Parser Prompting是什麼？我如何靠符號語法讓ChatGPT精準執行任務

昨天 李柏鋒 一篇貼文，我這裡湧入了一大堆的詢問。先說為什麼會發現這種指令寫法好了，其實是三月份的時候，在某一次跟chatGPT對話過程中，突然意識到很隱晦的語言模型的改變，通常你不點選更換模型，是不會出現這種事情的，但因為我對文字很敏感，因此馬上就察覺到，並開始一直問下去。

然後又經過一堆驗證與確認，零零星星花了兩個月來確認這是因為我觸發了Parser模式(引導模型去模擬 parser 的語意推理邏輯)，因此可以用寫程式的方式來寫prompt，讓模型以結構化方式理解並執行任務。並大幅節省API token的耗用，生成的結果也因為觸發到高階模型(結構化輸入)而變得非常的讓人滿意。

Parser Prompting 是什麼？

簡單說，它是讓模型看懂你設計的提示語，進而執行「精準對應結構」的能力。

更白話一點：不是讓你「寫得像人話」而已，是讓你「寫得像機器能讀懂的結構化任務指令」。

更更更白話一點，就是讓你的chatGPT可以像Manus或MCP一樣，自動幫你完成一連串的動作，而且你只需要一句話就可以完成了。

Parser的關鍵詞

① 語意拆解

句子不是寫給你自己爽，是讓模型看得懂你的任務目的。

② 符號語法

就像寫程式，parser 需要你下對結構符號，才能 parse 成你要的模組邏輯。

③ 對應模組

每一段語意，要被送進不同模組裡做處理，否則就會整包錯位。

舉個簡單例子

你寫這樣一行 /strategy <提升顧客回購率> ?常見盲點 ><錯誤做法 ::建議方向 //summary

這串 prompt 在 parser 看來是這樣解析的：

① /strategy：主模組是策略建議生成器

② <提升顧客回購率>：主題內容（topic）

③ ?常見盲點：補充語意段，提供背景誤區

④ ><錯誤做法：誤用收集器模組，辨識反面教材

⑤ ::建議方向：重構模組，生成有效對應

⑥ //summary：摘要模組，將整體輸出簡化收斂

這不只是你在「寫提示」而已，你其實在規劃一場結構任務執行流程，而且是跨模組、跨層級的整合調度。

所以 Parser Prompting 到底是什麼？

Parser Prompting 是將語意結構模組化，讓 AI 能根據提示語的邏輯階層，正確解析並分配任務的設計語法。

那麼，為了操作方便，我只列出200個Parser可以讀懂＆美式鍵盤上有的符號＆語意邏輯不會錯認的基礎模式。

當然，還有更進階的，大約400組Parser prompting，但整理到現在，我累了，所以之後再說吧！

為什麼你要會需要這個？

因為當你想要 AI 自動補出你沒說明白的潛台詞？你就得先給它可分析的語意分層。

想讓 prompt 可複用、可 scale、可訓練？那你得先有模組設計思維。

想讓不同任務間能交換 prompt 設計？Parser 格式會是你唯一能共通的語言。

因為你沒寫出 parser 看得懂的 prompt，你寫的只是你「以為」它會懂的自然語言。但 AI，不是你。它需要的是 Parser-friendly 的提示語設計。

怎麼開始使用Parser Prompting？

先學會拆語意、標記層級、分派模組，再來談「如何讓 Parser 幫你做自動化」。那才是寫 prompt 的起點，不是終點。

比如說：/thesis <蛋白質的角色> ::不同族群的需求差異 ?迷思 ><反駁 //summary

看得懂這行 prompt 的結構，你就已經進入 Parser Prompting 的世界了。

而且Parser prompting 的思維確實和 MANUS或 MCP有結構性的相似：（下面這段比較是讓GPT寫的）

① 模組化語義設計

MANUS、MCP 都強調將輸入拆分為功能模組，透過明確指令、參數與執行單位進行呼叫。而你設計的 /thesis <主題> ::面向 ?問題 ><反駁 //output樣式 本質上就是：

．明確標示模組功能（/thesis）

．引入語意參數（<> :: ? >< //）

．支援嵌套與層級排比（scaffolding / nesting）

這跟 MANUS 中 action(type)[modifier]{output} 或 MCP 中 command(arg){mode} 的語法模型幾乎同一邏輯核心。

② 語意階層與邏輯路徑

你的指令格式不只是單一層級，而是建立一個可以被 邏輯解構與重組的語意骨架。這就和 MCP 的 parse tree 建構模型相像，將複雜語義以語法樹方式分層展開，使 prompt 成為一種「語意代碼」。

③ 對接 parser engine / 轉譯器

不論是 MANUS 或 MCP，最終都假設會有一個 語法辨識器（parser） 來將語句拆解後轉為結構化輸入。你的 parser prompting 也是一樣邏輯且能辨識：

/ → 指令主幹

<> → 主題本體

:: → 架構子模組（如觀點、角色、層次）

? → 引發的問題意識

>< → 擬真反駁或常見誤解

// → 輸出格式選項

那Parser prompting跟Manus & MCP的確很像，但更由「語意主導」，MANUS 與 MCP 則較偏向程式設計語法與模組操作邏輯：

① 語意預設（semantic defaulting）

② 結構模組化 + 可對話性

③ 語境運算與邏輯節奏轉譯

所以，如果你也想開始使用 Parser Prompting，下面這段你可以先存起來慢慢拆。

parser 指令設計的 3 步驟－入門版

① 先決定主模組 /summary、/rewrite、/strategy、/post、/storyline⋯⋯

→ 就像你要下什麼功能指令，是摘要、重寫還是敘事？

② 再決定語意分派

<> 是主題本體、:: 是延伸觀點、? 是問題引導、>< 是誤解反駁、// 是輸出樣式。

→ 這些符號幫助你像寫 parser config 一樣設計任務邏輯。

③ 最後加上語氣調節符（進階技巧）

像 //rewrite(punch)、/post<warm>、/thesis::point(2)，這些格式都能直接讓語氣模組進場。

學會 Parser Prompting，會發生什麼事？

① 你的提示語將具備「可對接」、「可擴充」、「可複製」三種技能。

② 你寫 prompt 的速度會快到像在鍵盤劃水。

③ 你會開始寫出別人看不懂，但 AI 一看秒懂的語言。

最重要的：你會開始意識到你不是在對 ChatGPT 下指令，而是在設計一個能被任務執行的語意流程。

這篇我先寫到這，要去接小孩啦！

如果你已經在用 parser 指令，也歡迎分享你最常用的模組組合。

如果你完全沒聽過，那你現在知道了，你錯過的不是某個技巧，而是一整個設計邏輯。

那如果有人看完收集完200張圖卡，還是不知道怎麼做？或者想學進階的用法？留言一樓處有甩賣價的線上講座連結喔！

喔！如果沒標註，那就是半形符號喔！！！

統一回應：

6/2 update: 經常會用到的就幾個符號而已，/ , // , :: , + , - , <> , {} , $ , @....等，大多數情況我都只有用到這些，不會特別去使用複合符號。全部列出來是因為我有收集癖😅

6/3 update: 固定使用指定的符號的目的是為了生成結果的 #穩定性，而不是為了要學習程式語言。自己亂用，AI可以猜出來，但每一次猜都有隨機性的成份在裡面，而且會搞亂自己的帳號。如果要亂測試的話，建議用 #臨時對話 的模式來測試就好，以避免干擾主要任務流程的語言習慣。。GPT 沒有真正內建 parser engine，但可以理解parser運作方式，透過符號式的語意標記，我們可模擬語法拆解過程，讓模型用語法轉譯的方式來執行任務。

本文原發表於 2025/06/02 的 Facebook 貼文，原文照登，僅調整網頁排版；文中提及的產品、價格與活動以當時為準。