提示工程入門：把 ChatGPT 從猜謎機器變成得力助手

很多人第一次用 ChatGPT 的經驗是這樣的：興沖沖問了一個問題，得到一段看起來很厲害、實際上不太能用的回答，然後下結論說「AI 也不過如此」。我修 Vanderbilt 大學的 Prompt Engineering for ChatGPT 這門課時，最大的收穫是換了一個角度：問題常常不在模型，而在我們「怎麼問」。

提示工程（prompt engineering）聽起來很工程，其實更像一門溝通課。這篇把我覺得最實用的基本功整理出來：提示由哪些零件組成、為什麼要給角色、範例怎麼給、以及為什麼一次到位不是目標。

提示不是咒語，是一次交辦

把提示（prompt）想成你丟給一位聰明但完全不了解你處境的新同事的交辦訊息，很多事就通了。他很會寫、很會整理、知識面很廣，但他不知道你的公司、你的讀者、你的目的。你交辦得越模糊，他就越只能用「最平均、最安全」的方式回答你，於是你得到一段四平八穩的廢文。

所謂提示工程，就是有意識地設計這段交辦：把任務講清楚、把背景補上、把期待的樣子描述出來。它不神祕，也沒有魔法關鍵字，本質是把「我到底要什麼」想清楚，再用對方能執行的方式說出來。

好提示的四個零件

一個結構完整的提示，通常包含四個零件。不是每次都要四個齊全，但當輸出不理想時，照這張清單檢查，多半能找到缺的那一塊。

• 指令：你要它做什麼動作。「摘要」「改寫」「比較」「列出」都是動詞，動詞越精確越好。
• 脈絡：任務的背景。寫給誰看、用在什麼場合、有什麼前提限制。脈絡是新手最常漏掉的零件。
• 範例：給它一段「長這樣就對了」的參考，讓它模仿結構與語氣。
• 輸出格式：條列還是表格、幾點、多長、什麼語言。格式講死，結果就穩。

給它一個角色

「請你扮演資深編輯」「請你扮演面試官」這類角色設定（persona），是最容易上手、效果又明顯的技巧。原因不玄：模型是從海量文本裡學會說話的，角色像一個座標，告訴它該從哪一種人的口吻、知識密度與關注點來回答。

同一個問題，丟給「小學自然老師」與「材料科學研究員」這兩個角色，得到的答案深度與用詞會完全不同。

角色也可以設在「聽眾」那一端：請它「解釋給完全沒有財務背景的人聽」，跟指定它自己的身分一樣有用。我自己的習慣是兩端都設：它是誰、讀者是誰，一句話就能講完，回報卻很高。

給範例，勝過長篇解釋

當你想要特定的格式或風格，與其用文字形容「精簡有力、口語但專業」，不如直接貼一段範例說「照這個寫」。這種做法一般稱為少樣本提示（few-shot prompting）：給一到三個「輸入對應輸出」的示範，模型就會抓到規律，套用到新的輸入上。

範例特別適合的場景：固定格式的資料整理、風格一致的社群文案、特定結構的報告段落。要注意範例本身要乾淨，你給什麼樣的示範，它就放大什麼樣的習慣，範例裡的毛病也會被一起學走。

一次不到位很正常：把對話當成迭代

新手常見的挫折是：提示寫了很久，輸出還是不滿意，於是放棄。但提示工程的正確預期本來就不是一次到位，而是把第一個輸出當草稿，在同一段對話裡持續修：太長就說砍一半、太正式就說口語一點、漏了重點就把重點補進去再跑一次。

對話式的介面正是為這種來回設計的，模型會記得前文，你每一輪只要講「差在哪」就好。等你修到滿意，回頭把這一整串修正濃縮回提示裡，下次同類任務就能一次逼近成品。這個「用完就回收經驗」的循環，就是提示能力成長最快的路。

新手最常踩的三個坑

• 把它當搜尋引擎：拿它查冷僻事實、要它給文獻出處，然後被一本正經的錯誤答案坑。生成式 AI 擅長的是加工你給它的材料，不是保證事實正確。
• 一個提示塞十件事：又要研究又要摘要又要翻譯又要排版，結果每件都做半套。大任務拆成幾輪，各個擊破。
• 不驗收就直接用：它的輸出永遠是草稿。涉及事實、數字、專有名詞的部分，發出去之前自己查證一次，這是使用者的責任。

基本功就是這些：四個零件、角色、範例、迭代。聽起來樸素，但我自己實測下來，光是每次動手前先問「指令、脈絡、範例、格式，我給齊了嗎」，輸出品質就已經跟大多數人拉開差距。剩下的，就是拿你手上真實的工作去練。