AI 提示詞要寫得準，關鍵是把五件事交代清楚：你要它扮演什麼角色、需求具體到什麼程度、有沒有範例可以照著做、輸出要什麼格式、任務需不需要拆開分次問。2026 年還多了一個減法：「請一步一步思考」這類提示詞技巧可以拿掉了，現在的主流模型回答前會自己在內部推理，你再叫它把思考過程攤開來，只會讓回覆變長，不會變準。
這篇文章會先講哪三個舊寫法該淘汰、該換成什麼，再把五個重點一個一個拆開，每個都配一組爛提示詞與好提示詞的實際對照。最後兩節談寫程式時的提示詞跟聊天差在哪，以及中文和英文該用哪一個。
同一個 AI，為什麼別人用得得心應手、你卻怎麼問都不對？
先把名詞說清楚。你打給 ChatGPT、Claude 這些 AI 的那段話，就叫提示詞（prompt）；把提示詞寫好、讓 AI 穩定給出你要的結果，這件事就叫 prompt engineering（提示工程）。它不是什麼工程師才碰得了的技術，本質上就是「把話講清楚」。
那為什麼同一個 AI，落差會這麼大？因為模型不會讀心。你心裡想的是「幫我寫一封專業一點、但不要太生硬的道歉信給遲到的客戶」，打出去卻只寫「幫我寫道歉信」，AI 只能用最安全、最中間的方式猜，猜出來的當然十有八九不是你要的。會不會用 AI 的差距，八成不在工具，在你有沒有把要求講清楚。
📖 延伸閱讀：Vibe Coding 是什麼？2026 中文完整教學：工具、範例與課程怎麼選
2026 年該淘汰的 3 個舊寫法
如果你前兩年存過一份「萬用提示詞大全」，裡面大概有這幾句。它們有個共同點：都是在替一個不夠聽話的模型做補償。怕它不會想，所以教它想；怕它沒聽進去，所以加重語氣；怕它做錯，所以列一堆不准做的事。2026 年的模型這三件事都不需要你代勞，補償動作留著反而扣分。照 2026 年寫法重新整理過的 50 組工作指令，在AI 指令大全。
舊寫法 1｜「請一步一步思考」
這句以前是想讓模型把推論攤開來，答得更完整。但 2026 年的主流模型在回答前已經會先在內部跑一段思考，你再要它「想給我看」，等於在它的推理路徑上插隊。
OpenAI 官方文件寫得很直白：這類模型的推理在內部完成，要它「一步步思考」或「解釋你的推理過程」是不必要的。Google 的說法是「一般沒必要要它在回覆裡列出推理步驟」。實際影響是回覆變長、變慢，但不會變準。
與其教它怎麼想，不如把字數花在講清楚你要什麼。「解決以下問題：〔問題背景〕，完成後用兩句話說明你的判斷依據」比「請你仔細推理每個步驟」有用得多。
舊寫法 2｜「務必」「絕對不要」這類加重語氣的字眼
怕 AI 沒把話聽進去，很多人會在重要的地方加碼：「務必用繁體中文」「絕對不要超過三百字」「這點非常重要」。以前的模型比較不受控，加重語氣確實有效。
現在反過來了。Anthropic 官方文件講得很直接：新一代模型對指令的反應比舊模型敏感得多，以前為了怕它漏掉而加的強硬語氣，現在會造成過度反應，該做的是把語氣調回正常。他們舉的例子是把「CRITICAL：你必須使用這個工具」改成平鋪直敘的「這種情況用這個工具」。
加重語氣還有一個副作用。當你每一條都標成重點，標記本身就不帶資訊了，模型分不出哪一條才是真的不能違反。反方向也要留意，「盡量」「如果可以的話」現在會被照字面理解成「可以少做」，真正必要的事就直說。
語氣調回正常，然後把原因補上。Anthropic 的對照是：「不要用刪節號」效果差，「你的回覆會被語音引擎朗讀，所以不要用刪節號，引擎不知道怎麼念」效果好。它看得懂原因，就會自己推廣到你沒講到的情況。
舊寫法 3｜「不要用○○」這種只講禁令的指令
「不要寫得太官方」「不要用條列」「不要太長」。這類指令只說了不准做什麼，模型知道要避開哪裡，卻不知道該往哪走，只能自己挑一個方向，你就得再改一次。
Anthropic 把這件事列為控制輸出格式最有效的方法第一條：告訴它要做什麼，而不是不要做什麼。官方的對照組是「不要在回覆裡使用 markdown」改成「你的回覆要由流暢的散文段落組成」。
把每一句「不要」翻成「要」。「不要太長」改成「控制在三百字內」，「不要太官方」改成「用跟朋友解釋的語氣寫」，「不要條列」改成「用完整段落寫」。翻不出來的那幾句，通常代表你自己也還沒想清楚要什麼。
但有兩種「不要」該留著。第一種是具體的禁用清單，例如「不要用『顯著成長』『表現亮眼』這類形容詞」。這句翻不成正面，因為正面版等於「其他詞都可以用」，沒有任何資訊量；而且禁掉形容詞之後，它就只能拿數字講話，效果很直接。第二種是配了正面動作的防幻覺條款，例如「不要推測，原文沒有的填『未提供』」，重點其實在後半句，前半句只是把界線劃清楚。
判準是同一句話：你有沒有同時告訴它該做什麼。「不要太長」沒有，所以要改；「不要推測，沒有的填『未提供』」有，所以留著。
提示詞怎麼寫？先看一組爛 vs 好的對照
講原則之前，先看一個實際的例子最有感。假設你要 AI 幫你寫一段賣咖啡豆的商品文案。
一個爛提示詞長什麼樣
大部分人會這樣打：「幫我寫一段賣咖啡豆的文案。」AI 會很快回你一段話，讀起來通順，但仔細看會發現它什麼牌子、什麼咖啡豆都能套，換成賣茶葉也成立。因為你沒告訴它賣給誰、賣點是什麼、語氣要多正式，它只好寫一段誰都不得罪、也誰都打不到的空話。
同一個需求，改成好提示詞後 AI 給了什麼
把同一件事改成這樣講：「你是精品咖啡電商的文案。幫我寫一段商品描述，對象是第一次買手沖豆、預算 500 元以內的上班族。重點放在『在家也能沖出咖啡廳的味道』，語氣親切但不浮誇，控制在 100 字內。」你會發現 AI 給的東西整個不一樣了，因為你把它需要的資訊都補上了。把「幫我寫一段賣咖啡豆的文案」跟這段並排，差在哪就清楚了：
| 面向 | 爛提示詞 | 好提示詞 |
|---|---|---|
| 角色 | 沒指定身分，AI 只能用最中性的口吻寫 | 你是精品咖啡電商的文案 |
| 對象 | 沒指定讀者，寫給所有人等於沒寫給誰 | 第一次買手沖、預算 500 內的上班族 |
| 賣點 | 沒指定重點，AI 只能自己挑一個講 | 在家沖出咖啡廳的味道 |
| 格式 | 沒指定長度語氣，產出每次都會飄 | 語氣親切、100 字內 |
看懂這個落差，接下來的 5 個重點就是把「好提示詞」那一欄的思路，變成你每次都做得到的固定動作。
prompt engineering 5 大重點：這樣寫 AI 才給得準
這 5 個重點不用死背，寫提示詞的時候照著檢查一遍就好，缺哪個補哪個。
重點 1｜給 AI 角色與情境
開頭先告訴它「你是誰、在幫誰做什麼」。同一個問題，你叫它當「資深稅務會計師」跟當「路人」回答，深度完全不同。給角色不是裝飾，是幫 AI 把回答的範圍和專業度定位好。情境也要補：這份東西要給誰看、用在什麼場合，它才知道該講深還是講淺。
角色要帶的是資訊，不是頭銜。「請扮演一位有 20 年經驗的行銷總監」這種寫法只指定了大方向，沒說明這位總監在處理什麼產品、面對什麼市場、有什麼限制，年資和形容詞不會讓答案變好。真正該補的是產品特色、溝通對象，以及讀者看完後該做什麼。
重點 2｜把「要什麼」講到不能再具體
這是最多人做不到、也最關鍵的一點。「幫我優化這段程式碼」太模糊，AI 不知道你要它跑更快、更好讀、還是更省記憶體。改成「這段函式在資料超過一萬筆時很慢，幫我在不改變輸出的前提下優化速度」，它才知道往哪個方向動手。你講得多具體，AI 就能回得多精準；含糊的要求只會換來含糊的答案。
重點 3｜給一兩個範例，比講一堆規則有用
與其用文字描述你要的風格，不如直接丟一兩個範例給它照著做，這在提示工程裡叫 few-shot。比方你要它把客戶訊息分類，講「分成緊急、一般、可延後」還不夠，直接給它三則已經分好的例子，它抓到你的標準的機率高很多。給範例，是把你腦中的標準搬給 AI 最快的方法。
重點 4｜指定輸出格式
你要的是表格、條列、一段話，還是一段可以直接貼進程式的 JSON，都要講明白。不指定，AI 就用它習慣的長篇散文回你，你還得自己再整理一次。加一句「用表格回答，欄位是日期、項目、金額」，或「只回程式碼，不要解釋」，省下來的時間很可觀。輸出要接進別的系統時，這一步尤其不能省。
還有一個反直覺的現象值得知道：你提示詞本身的排版，會影響它回覆的排版。Anthropic 官方文件把這列為控制格式的有效方法之一，說法是提示詞裡少用 markdown，回覆的 markdown 也會跟著變少。所以與其在指令裡反覆交代「不要用條列」，不如先看看自己那段提示詞是不是也寫成一條一條的。
重點 5｜拆解任務步驟，別要求一次做完
複雜的任務，別要求 AI 一次生完、你再自己從頭檢查哪裡想歪了。拆成好幾個步驟分開問：先讓它列大綱，你確認方向沒錯，再讓它往下寫細節。步驟拆得越細，你就能越早抓到跑偏的地方，不用等它寫完一整份、方向整個錯了才打掉重練。
拆步驟是你把任務切開分次問，跟叫它「請一步一步思考」是兩回事。後者現在只會拖長回覆，前面已經說明過。
重複的產文與回覆，委託自動化
寫程式時的提示詞，跟聊天差在哪
如果你是用 AI 寫程式、做網站，提示詞除了上面五點，還有幾個特別要注意的地方。
📖 延伸閱讀：2026 AI 網站開發怎麼開始？不會寫程式也能打造專屬自己的網站
指定技術與版本。只說「幫我做一個登入功能」，AI 很可能給你一套過時、已經沒人用的寫法。跟它說清楚「用現在還在用的最新版本，不要用網路上兩三年前的舊教學」，它才不會拿舊教材回你。AI 愛用過時寫法本來就是常見問題，而講清楚版本就能擋掉大半。
📖 延伸閱讀：AI 寫程式的缺點有哪些？2026 vibe coding 實測，8 個 AI 生成程式碼的致命問題
把錯誤訊息原封不動貼給它。程式報錯時，別自己轉述「它好像壞了」，直接把整段錯誤訊息複製貼上。那串紅字裡有檔名、行號、錯誤類型，全是 AI 定位問題要用的線索，你轉述反而把關鍵資訊弄丟了。
一次只讓它改一個地方。把「順便幫我把這五個功能都改一改」拆成五次分開講。一次塞太多，它容易改好一個、弄壞另一個，你也很難看出是哪一步出的錯。小步走、每次只動一件事，是用 AI 寫程式最省事的節奏。
中文還是英文寫提示詞？
中文寫就好。ChatGPT、Claude、Gemini 這幾個主流模型對繁體中文的理解都夠用，你要它整篇用繁體中文回答也不會跑成簡體。前面那五個重點沒做到，換成英文寫一樣拿不到你要的答案。
技術名詞留英文原文，不用整段翻。遇到很新或很冷門的技術詞，中文的技術文件本來就少，模型看過的中文語料相對薄，用英文原詞去問，它能對上的資料多很多。做法是句子照樣用中文寫，名詞留英文，像「幫我解釋 Godot 的 signal 怎麼運作」「n8n 的 webhook 節點要怎麼設 header」，比整段翻成英文省事，你也不會在翻譯的過程中把需求講歪。
要 AI 產出英文，提示詞還是用中文下。寫英文商品文案、回國外客戶的信，產出物本身是英文的時候，你不需要先自己想一段英文提示詞。用中文把要求講清楚，結尾補一句「用英文輸出，語氣正式」，你反而更講得清楚自己要什麼。
常見問題 FAQ
Q1：prompt engineering 是什麼？跟提示詞一樣嗎？
提示詞（prompt）是你打給 AI 的那段話本身；prompt engineering（提示工程）則是「怎麼把提示詞寫好」這門功夫。簡單說，提示詞是名詞，提示工程是動作。你不用把它想成一門專業，日常用 AI 時把要求講清楚，就已經在做提示工程了。
Q2：一定要用英文寫提示詞嗎？中文行不行？
中文就夠用，日常工作不需要為了 AI 特地改用英文寫。什麼時候值得夾英文、產出物本身要英文時怎麼下，上面「中文還是英文寫提示詞？」那節講得比較完整。
Q3：有沒有現成的 prompt 範本可以照抄？
網路上範本很多，但照抄效果通常有限，因為別人的範本裝的是別人的情境。比較實在的做法是記住這篇的 5 個重點，把範本當骨架、換上你自己的角色、對象和需求。範本能幫你少漏東西，但真正讓答案變準的，是你填進去的那些具體資訊。
Q4：以前學的提示詞技巧，現在還能用嗎？
大部分還能用，但有幾個要換掉。最明確的是「請一步一步思考」。現在的模型已經內建思考鏈，這句話只會拖長回覆。角色設定和給範例都還有效，只是角色要給脈絡而不是頭銜。判斷方法很簡單：如果那句話是在教 AI「怎麼想」，多半可以刪；如果是在說明「你要什麼」，就留著。
Q5：我照原則寫了，AI 還是給錯怎麼辦？
先別重寫整段，改用追問的方式修。直接告訴它「這裡不對，我要的是⋯⋯」或「這段太長，壓到 50 字」，讓它在原本的基礎上改。一輪一輪往你要的方向靠，通常比從頭再下一次提示詞快。如果連問三四次還是歪，那多半是你最初的需求本身就沒想清楚，回頭把要什麼先定義好再問。
總結
AI 給的答案準不準，多半不是模型的問題，是提示詞寫得夠不夠清楚。先把三個舊寫法拿掉：別再叫它一步一步思考、別靠加重語氣逼它聽話、也別只講不要做什麼。剩下的把握住五件事就能拉開差距：給角色與情境、把需求講具體、給範例、指定輸出格式、拆解任務步驟。寫程式時再多注意技術版本、貼原始錯誤訊息、一次只改一個地方。這些都不難，難的是願不願意在按下送出前，多花那十幾秒把話講明白。
你會發現，練提示詞練到後來，練的其實是「把一件事講清楚」的能力，這件事不只對 AI 有用，對交代工作、寫需求都一樣。而 AI 只是那個最誠實的鏡子，你講得含糊，它就把你的含糊照樣還給你。
如果你已經寫得出好提示詞，卻懶得每天手動一則則下指令，想把這些重複的產文、分類、回覆變成自動跑的流程，可以看看我們的AI 自動化與系統開發服務，把你會的提示詞接成一套會自己動的系統。
