示詞）就是你要交給它的那份工作說明書。你寫得越清楚，它交回來的東西越能用。

以下教學會帶你從零理解 Prompt 是什麼、四個核心組成、五種常見類型、一個四輪改寫示範、七個常見錯誤，以及進階技巧與模型差異。重點不是背口訣，而是把任務、脈絡與驗收條件說清楚。想進一步看這套方法在設計領域的應用，可以參考ChatGPT 設計指令範例。

先講結論：Prompt 到底是什麼

Prompt 是你輸入給 AI 模型的任何一段文字指令，它決定了 AI 要做什麼、怎麼做、做到什麼程度。它可以是短短一句話（「把這段翻成英文」），也可以是一份兩千字的複雜工作單（含角色、背景、範例、格式規格、限制條件）。

Prompt 是你提供任務資訊的主要管道之一；在支援檔案、工具、記憶或系統指令的產品裡，模型也可能取得其他脈絡。它看不見你腦中的成品，因此沒有交代的讀者、用途與限制，僅能從現有資訊推測。

這也是為什麼 OpenAI 在官方的 Prompt Engineering Guide 裡反覆強調：指令要具體、要給足夠的背景、要明確界定你想要的輸出形式。Google 的 Gemini 提示策略文件也講同一件事：清楚永遠比簡短重要，資訊越完整，模型的回答越能命中你的需求。

老實說，學 Prompt 最核心的觀念跟背咒語無關，重點在換一個腦袋：把 AI 當成一個極度聰明、但對你一無所知的合作對象。你給的資訊越完整、越精準，它回饋的品質就越高。

為什麼同一個模型，有人寫出神作、有人僅得到廢文

產出品質同時受 Prompt、模型類型與版本、可用工具、資料品質及取樣設定影響。清楚指令很重要，但不能抵銷模型能力或工具限制；同一段 Prompt 換到不同模型，結果可能明顯不同。

在同一模型與設定下，輸入資訊仍會造成很大差異。可以把其中一部分稱為「資訊落差」：你想像中的成品，和實際交代的讀者、目的、限制與驗收方式之間，漏掉了多少關鍵資訊。

落差越大，AI 就越僅能靠自己的常識去填空。而 AI 的「常識」，是整個網際網路的平均值，不是你的、不是你產業的、不是你這次任務的。所以它填出來的東西，永遠是那種「不能說錯，但也說不上對」的無味文字。

要縮小這個落差，你需要一套結構化的寫法。下一節我會拆解 Prompt 的四個核心組成，這個框架是反覆試錯之後歸納出來的結果，不靠記憶任何別人的口訣，你若記住「我到底要 AI 做什麼」這一個問題，四個組成就會自然跑出來。

拆解一個 Prompt 的四個核心組成

可以用四個積木檢查 Prompt：角色、任務、脈絡、規格。它們不是每次都必填；簡單翻譯可能僅需要任務與格式，複雜判斷才需要更多脈絡。

角色（Role）：你要 AI 用什麼身分來思考

角色可用來指定觀點、判斷準則與語氣，例如「以熟悉台灣市場、遵循白帽原則的 SEO 編輯角度審查」。角色設定不會增加模型原本沒有的知識，也不該捏造年資或經歷；真正有用的是把要採用的標準寫清楚。

角色設定要具體，不要僅寫「你是專家」。比較好的寫法是「你是一位服務過數十個台灣中小企業的 SEO 顧問，擅長白帽手法與內容導向的自然流量成長」。

任務（Task）：你到底要它做什麼

用一個明確的動詞開頭。「寫一篇關於 SEO 的文章」不是任務，是一個話題。任務是動作：「針對台灣小型電商老闆，寫一篇 1500 字的文章，說明為什麼該把預算從廣告轉到 SEO，語氣要像在跟朋友講道理而不是在推銷」。動詞越精準、對象越明確、目標越具體，AI 越知道該往哪裡施力。

脈絡（Context）：它需要知道哪些背景

AI 沒有讀過你的企劃書、沒看過你的客戶資料、不知道你的目標讀者長什麼樣。任何會影響判斷的背景，你都要主動塞進去。包括：目標讀者是誰、目前遇到的具體問題、你已經嘗試過什麼、有哪些限制條件、這份產出的最終用途是什麼。脈絡給得越充足，AI 產出的東西越「落地」，越不會有空話。

規格（Spec）：成品要長什麼樣

規格是輸出的工程圖：字數、格式、結構、語氣、要不要表格、要不要條列、開頭怎麼破題、結尾要不要給行動方案。你沒指定的每一項，AI 都會用它的預設值，而它的預設值通常是最安全、最無聊的那個版本。你想要一份會讓讀者看完立刻想行動的指南，就要明說「結尾給一個三步行動清單」，不要期待它自己猜到。

組成	它解決的問題	沒寫會怎樣	範例
角色	指定觀點、判斷標準與語氣	缺乏任務需要的在地與專業語境	以熟悉台灣市場、遵循白帽原則的 SEO 編輯角度審查
任務	明確的動作與目標	把話題當任務，產出發散、沒有重點	寫一篇說服電商老闆轉移預算到 SEO 的 1500 字文章
脈絡	讓產出貼近真實情境	內容空泛、正確但無感、無法直接使用	讀者是月營業額 50 萬以下的小型網拍老闆，目前每月花 2 萬投廣告但成效下滑
規格	輸出的格式與結構	用最安全的預設格式，平淡無亮點	口語化、用比喻教學、結尾給三步行動清單、不用條列式開頭

這四塊積木不是固定順序的公式，是一個檢查清單。寫完任何一段 Prompt，回頭問自己一次：角色清不清楚？任務是不是一個動作？脈絡夠不夠它做判斷？規格有沒有講清楚成品長什麼樣？四個都打勾，這段指令基本就及格了。

五種你每天都在用、卻沒察覺的 Prompt 類型

把 Prompt 分類的目的很實際：讓你在動手寫之前，先認清自己這次到底在做哪一種任務，跟背理論扯不上邊。不同類型的任務，下指令的重點完全不一樣。最常見的問題，就是用「生成型」的寫法去處理「轉換型」的需求，難怪怎麼改都不對勁。

一、生成型：從無到有產出內容

寫文章、寫文案、寫企劃、想點子。這類任務最吃脈絡與規格，因為「生成」的自由度最高，你不框住它，它就往最安全的方向飛。重點是給足角色、讀者畫像、語氣、長度、結構，把創意空間限縮在你要的那個框裡。

二、轉換型：把 A 形式變成 B 形式

翻譯、改寫、摘要、擴寫、把會議記錄變成行動清單。這類任務的重點是說清楚輸入是什麼、輸出要變成什麼。常見錯誤是僅講「幫我摘要這篇」，沒講要摘要成多長、給誰看、保留哪些重點。轉換型任務最該花力氣的是界定「保留什麼、丟掉什麼」。

三、問答型：要 AI 回答問題或解釋概念

問知識、問定義、問怎麼做。重點是講清楚你的背景知識程度。同樣問「什麼是反向連結」，對一個完全沒聽過 SEO 的人跟對一個做了三年的行銷人，理想回答完全不同。你加一句「我用 WordPress 架站兩年，懂基本 on-page SEO，但對連結建立完全沒概念」，回答的精準度會立刻跳一個層級。

四、分析型：要 AI 拆解、評估、找問題

檢視文章結構、評估關鍵字佈局、找程式碼的 bug、分析數據趨勢。這類任務最該給的是評估標準。你叫它「評估這篇文章的 SEO」，它會用一套通用標準跑一遍；你改說「用一個重視 E-E-A-T 與搜尋意圖匹配的白帽 SEO 顧問角度，挑出這篇文章最可能被 Google 判定為低品質的三個地方」，它給你的會是截然不同的深度。

五、迭代型：在一來一往中逐步打磨

不是一個 Prompt 解決所有事，而是把一個大任務拆成多輪對話，每輪聚焦一件事。先產生大綱，再逐段展開、調整語氣並做終稿檢查。企圖用一個超長 Prompt 一次到位，可能讓多項要求互相衝突；複雜任務通常更適合分階段驗收。

類型	核心指令重點	最常犯的錯
生成型	框住創意空間：角色、讀者、語氣、結構	指令太短，讓 AI 自由發揮到變成廢文
轉換型	界定保留什麼、丟掉什麼、變成什麼規格	僅講動詞不講條件，摘要比原文還長
問答型	交代自己的背景程度與使用情境	不講程度，得到太淺或太深的回答
分析型	給明確的評估標準與專業角度	用空泛的「幫我看看」，得到空泛的回饋
迭代型	一輪僅做一件事，逐步收斂	一次塞太多要求，AI 顧此失彼

從模糊到可執行：一個四輪 Prompt 示範

接著用一個假設情境，示範 Prompt 如何從模糊逐步變得可執行。場景是請 AI 寫一封給合作廠商的續約提醒信；其中店家、成果數字與方案內容都僅是示範，不是真實客戶資料。

第一輪：最原始的寫法

幫我寫一封續約提醒的信。

這是很常見的起點。AI 可能給你一封「親愛的客戶，您的合約即將到期，請儘速續約以享受我們優質的服務」這類罐頭信。原因不是它必然會「調用全網範本」，而是指令沒有提供對象、合作內容、語氣與續約條件，模型僅能依一般模式補齊。

第二輪：補上任務與對象

幫我寫一封續約提醒信，對象是一間跟我們合作一年的台中咖啡館老闆，我們幫他做官網 SEO。語氣要親切一點。

進步了，但還不夠。AI 現在知道對象跟任務，卻不知道合作成果、續約條件、過去回饋，以及你希望信件促成什麼動作。缺少這些資訊，產出仍可能停在「我們這一年合作很愉快」這種正確但空洞的層次。

第三輪：把脈絡補滿

幫我寫一封續約提醒信給合作中的在地店家。請使用我提供、已查證的合作成果與顧客回饋，不自行補數字或排名。續約方案維持原價，新增一項已確認的內容服務。語氣自然、不施壓，結尾提出一個明確的討論邀請。

這個版本就開始能用了。AI 有了具體成果可以寫進信裡（這是說服力的來源）、有了對方的需求當橋樑（在地社群內容）、有了續約方案的具體內容、也有了明確的行動呼籲。它寫出來的信會有血有肉，不再是罐頭。

第四輪：加上規格，打磨到可直接寄出

（接續上面的脈絡）這封信長度控制在 250 字以內，分三段：第一段溫暖開場帶出這一年的一個具體成果；第二段自然帶到續約方案，用「多了什麼」而不是「要續約了」的框架；第三段約他喝咖啡。不要用「敬啟者」「順頌商祺」這類正式書信格式，開頭直接叫他的名字。語氣參考：像是一個跟他已經變成朋友的供應商在賴他。

到這裡，這段 Prompt 涵蓋了角色（朋友般的供應商）、任務（寫續約信）、脈絡（具體成果、對方需求、方案內容）、規格（字數、三段結構、禁忌詞、語氣參考）。AI 交出來的東西，你大概僅需要微調幾個字就能寄出。

這四輪的差別，不是 AI 變聰明了，是你餵進去的資訊變完整了。每一次進化，都是在縮小那個「資訊落差」。你會發現，真正花時間的不是寫 Prompt 本身，是在寫之前把「我到底要什麼」想清楚。

寫 Prompt 最常犯的七個錯誤（含修正對照）

接著這七個錯誤，是行銷人在實務裡最常反覆踩的坑。每一個都附上「爛寫法」跟「修正寫法」，你對著改就能立刻看到差別。

錯誤一：把話題當任務

「SEO」是話題，「針對完全不懂技術的小老闆，用三個比喻解釋為什麼 SEO 比下廣告划算」才是任務。任務要有動詞、有對象、有明確目標。僅給話題，AI 僅能給你最通用的那篇八股文。

錯誤二：什麼都說「專業一點」

「專業」是世界上最模糊的形容詞。對誰專業？哪個領域的專業？是要學術論文那種帶文獻的專業，還是業界老手那種一針見血的專業？用具體的參考對象取代形容詞：「語氣參考哈佛商業評論的專欄」遠比「專業一點」有效。

錯誤三：一次塞十個要求

「幫我寫一篇文章，要 SEO 優化、要有故事、要有數據、要幽默、要感人、要專業、要口語、要 3000 字、要有表格、要適合社群轉發」。十個要求互相矛盾（幽默跟專業常常打架、3000 字跟社群轉發背道而馳），AI 僅能妥協，產出一個什麼都沾到邊、什麼都不到位的東西。拆成多輪迭代，一輪解決一個維度。

錯誤四：不給範例

你希望 AI 寫出某種特定風格，最快的方法是直接丟一段你寫過的、你喜歡的文字給它當參考，這比用形容詞描述有效太多。這就是 Few-shot prompting 的核心：給它看，比跟它說更有效。你要的是「像這樣的語氣」，就直接貼一段範例進去。

錯誤五：負面指令太多、正面指令太少

很多人寫 Prompt 滿滿都是「不要這樣、不要那樣」。AI 對「不要做什麼」的遵從度，遠低於「要做什麼」。與其說「不要用艱澀的字、不要寫太長、不要有錯字」，不如直接說「用國中生看得懂的字、每段不超過三句、寫完自己檢查一次錯字」。把禁止改成要求，效果立刻翻轉。

錯誤六：假設 AI 知道你的產業常識

你以為「轉換率」「名單」「滾雪球」這些詞 AI 都懂，它確實懂那個字典定義，但它不懂這些詞在你的產業、你的公司裡具體指什麼。任何會影響判斷的內部名詞、行話、特殊定義，都要附上一句解釋。這在處理分析型或生成型任務時特別關鍵。

錯誤七：不檢查假設與依據

如果產出不符需求，別僅說「重寫」或「改好一點」。可以請模型列出它採用的假設、引用依據、未確定事項與驗收標準，再針對缺口補資料。這不是要求模型揭露內部思考過程，而是取得可檢查的簡短理由與工作假設。

錯誤	爛寫法	修正寫法
把話題當任務	寫一篇關於 SEO 的文章	針對不懂技術的老闆，用三個比喻解釋 SEO 比下廣告划算
說「專業一點」	語氣要專業	語氣參考哈佛商業評論專欄的風格
一次塞十個要求	要幽默又要專業又要感人又要口語	拆成多輪，一輪處理一個維度
不給範例	寫得有質感一點	貼一段你喜歡的文字：「參考這個語氣」
負面指令太多	不要艱澀不要太長不要有錯字	用國中生看得懂的字、每段三句內、寫完檢查錯字
假設它懂行話	幫我優化轉換率	轉換率指「填完表單的人數 ÷ 到達頁人數」，目標是從 2% 提到 4%
不檢查假設與依據	重寫，改好一點	請列出採用的假設、依據與仍缺少的資料，再提出修正方案

進階技巧：Few-shot、Chain-of-Thought、角色設定，什麼時候才該用

你可能在網路上看過一堆「進階 Prompt 技巧」，什麼 Few-shot、Chain-of-Thought、思維樹、ReAct 框架。老實說，大多數日常任務根本用不到這些。實際把 AI 用在各種任務之後，真正反覆派上用場的進階技巧僅有三個，而且每個都有明確的適用場景。

Few-shot：給範例，用在「風格與格式」可控性要求高的時候

Few-shot（少量範例）就是你直接在 Prompt 裡貼幾組「輸入 ➜ 輸出」的範例，讓 AI 照著那個模式走。它最適合的場景是：你要的東西有明確的格式或風格規律，但你很難用文字描述清楚。例如你要把一堆產品名稱統一轉成某種命名格式、你要 AI 學你某種特定的文案開頭寫法、你要它把客服對話分類成幾種類型。規律越隱性、越難言傳，Few-shot 的效果越明顯。

實作時可以先放少量、具代表性的範例，再用實際輸出測試是否需要增加。範例越多，會占用越多脈絡空間，也可能讓模型過度依賴某一種模式；重點不是湊數量，而是涵蓋真正需要辨識的差異。

Chain-of-Thought：叫它一步一步想，用在推理與多步驟任務

「先把完整推理過程寫出來」不是通用的增強技巧。推理模型通常更適合直接提供目標、限制與成功標準，要求它「一步一步想」可能沒有幫助，甚至影響表現。需要可稽核輸出時，可要求簡短理由、計算式、檢查清單或可驗證的中間結果，而不是內部思考鏈；OpenAI 在 Reasoning best practices 文件也是如此建議。

但要注意，這招不是萬靈丹。對純生成型任務（寫文案、寫故事）硬加「一步一步想」，反而會讓產出變得生硬、像在寫解題過程而不是在寫文章。它救的是推理，不是創意。

角色設定：切換的是知識與判斷框架

角色設定的價值不在「你是專家」五個字，而在一併寫出判斷標準。「以白帽 SEO 編輯角度審查；拒絕買連結與關鍵字堆砌；以讀者價值、可查證性和搜尋意圖為準」比空泛的「你是 SEO 專家」更可執行。

要請 AI 寫一篇反對黑帽 SEO 的文章，可以直接交代立場與依據，例如「說明買連結、隱藏文字與大量低價值內容的風險，引用 Google 官方垃圾內容政策，不捏造親身案例」。這比虛構顧問年資更可信。

另一個可測試的方法是提供反例。與其僅說「不要八股」，不如附上一小段不合格範例，標出空泛轉折、重複列點或過度宣傳等問題，再提供合格範例。模型能對照具體差異，比模糊禁止更容易驗收。

不同模型，不同的 Prompt 策略

同一供應商的不同模型與版本，對同一段 Prompt 也可能有不同反應。差異常來自模型是偏一般生成或推理、脈絡窗口、是否能搜尋、能否使用檔案與工具，以及產品層的系統指令。不要僅憑品牌印象分工，要用自己的真實任務做小型評測。

先分模型類型，再看工具能力

一般生成模型通常適合快速生成、改寫與格式轉換；推理模型則適合多條件分析、規劃與較複雜的問題。OpenAI 官方文件也提醒，不同模型類型需要不同提示方式：推理模型偏好簡單、直接的目標與限制，不需要要求它輸出完整思考鏈。

若任務需要最新資訊、試算表、程式執行或內部文件，先確認產品是否真的有相應工具與權限。模型本身「知道很多」不等於已連上即時資料；沒有搜尋或資料來源時，Prompt 寫得再完整也不能保證時效與事實正確。

任務條件	優先檢查	Prompt 微調建議
改寫、摘要、格式轉換	一般生成能力與輸出格式	提供範例、受眾與格式，要求保留不可改動內容
多條件分析與規劃	推理能力與可用工具	直接寫目標、限制、資料與驗收標準
最新或內部資訊	搜尋、連接器、引用與權限	指定資料來源、截止日期，要求標示未知與引用

務實做法是準備五到二十個代表性任務，固定資料、評分準則與成本條件，再比較不同模型版本。模型會更新，今天的體感排名不適合寫成長期不變的結論。

理解 Token，才會懂為什麼 Prompt 有字數成本

你在寫 Prompt 的時候，可能遇過一個狀況：指令寫太長，模型漏掉部分要求，或者回覆被截斷。這背後的關鍵概念是 Token。AI 模型不是一個字一個字讀你的文字，它把文字切成一個個 Token 來處理，而每個模型在單次對話裡能處理的 Token 數量有上限。

這跟你寫 Prompt 有什麼關係？關係很大。輸入、對話紀錄與輸出都會受模型或產品的 Token 限制影響，但各產品如何分配輸入與最大輸出並不完全相同。脈絡塞得太多，也可能稀釋真正重要的指令。所以那個四個積木的框架，並非要你把所有想到的東西都倒進去，而是要你把「真正會影響判斷的資訊」篩出來放進去。精簡，不僅是節省用量，也是提高資訊密度。想把 Token 的運作原理徹底搞懂，可以讀這篇 AI Token 完整介紹。

在處理需要大量背景資料的任務時，可以做一件很基本但很有效的事：先把脈絡分層。把指令、資料與範例分成清楚區塊，刪掉不影響判斷的內容，並用測試確認順序是否合適。不同模型對長脈絡與資訊位置的反應不完全相同，沒有「超過兩千字」就必然失憶的固定門檻。

這也牽涉到另一個概念：當你的任務需要 AI 參考大量外部資料時，光靠 Prompt 塞資料是不夠的，這時候會用到 RAG（檢索增強生成）或 MCP（模型脈絡協定）這類技術，讓模型去「查」資料而不是你「貼」資料。RAG 是什麼跟MCP 入門指南這兩篇把背後邏輯講得很白話，等你開始做進階任務會用到。

Prompt 跟 SEO、GEO 的隱藏關聯：當搜尋者開始用問題取代關鍵字

寫 Prompt 與規劃搜尋內容有一個相通之處：都要先弄清楚使用者真正想解決的問題。不過，模型指令與搜尋查詢的用途、可用脈絡及系統限制並不相同，不能直接視為同一件事。

搜尋者既可能輸入「SEO 教學」「咖啡館 台中」這類短語，也可能用完整句子描述情境，例如「我是台中的獨立咖啡館老闆，完全不懂 SEO，該從哪裡開始？」內容規劃不能僅押一種查詢形式，仍要回答背後的搜尋意圖。

這對內容創作者意味著什麼？你仍要把讀者的真實問題想清楚，用完整、有脈絡、可查證的方式回答，而不是堆砌關鍵字。業界常用 GEO（Generative Engine Optimization）或 AEO（Answer Engine Optimization）描述面向生成式答案的內容策略，但目前沒有能保證被 AI 搜尋引用的特殊格式或 Schema。Google 對 AI 搜尋功能的說明也指出，既有的 SEO 基礎仍然適用，結構化資料則應與頁面可見內容一致。

想深入了解這條路線，這幾篇值得反復回頭看：搜尋意圖（搞懂讀者到底在問什麼）、Google AI Overviews（AI 搜尋怎麼運作）、AEO 指南（怎麼被 AI 引用）、SEO vs GEO 的差異（兩套邏輯怎麼並存）。如果你負責的是內容策略，怎麼讓你的內容成為 AI 的答案跟資訊增益這兩篇，會幫你把「為什麼第一手經驗才是你最大的內容壁壘」這件事想透。

HubSpot 的 2026 年行銷報告整理了 AI 在行銷工作流程中的採用與應用情況，但這份報告不足以證明 Prompt 是所有團隊最關鍵的技能瓶頸。比較務實的說法是：能否清楚交代需求、提供資料並驗收輸出，已成為使用生成式 AI 的基本能力之一。

寫好 Prompt 之後，你該往哪裡走

把 Prompt 寫好，僅是把 AI 這個工具的開關轉到「有效」那一格。真正讓它替你創造價值的，是你在它背後餵的東西：你的第一手經驗、你對讀者的理解、你對問題的判斷。AI 寫不出來的，才是你內容裡最難被取代的部分；Prompt 僅是幫你把那些第一手經驗更有效率地搬出來。想把反覆使用的提示詞封裝成可重複載入的能力，可以看從提示詞升級到 Claude Skills。

如果你把 Prompt 當成一個起點，下一步能延伸的方向其實很多。想讓 AI 幫你做更深度的內容產製與工作流自動化，可以往 AI Agent 自動化代理走。想把 AI 跟你的 SEO 策略綁在一起，Google AI Mode跟LLM 與 LLMO 搜尋優化值得延伸閱讀。如果想用 AI 協助產品開發，也可以從Vibe Coding 入門開始。

六步行動方案：從今天開始把 Prompt 練起來

讀完不等於會用。下面是今天就能開始做的六步練習，實際花費時間會依任務複雜度而定。

1. 挑一個你這週真的要做的任務，不要拿練習題，用真實工作來練。真實的痛點會逼你把指令寫到位，練習題僅會讓你得過且過。
2. 動手寫之前，先花兩分鐘把四個積木列出來：這次我要 AI 扮演什麼角色、做什麼任務、需要哪些背景、成品要長什麼樣。列完再開始打字。
3. 第一版寫完，故意停手，預測 AI 會怎麼回答。這一步會逼你看見自己指令裡的盲區，你預測錯的地方，通常就是資訊落差最大的地方。
4. 拿到 AI 的回答，先問它「你這樣寫的考量是什麼」，別急著直接論好壞。它的回答會告訴你它缺了哪塊脈絡。
5. 把每一輪的修改記下來，哪怕是簡單的備忘。改了什麼、為什麼改、效果差在哪。累積十個案例，你就會有自己的 Prompt 直覺。
6. 用兩個模型版本或設定跑同一個任務，比較輸出差異，記下哪一種組合更符合你的驗收標準。

Prompt 這件事，說到底就是一種「把腦袋裡的東西精準搬出來」的溝通能力。你練的不僅是跟 AI 講話，是在練把模糊的想法變成清楚的指令，把直覺翻譯成別人（包含機器）能執行的規格。這個能力，在 AI 越來越無所不在的未來，僅會越來越值錢，而且它會反過來讓你跟真人同事的溝通也變得更精準。現在就挑一個你今天要做的事，用四個積木重新寫一次你的 Prompt 吧。你會立刻感覺到差別。