AI 回得爛不是它笨，是你沒說清楚：從 Google 的 prompt log 學會下指令

很多人用 AI 的流程是：丟一句話進去，看到輸出不滿意，嘆口氣說「AI 也不過如此」，然後關掉視窗。Google AI Essentials 課程裡我覺得最值錢的東西，不是任何理論，而是一張樸素的表格：prompt log（提示紀錄）。

它的玩法很簡單：把你的初始提示、對輸出的評估、修訂後的提示與修訂理由，一欄一欄寫下來。寫過幾輪你就會發現，問題幾乎都不在 AI，而在提示裡缺了某樣東西。這篇文章用課程裡的真實案例，帶你看缺的到底是什麼。

prompt log：課程裡最實用的一張表

課程的每個實作活動都圍繞同一個循環：寫提示、看輸出、評估差距、修訂提示。prompt log 就是把這個循環白紙黑字記下來的工具。它強迫你回答兩個問題：這個輸出「哪裡」不符合需求？我的提示「少說」了什麼？

課程第一個練習就很有代表性：請 AI「寫一封感謝銷售團隊的信」。輸出文情並茂，但評估欄裡寫了三個問題：信太長（因為提示沒講長度）、內容出現與事實不符的細節（因為提示沒說感謝的具體原因）、沒有提到團隊成員的名字（因為提示裡根本沒給）。

你看，每一個缺點都能對應回提示裡缺的那句話。

案例一：從「幫我摘要」到「用表格列行動項目」

情境：一份會議紀錄，裡面散落著三個待辦與負責人。初始提示只寫「Summarize the following notes」，AI 便老老實實把整份紀錄摘要了一遍。輸出沒有錯，但不是你要的：你要的是同事能一眼掃完的行動項目清單。

案例二：改信改到變更長？因為你沒說要多短

第二個案例是請 AI 修改一封募款信。初始提示只說「Edit the following email」，結果 AI 把信改得更長、更詳細，跟想要的方向完全相反。AI 不會通靈：「編輯」對它來說可以是潤飾、擴寫、改語氣任何一種。修訂版提示補上一句「改得更精簡、句子更短」，輸出立刻到位。

第三個案例更典型。初始提示：「幫我們規劃一門 35 人的電腦素養課程。」AI 給了泛泛的課程規劃，完全沒碰到真正的痛點，因為痛點根本沒寫出來：學生 35 人，電腦只有 20 台。

修訂版把脈絡補齊：「這門課每週上兩小時，已有 35 位學生報名，但教室只有 20 台電腦，請提供這個挑戰的可行解法。」AI 這才開始給出分組輪用、混合教學這類真正對症的建議。

進階三招：範例、格式、一字之差

課程後段的活動是幫年會做規劃，示範了幾個更細緻的技巧：

• few-shot 提示：要 AI 寫年會標語時，提示裡先附上兩句範例標語，AI 就能抓到想要的風格與格式。兩個以上的範例就叫 few-shot，是引導風格最有效率的方式。
• 條件列點加表格：選主辦城市時，把三個條件（住宿充足、近機場、臨大片水域）逐條列出，再要求「找出五個符合條件的城市，整理成表格」，輸出直接變成可以開會討論的比較表。
• 一字之差：要 AI 做講者追蹤表，第一版拿到的是塞滿假資料的表格；把提示改成要「空白範本（template）」，才拿到能直接填自己資料的版本。用字精準，輸出就精準。

評估輸出的五個問題

prompt log 的另一半功夫在評估。課程給了五個檢查問題，我現在每次用 AI 都會在心裡跑一遍：

• 準確嗎？資訊是否屬實、是否過時，有沒有幻覺。
• 無偏嗎？內容是否公允，有沒有對特定族群的偏頗。
• 足夠嗎？資訊量是否完整回應了任務。
• 相關嗎？輸出是否切合你的任務與脈絡。
• 一致嗎？同樣的提示多問幾次，結果是否穩定。

此外也要核對細節：課程示範在整理優缺點清單後，逐項檢查 AI 有沒有漏掉、重複或擅自更改提示裡給的資訊。這個動作不起眼，卻是把關輸出品質的最後一道防線。