Prompt Engineering 不是咒語，而是降低理解誤差的設計

關於清朝時代的指令工程 Prompt Engineering ，Claude 的線上課程講解得很清楚誒！很多人把 Prompt Engineering 理解成學會幾句厲害咒語，但 Claude 其實講得很清楚：Prompt Engineering 本質上是在降低 AI 的理解誤差。

Prompt Engineering 的核心目標

① 降低模糊：減少 AI 自由發揮
② 提高一致性：不同輸入仍能穩定輸出
③ 建立結構：幫模型理解資訊邊界
④ 控制輸出：控制格式、語氣、方向

很多人會以為 AI 越自由越厲害，但真正做產品後就會發現 AI 最大的問題不是不會回答，而是「太會亂回答」。

所以 Prompt Engineering 的本質其實是「限制模型自由度」。

以下有八個重點幫大家整理好咧～～～

Clear & Direct（清楚直接）

AI 最怕的是模糊，而且第一句 prompt 最重要。

因為模型會先判斷你要它做什麼？任務類型是什麼？輸出應該長怎樣？

很多人會這樣跟 AI 說：我最近在研究太陽能相關東西……

這句話放在人類聊天的場景很自然，就是沒話找話聊😂，但對模型來說這種句子沒有明確任務。

👉 更好的寫法：用 instruction，不要用 question，也不要用這種沒話找話聊的寫法。

例如：
Ｘ你知道哪些國家使用地熱能源嗎？
Ｏ指出哪三個國家已經在使用地熱能源。

Being Specific（具體化）

這部分超多人忽略，很多 prompt 爛，是因為人類根本沒定義「什麼叫好答案」。

例如「幫我寫一份飲食計畫」，這其實非常模糊。

模型不知道幾餐？要不要熱量？要不要營養比例？要不要克數？要不要時間？要不要便宜？有沒有挑食的限制？

Prompt Engineering 的核心其實是在把「隱含需求顯性化」。

相同的問題加入 guideline 之後，回應品質分數直接從 2.3 → 7.8。

① Quality Guidelines（品質規則）

規定：輸出應該具備哪些特性。
例如：限制字數，要有熱量，要有蛋白質比例，要有時間安排。

這是在控制「結果該長成什麼樣」。

② Process Steps（思考步驟）

這個更進階，不是只規定結果該漲成什麼樣，更是在規定「 AI 要怎麼思考」。

例如：
1. 先計算熱量
2. 再分配 macro
3. 再安排餐次
4. 再確認限制

這其實就是把 Chain of Thought 半顯性化。

XML Tags（結構化）

當 prompt 很長時，模型容易搞不清哪裡是 instruction？哪裡是 data？哪裡是 context？

所以我們要加上結構。

XML tags 的真正作用不是讓格式變漂亮，真正的目的是在為模型建立資訊邊界。

本質上像什麼？其實很像你在幫 AI 做 AST（抽象語法樹），在建立語義區塊。

Few-shot / Multi-shot Prompting（範例引導）

這是 Prompt Engineering 最老生常談但也最強的技巧之一。

AI 最擅長的是什麼？不是理解規則，而是模仿 pattern。所以與其講 6000 個字的規則，不如直接給 AI Input → Output 的範例。

範例是在做：模式對齊，語氣對齊，格式對齊，以及推理方向對齊。不對齊就直接開始生成，你事後要花很多時間去修改調整啊！

特別是一些抽象規則，對 AI 來說很容易失真，像是溫柔？每個人的溫柔定義都不一樣，怕老婆的也會說河東獅吼的很溫柔。

但 pattern 模仿可以很穩定。

System Prompt（角色控制）

System Prompt 不是規則清單，關鍵在於「人格注入」。

為什麼不要只寫規則？因為規則太多時，prompt 會變得很長，很難維護，也很難覆蓋所有情境。

與其列規則，還不如給角色就是這樣。當然，你對角色的描述也要越具體越好。

Temperature（創造力控制）

這是很多人只知道名字，但不懂本質的參數。

Temperature 真正控制的是 token 選擇的機率分布。

低 temperature 更 deterministic，更一致更保守。

高 temperature 更發散，更創意，但生成結果也更不穩定。

Output Control（輸出控制）

這部分比較工程化，有兩個超重要的技巧：

① Prefilled Assistant Message

先幫 AI 開頭，例如 Coffee is better because，AI 就會直接接下去。這樣做是在引導 AI 的生成方向。

② Stop Sequences

當 AI 生成特定字串時停止，例如 stop_sequences=["ＯＯ"] 時，這樣可以避免多餘的話嘮說明，markdown 包裹或是不必要的結尾。

Stop Sequences 我還蠻愛用的，畢竟 AI 的話嘮會讓我很阿雜。

Structured Output（結構化輸出）

這是 AI 工程超重要的概念，因為模型天生很愛自我感動式的解釋與補充說明，但產品系統通常只要 JSON、Python、CSV 或 Regex。

所以透過 Prompt Engineering 來限制輸出的格式就非常重要了。

－－－我是分隔線－－－

Prompt Engineering 研究到最後，我覺得最荒謬的一件事其實是...有些人第一次認真學「如何講人話」的原因居然是因為 AI 😅

以前大家聊天的時候很常聽到「你應該知道我的意思吧？」，咳，AI 不知道喔！它只會忠實反映你的需求到底有多混亂。或許這也是為什麼有些人寧可跟 AI 聊天，也不跟不會講人話的人聊天的原因？

AI 就像一面鏡子，它會把你的邏輯漏洞、語意斷裂、模糊指令、跳躍推理，全部都放大給你看。關鍵是，放大這些缺點的時候還能講得頭頭是道，所以當事人可能根本察覺不到自己被 AI 給 diss 了😔

某種程度上，Prompt Engineering 根本是現代人的邏輯修復課。😂

好啦！圖卡 24 張，存完不留言互動，AI 會給你亂唬爛呦！

本文原發表於 2026/05/26 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。