提示詞工程沒有過時：六大架構＋五個技巧，讓 AI 真正聽懂你
「提示詞工程（Prompt Engineering）」這一兩年被講到爛，甚至有人主張：模型越來越強，再隨便的指令它都能靠對話補齊——提示詞工程，是不是已經不重要了？
「提示詞工程已不重要」這個說法，我只同意一半。AI 確實讓我們能把更多事「往上交」——從前是自己想清楚再丟給它，現在能請它幫你一起想。但「把需求講清楚」這件事不但沒過時，反而是這個時代的基礎能力：就像有了計算機，懂心算邏輯的人處理數字還是快一截；懂提示詞（prompt）底層邏輯的人，用 AI 的效率就是不一樣。
你大概有過這種經驗：AI 給的東西排版漂亮、用詞專業，但讀完總覺得「差一點」，又說不上哪裡怪；或者改了好幾輪，越改離你要的越遠。這篇拆三件事：為什麼會這樣、一份專業提示詞的骨架（Anthropic 六大區塊），以及五個我每天在用的技巧。
為什麼產出總是「差一點」：模糊進去，只會更模糊
關鍵在於：AI 是世界上最會「尬聊」的對象。 人聽不懂會反問「你是指什麼？」，AI 不會——不管指令多模糊，它永遠有話接、永遠直接動工。你說「幫我寫一篇文章」，它連寫給誰、多長、什麼風格都不知道，就開始寫了。
模糊的輸入經過 AI 只會被放大，不會被消化。 為了補滿空白，它會套用預訓練（pre-training）學到的泛用知識——它懂「資料分析」的通則，卻不可能知道你們團隊真正在乎的北極星指標。更糟的是連鎖效應：指令留一個模糊地帶，它就臆測一個假設；第一個假設錯，後面全歪。這就是「看起來不錯、就是不對」的真相——不是 AI 不夠強，是它在你沒注意時，替你做了一堆你沒同意的決定。
心態：把 AI 當成「聰明、但對你一無所知的新同事」
學技巧之前，先擺正心態：把 AI 想成一位很聰明、學什麼都快，但對你處境完全不了解的新同事。你給的背景、目標、期望越清楚，他交出來的就越準；講得越含糊，他就只能猜。而且他不會停下來問——遇到不確定就自己補一個答案、自信地交給你，補錯了你才發現整份要重做。
給 AI 的資訊不是越多越好，而是「剛好」最好。 請它寫個簡單小工具，卻塞給它一堆無關的歷史對話、半年前的會議雜記，它反而分心、把不相干的也算進去。這就像請新同事幫個小忙、卻丟他一份「公司十年大事記」。給足夠且相關的脈絡，不多不少，是做好提示詞工程最重要的一條原則。
一份專業提示詞的骨架：Anthropic 六大區塊
Anthropic 這六個區塊不必每次都寫滿，但有這張清單，卡住時就有方向。用「請 AI 分析一批使用者回饋」當例子：
- 角色（Role）：一兩句設定身份，例如「你是有十年經驗、專精 B2B SaaS 的產品策略師」——產品策略師和客服看同一批回饋，切入點完全不同。
- 背景（Context）：給相關脈絡，例如「我們做專案管理工具，客戶是 50–200 人科技公司，三個月留存從 10% 掉到 5%」。只給跟任務直接相關的，別全塞。
- 任務指令（Task）：寫得像規格。不要「幫我分析」，而是「找出留存下滑的前五大原因，每個附三則代表性原文＋一個具體建議」——定義好數量、依據、產出。
- 範例（few-shot）：貼一份「理想成品」給 AI 參考。但 AI 看到範例會強烈傾向模仿，所以要說「結構照這個、內容依新主題重新發想、風格可更活潑」，留出空間。
- 輸出格式（Output Format）：指定結構、長度、重點數，例如「用 Markdown，每個原因一個標題，分問題描述、原文、建議三段」。不講格式，AI 猜的八成不對。
- 重申關鍵（Repeat）：最重要的那一條指令，結尾再講一次（模型對開頭、結尾權重較高），例如「每條建議必須具體可執行，不可寫『加強溝通』」。
提示詞較長時，用 XML 標籤把區塊框起來（如 <context>…</context>），幫 AI 看懂結構。
五個我每天在用的技巧
1. 先定義「輸出格式」——因為你常常自己也還沒想清楚
叫 AI 改第二段、它卻連三四段一起改，是常見痛點。先把產出樣子定義清楚，之後就能下「只改這區、其他別動」這種手術級指令。更深一層：當你被迫定義「我到底要什麼產出」，會發現卡關的常是你自己——答不出「想從這次對話得到什麼」，就代表還沒準備好交給 AI。
2. 要求 AI 反問你——尤其卡住時，更要寫給它，別自己腦補
指令裡固定加一句：「不清楚的地方先問我，不要自己假設。」AI 預設收到就做、不確定也硬補；加了這句，它會先對齊再動手。這一招在「想法還很模糊」時最關鍵：正因為還沒想清楚、提示詞難寫，你更要把「能講的、講不清的、卡在哪」通通打給 AI，讓它反問你、陪你逼出方向——而不是你先腦補、它再跟著腦補，兩個人一起走錯路。不懂就問，不要猜，這句話對你對 AI 都成立。進階做法：把這條規則寫進 AI 的「記憶／自訂指令（Custom Instructions）」，讓它每次都遵守。
3. 複雜任務，叫 AI「一步步想」再下結論（思維鏈）
遇到資料分析、策略、多步驟或除錯，加一句「請一步步思考、分析完再給結論」，或替 AI 排好順序（先市場→再對手→再資源→才建議）。要它把每一步攤開，它會更仔細、比較不會跳步出錯。這招叫思維鏈（Chain of Thought），任務越複雜越有用。
4. 不只給「好範例」，更要定義「壞產出」
AI 預設風格過度委婉、假裝面面俱到、非常無聊；你不告訴它什麼叫「爛」，它就退回那個安全但沒用的模式。「幫我整理會議記錄」常拿到「持續追蹤」「加強跨部門溝通」這種看完等於沒看的句子；但加上「每個待辦都要有負責人和截止日、不准模糊代辦」，它就給你「王大明，週五前完成 API 串接」。一直喊「再好一點」沒用——同時給出「好的樣子」和「爛的樣子」、劃出邊界，AI 才知道往哪走。
5. 最強懶人技：請 AI 幫你寫提示詞（meta prompting）
再多提示詞技巧也記不住，最快的做法是直接請 AI 幫你寫提示詞：把需求用白話講一遍，然後說「請依我的需求，幫我寫一份結構化的提示詞，包含角色、背景、任務、輸出格式」，再拿生出來的版本微調——通常比你從零寫又快又好。許多 AI 原生團隊本身就花大量時間打磨超長的系統提示（system prompt），把「寫好提示詞」當成值得投資的事。
結語：提示詞工程，本質是「把話講清楚」的能力
提示詞工程的所有技巧，背後其實是同一件事：逼自己把需求想清楚、講清楚。 六大架構幫你講完整，五個技巧幫你講精準。AI 不會幫你把模糊變清楚，只會放大你給的模糊——真正的槓桿，從來都在你按下送出之前。模型只會越來越強，但「能不能把需求清楚交代給 AI」這個差距，正悄悄拉開每個人用 AI 的效率。下次又覺得 AI「差一點」，先別急著怪它，回頭看看你的指令是不是留了模糊地帶。
本文方法與案例為本人實作，草稿由 AI 協助整理。