同一個 AI,問法決定答案:Prompt 是什麼

你身邊一定有這種人:用同一個 ChatGPT,他問出來的答案又精準又完整,你問出來的卻是廢話一堆、答非所問——然後你懷疑是不是自己的帳號有問題,或者他有什麼你不知道的「付費外掛」。

答案是:沒有外掛。差距在問法。更精確地說,差距在於他懂得「給 AI 足夠的資訊」,而你習慣「把 AI 當搜尋引擎用」。這一堂課的目標就是讓你從根本上搞懂這件事:prompt 是什麼、為什麼寫法差一點輸出就差一大截、以及你這輩子不需要再去網路上找「神 prompt 咒語」。

這堂學什麼

• AI 語言模型的運作本質:機率接龍,不是搜尋引擎——這個心智模型影響你所有後續的 prompt 寫法
• 三組「爛問法 vs 好問法」真實對照:文案、Email、資料分析,立刻看到輸出差異
• 為什麼「講清楚」比「下咒語」有效:破解網路上流傳的神秘 prompt 迷思
• 七堂課的完整路線圖:每一堂學什麼、疊在哪個基礎上
• 手把手練習:把你現在的一個爛問法改成好問法

觀念一:AI 不是搜尋引擎

絕大多數第一次用 AI 的人都犯同一個錯:把 AI 當搜尋引擎用。輸入「行銷策略」,期待 AI 像 Google 一樣回傳一串有用的連結或標準答案。

但 AI 語言模型的運作原理跟搜尋引擎完全不一樣:

搜尋引擎是查索引表:你輸入「台北天氣」,它去查已經建好的資料庫,回傳那個關鍵字對應到的特定網頁——答案是早就存在的、固定的。

語言模型是機率接龍:你輸入「幫我」,模型計算下一個字最可能是什麼(假設是「寫」,機率 41%),確定「寫」之後再算下一個字(假設是「一篇」,機率 67%)……一路這樣生下去,直到整個回應結束。每一個字都是即時算出來的,答案是生成的,不是查到的。

這個差異非常關鍵,因為它解釋了為什麼 prompt 的寫法如此重要:

• 搜尋引擎:關鍵字越少越好,它自己去理解你的意思
• 語言模型:你給的資訊越多越具體,它的機率分布就越集中,輸出就越接近你要的結果

換句話說,你問「幫我寫文章」,AI 不是在偷懶——它是真的不知道你要什麼文章、給誰看、什麼語氣、多少字。它只能用「幫我寫文章」這六個字裡包含的資訊做預測,預測結果當然是一鍋大雜燴。

核心觀念:prompt 不是搜尋關鍵字,它是給 AI 的工作指示書。你給的資訊越完整,它的輸出越符合你的需求。

觀念二:爛問法 vs 好問法,差距有多大?

光講原理不夠,來看三組真實對照。

對照一:寫 IG 文案

爛問法:

幫我寫文章

AI 回應:「當然!我可以幫你寫文章。請問您想寫什麼主題?目標讀者是誰?大概多少字?需要什麼風格?」

AI 不是不肯幫,它是真的沒有足夠資訊。回應變成一連串反問,你要再回答四次問題才能拿到成品——整個對話卡住了。

好問法:

用輕鬆的語氣,幫我寫一篇 300 字的 IG 貼文,主題是:我在台北信義區開了一家賣手工皮革錢包的小店。目標讀者是 25–35 歲喜歡質感生活的上班族。結尾加一句行動呼籲。

AI 回應(直接給成品):

🎉 一個關於皮革和質感生活的故事,就在信義區悄悄展開。

每一個錢包都是師傅手縫,從選皮、裁切到打磨,花的是時間和老工藝。如果你也相信,每天拿出來的東西值得被好好對待——這個週末來找我們吧。限量 30 件首發優惠等你✨

一次拿到可以直接用的成品。差距來自:你告訴了 AI「語氣(輕鬆)、格式(300 字 IG 貼文)、主題細節(信義區、手工皮革錢包)、目標讀者(25–35 歲上班族)、結構要求(結尾加行動呼籲)」。

對照二:回覆 Email

爛問法:

幫我回這封信

AI 不知道你跟對方是什麼關係、這封信說了什麼、你想達成什麼目的、用什麼語氣——又會反問你一堆。

好問法:

我是一個小公司的業務,客戶 Linda 來信詢問報價時程,她的語氣有點急。請用正式但友善的語氣幫我回信,告訴她:報價單會在 2 個工作天內寄出,謝謝她的耐心等待。回信控制在 100 字以內。

好問法裡包含了:你的身份(業務)、對方是誰(客戶 Linda)、對方的狀態(語氣急)、你的目的(回覆報價時程)、語氣要求(正式但友善)、具體內容(2 個工作天)、長度限制(100 字)。AI 一次就能給出可用的草稿。

對照三:資料分析

爛問法:

分析這份資料

「分析」這個詞本身沒有意義——分析什麼?找哪種規律?輸出什麼格式?

好問法:

以下是我 6 月份的銷售記錄(CSV 格式,欄位:日期、品項、數量、單價)。

[貼上你的資料]

請幫我找出:
(1) 哪三個品項佔總營收比例最高?
(2) 哪個星期幾的銷量最好?

用繁體中文條列式回答,數字加單位(元、件)。

你指定了:資料格式說明、要分析的具體問題(2 題)、輸出語言(繁中)、輸出結構(條列式)、數字格式要求。AI 拿到這個就知道該做什麼。

三組對照下來,你會發現好問法有一個共同點:不讓 AI 猜。你猜的事越少,AI 猜的空間越小,輸出就越精準。

觀念三:講清楚 > 下咒語

網路上一直有一種迷思:「神 prompt」。什麼「Act as a professional writer」、「Ignore all previous instructions」、「DAN mode」……這些英文前綴看起來很玄,加了之後 AI 就會突然變強。

這是謠言。

原因很簡單:這些「魔法前綴」的本質,是讓 AI 以特定身份或設定來回應,本質上還是在給 AI 資訊——只是資訊的品質通常很差,而且這些咒語的有效期很短,模型一更新就失效了。

更重要的是,「Act as a professional writer」跟直接告訴 AI「你是一個有 5 年行銷經驗的文案寫手,擅長針對 25–35 歲台灣年輕消費者寫 IG 貼文」——哪個給的資訊更有用?顯然是後者。

結論:你不需要任何「神秘咒語」。你需要的是把下面這幾件事講清楚:

1. 你是誰(或你要 AI 扮演什麼角色)
2. 你要 AI 做什麼
3. 背景是什麼、給誰看
4. 輸出要長什麼樣子

這四個要素,就是第 2 課要深入拆解的「指令四要素」。這堂課先記住這個原則就夠了。

課程路線圖

在進入實戰之前,先看一眼整個課程的架構。七堂課是有設計過的學習順序,每一堂的概念都會疊在前一堂的基礎上:

• 第 1 課(本課):建立心智模型。先搞懂 AI 是什麼、prompt 是什麼,後面的技巧才有根。
• 第 2 課:拆解指令四要素。有了框架,你寫任何 prompt 都有結構可依。
• 第 3 課:給範例(Few-shot)。告訴 AI「照這個樣子做」,是升級輸出品質最快的方法。
• 第 4 課:結構化輸出。讓 AI 直接輸出表格、JSON、清單,結果拿到就能用。
• 第 5 課:拆步驟與追問。複雜任務不能一個 prompt 一口氣丟,要學會拆解。
• 第 6 課:建立個人模板庫。把寫好的 prompt 存起來複用,效率乘以十倍。
• 第 7 課:錯誤排查與實戰。幻覺、答非所問、輸出崩壞——碰到了怎麼處理。

七堂課學完,你會有一套可以用在任何 AI 工具上的方法論,不管 ChatGPT、Claude、Gemini 還是下一個出現的新模型,原則都通用。

手把手實戰

理論夠了,現在來動手。目標是把你手邊一個「用了結果很爛」的 prompt 改好。

[角色設定(如果需要)]你是一個 ___，

[任務]幫我 ___，

[脈絡]背景是：___。目標對象是 ___。
限制條件：___。

[輸出格式]請用 ___ 格式輸出，大約 ___ 字，語言是繁體中文。

常見坑

坑 1:給了資訊,但太模糊

加了資訊不代表加了有用的資訊。

**症狀:**你改寫了 prompt,加了一些說明,但 AI 的輸出還是很普通。

**常見原因:**用詞太籠統。「適合年輕人」→ 哪個年齡層?什麼樣的年輕人?「用專業語氣」→ 法律文書的專業?醫療報告的專業?顧問報告的專業?「寫詳細一點」→ 500 字還是 5000 字?

**解法:**把形容詞換成數字或具體描述。「年輕人」→「22–30 歲台灣剛出社會的上班族」。「詳細」→「每個要點各寫 2–3 個具體例子,總長 600–800 字」。可以測量或可以舉例的描述,比形容詞有效十倍。

坑 2:一次問太多事

**症狀:**你列了五件想請 AI 做的事放在同一個 prompt,AI 回答的時候只處理其中三件,或者每件都做了但每件都做得很爛。

**原因:**語言模型的「注意力」是有限的。一個 prompt 塞了太多要求,模型的處理能力就被稀釋了。

**解法:**把複雜任務拆成多個 prompt,一次一件事。「先幫我整理重點,確認沒問題再請你改寫成貼文」比「整理重點然後改寫成貼文然後再想三個標題然後幫我想配圖文字」好多了。這個技巧第 5 課會完整展開。

坑 3:以為「重新整理」可以修救壞掉的對話

**症狀:**這個對話越問越歪,AI 記住了錯誤的前提,怎麼問都不對。你一直在後面補充說「不對不對,我的意思是……」

**原因:**語言模型在同一個對話裡會把所有的對話歷史都當成「上下文」——包括你之前說的錯誤描述、AI 給的錯誤答案。上下文壞掉了,在這個對話裡怎麼補都救不回來。

解法:開新對話,把你最終確認好的 prompt 重新貼一次。這是最乾淨的做法。很多人怕「麻煩」而繼續在一個爛掉的對話裡掙扎,結果花了更多時間。

坑 4:語言不指定,中英文混搭亂出現

**症狀:**你用中文問,AI 的回應摻了一堆英文術語,或甚至整段用英文回。

**原因:**有些 prompt 的主題(例如技術文件、商業分析)訓練資料以英文為主,模型預測「下一個字」時英文的機率就比較高。

**解法:**在 prompt 裡明確說「請用繁體中文回答」或「全文用繁體中文,專有名詞後面括號附英文原文」。一句話加在 prompt 結尾,幾乎 100% 有效。

坑 5:把 AI 的輸出當作事實,沒有查證

**症狀:**AI 給了一個很自信的數字或引用,你直接拿去用,後來發現是錯的。

**這個坑跟 prompt 技巧無關,但這堂課就先建立這個認知:**AI 是機率接龍,不是事實資料庫。它說的話聽起來很確定,不代表是真的。數字、統計、人名、法規——凡是需要精確的資訊,都要查原始資料。

第 7 課會專門講「幻覺(hallucination)」:什麼情況下 AI 最容易講錯,以及如何用 prompt 技巧降低出錯率。

作業

1. 找你最近的一個「爛 prompt」,照今天的五個 W 框架改寫,測試改寫前後的輸出差異。把兩個版本和結果截圖存下來。
2. 選做:挑一個你工作或日常最常需要做的事(寫 email、做摘要、查資料、翻譯……),為它寫一個好 prompt。這會是你個人模板庫的第一筆。

下一課預告

今天建立了一個核心認知:AI 是機率接龍,你給的資訊越完整,輸出越符合你要的結果。你也看到了三組對照,感受到了「問法」的差距。

但「給資訊」這件事要怎麼做得有系統?每次寫 prompt 都要靠感覺嗎?

第 2 課教你一個四格框架:角色、任務、脈絡、輸出格式——把這四個格子填好,任何場景的 prompt 都能寫。有了框架,你不再需要靠感覺,而是有結構地組裝一個好問法。框架很簡單,但效果立竿見影。