提示詞怎麼寫，AI 生成的答案才會準確？prompt engineering 5 大重點一次看懂

前言

想用 AI 幫你寫程式、生內容，卻常常拿到一堆不能用的答案？多數時候不是 AI 不夠聰明，是你給的提示詞（prompt）沒講清楚。同一個模型，提示詞寫得好，AI 一次就給你能用的答案；寫得不好，你只能來回重問。這篇把 prompt engineering（提示工程）拆成 5 個一看就能用的重點，每個都配一組爛提示詞改成好提示詞的對照，讓 AI 給的答案準確、能直接拿來用。

提示詞怎麼寫示意圖：同一個 AI，好的 prompt 與壞的 prompt 給出的答案天差地遠 — 同一個 AI，提示詞寫得好不好，拿到的答案差很多。

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。

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。兩者差在哪，一張表就看得出來：

截圖：同一個需求用爛提示詞和好提示詞，分別丟給 AI 得到的兩段回覆對照 — 左邊爛提示詞、右邊好提示詞，AI 回覆的可用度差很多。（實際操作截圖）

面向	爛提示詞	好提示詞
角色	沒說，AI 不知道用誰的口吻	你是精品咖啡電商的文案
對象	沒說，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	沒說，AI 自己亂抓	在家沖出咖啡廳的味道
格式	沒限制，長度飄忽	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。

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。

截圖：把模糊需求『幫我優化這段程式碼』改寫成具體需求後，AI 回覆的差異對照 — 同一段程式碼，需求從「幫我優化」改成講清楚要優化什麼，AI 的回答天差地遠。（實際操作截圖）

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。

重點 5｜要它一步步想，別逼它一步到位

遇到需要推理的複雜問題，加一句「請一步一步思考」，往往就能明顯減少它出錯。因為你等於要它把過程攤開來，而不是急著跳到結論。真的很複雜的任務，還可以拆成好幾則提示詞分段問，先讓它列大綱、你確認方向對了，再讓它往下寫，比一次要它生出全部可靠得多。

把這 5 個重點變成一套穩定的 AI 工作流程，不用自己一則則手動下提示詞？我們幫企業把重複的產文、分類、回覆接成自動化流程，該由人把關的地方都留著。

看 AI 自動化開發服務

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，這也是用 AI 從零打造網站時最影響成敗的環節。

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AI 寫程式的常見缺點之一，而講清楚版本就能擋掉大半。

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。

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？

中文完全可以，現在主流的 AI 對中文理解都很好，你要它用繁體中文回答也沒問題。用英文的唯一好處，是遇到很專業、很新的技術名詞時，英文的訓練資料比較多、回答可能更準。日常工作用中文寫就夠了，重點永遠是講不講得清楚，不是用哪種語言。

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：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。

Q5：學會寫提示詞要多久？

基本觀念這一篇看完就有了，剩下的靠練。真正上手的關鍵不是背技巧，是養成「把要求講清楚」的習慣。你可以從今天起，每次下提示詞前多花十秒想一下角色、對象、格式有沒有補齊，一兩週後就會變成直覺，不用再對著清單檢查。

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。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、要它一步步想。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。