大部分人寫提示（prompt）的方式，就像發訊息給朋友一樣——隨口一問，沒有任何背景資訊，然後對得到的籠統答案感到失望。普通AI回答與真正有用的答案之間的差距，通常不在於模型本身，而在於提示。少數幾個技巧——每一個都有公開研究支持，或是由開發這些模型的實驗室親自記錄下來——能可靠地改變輸出內容的具體程度、準確度和格式。以下就是這些技巧的來源，以及它們在實際操作中的樣子。
給模型一個角色和任務，而不只是一個問題
Anthropic官方為Claude撰寫的文件建議，把角色描述放在系統提示（system prompt）裡，而不是埋在第一句對話中——清楚告訴模型它是誰、可以做什麼、以及預設該用什麼格式輸出。OpenAI的提示工程指引也提出同樣的觀點：一個具體的角色設定，能在模型寫下第一個字之前，先收窄它對讀者和語氣的假設。
之前： 「寫一篇關於冬天去日本打包行李的文章。」
結果：一篇清單式的答案——保暖衣、雨傘、轉接頭——讀起來跟網上其他打包文章一模一樣。
之後： 「你是一位旅行裝備編輯，曾經為阿爾卑斯山和北海道之旅測試過各種防寒分層系統。請為一個從未在雪地打包過行李的人，寫一份為期10天、2月前往東京和北海道的行李清單。並指出大家最常忘記帶的兩件物品。」
結果：具體而不偏向任何品牌的建議（例如整天步行用的發熱鞋墊、在防風外殼下加一層可摺疊羽絨，而不是一件厚重大衣），以及真正的「常被忘記的物品」提醒——因為這個角色設定，限制了什麼才算是一個完整的答案。
用例子示範，而不是描述規則
這就是「少樣本提示」（few-shot prompting），由OpenAI在2020年發表的論文《Language Models are Few-Shot Learners》（Brown等，arXiv:2005.14165）正式提出，也就是推出GPT-3的那篇研究。論文的核心發現是：在提示中加入少量「輸入—輸出」範例——完全不需要重新訓練模型——就能讓模型推斷出其中的模式，並應用到新的情況，有時甚至能媲美專門為該任務微調過的模型。
之前： 「把這段文字改寫成一句吸引人的Instagram標題：我們去了清邁的夜市，還試了芒果糯米飯。」
結果：內容籠統，文字略嫌生硬。
之後： 先給兩個例子——
「輸入：我們在台北象山看日落。輸出：101的view，零後悔。🌇
輸入：我們吃路邊小籠包吃到走不動。輸出：為風景而來，為小籠包留下。🥟
輸入：我們去了清邁的夜市，還試了芒果糯米飯。輸出：」
結果：模型現在會配合你的節奏、長度和用表情符號的習慣，而不是用它自己預設的風格——因為它是在對照你給的例子來配對模式，而不是憑空猜測什麼叫「Instagram語氣」。
先讓它推理，再給答案
「思維鏈提示」（chain-of-thought prompting）出自Google Brain在2022年發表的論文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》（Wei等，arXiv:2201.11903，後來發表於NeurIPS 2022）。這個技巧是在提示的範例中，加入完整的推理步驟。論文指出，一個包含8個思維鏈範例的提示，把一個5400億參數模型在GSM8K數學應用題基準測試上的準確率，從約18%推高到57%。後來Kojima等人的研究發現更簡單的做法：根本不需要範例——只需在提示後面加一句「讓我們一步一步來想」（Let's think step by step），這種「零樣本思維鏈」就能在推理任務上帶來顯著提升。
之前： 「我在里斯本有3天時間，扣除機票後預算600美元，想安排一天的近郊一日遊，應該怎麼安排？」
結果：一個聽起來合理，但沒有實際驗算過的計劃，可能根本不符合預算。
之後： 加上一句：「請一步一步思考：先把預算分配到住宿、餐飲、一日遊和應急金額上，並列出計算過程，再根據剩下的金額安排行程。」
結果：模型會先列出運算過程，然後才給出計劃，這樣就更容易發現預算根本算不攏的問題——而且得出的行程安排，也會更貼近實際數字，而不是把預算晾在一邊。
要求具體的結構，而不只是「排版好看」
如果你需要的是能直接解析、或貼進試算表的輸出，模糊的格式要求是行不通的。OpenAI在2024年為其API新增的Structured Outputs功能，讓開發者可以提供一個精確的JSON結構（schema），要求模型的回應必須完全符合——這是舊版「JSON模式」的更嚴格升級版，因為JSON模式只保證輸出是合法的JSON，卻不保證格式正確。在Claude方面，Anthropic記錄的做法則不同，但解決的是同一個問題：把指示和範例包在類似XML的標籤裡，並預先填寫模型回覆的開頭，例如直接以 { ，或以像 <itinerary>這樣的標籤開頭）它就會順著這個格式繼續寫下去，而不會寫成一般段落。
之前： 「給我比較一下曼谷三間青年旅館。」
結果：三段文字，你還要自己手動整理成表格。
之後： 「請以JSON陣列（array）格式，回傳曼谷三間青年旅館的比較。每個物件必須剛好包含以下欄位：name、neighborhood、price_per_night_usd、nearest_bts_station、best_for。只需回傳JSON，不要任何說明文字。」
結果：輸出可以直接貼進程式碼或試算表，完全不用再整理。
把這些技巧疊加起來用
這些技巧是會疊加的。一個真正有效的提示，往往會同時用上全部四種：一個角色設定（「你是一位簽證顧問」）、幾個你想要的答案格式範例、一個要求先推理再下結論的指示，以及一個明確的輸出結構。這一切都不需要付費工具，也不需要上什麼提示工程課程——只需要把提示本身當成作品的第一份草稿，而不是在拿到真正答案之前，隨手打幾個字的前奏。
