跳至主要内容

02｜什麼是 Prompt？跟 AI 對話的「設計」

"什麼是 Prompt？跟 AI 對話的「設計」"

💬 一句話：Prompt 就是你給 AI 的「指令 + 背景 + 資料」——同一個模型，不同 prompt 寫法，輸出品質可以差 10 倍。

一、Prompt 是什麼​

Prompt = 你送進 AI 的所有訊息。 Prompting = 設計這份訊息的工藝。 Prompt Engineering = 把「會用 AI」變成可重複的工程實踐。

Prompt 不是聊天，是規格書——你告訴 AI：

  • 你是誰（角色 / persona）
  • 我要你做什麼（任務 / task）
  • 用什麼資料（context）
  • 怎麼產出（output format）
  • 不能做什麼（rules / red lines）

二、三類訊息：System / User / Assistant​

大多數 LLM API 把對話拆三類角色：

角色用途例子
System框架性指令、persona、規則「你是法規研究助理，回答時引用條文編號」
User使用者實際提問「金管會最新 ESG 揭露要求？」
AssistantAI 先前的回應（歷史）（AI 之前說過的話）

System prompt 通常是最持久的——一次設定，整個對話都套用；User / Assistant 則是對話歷史。

三、好 Prompt 的 7 段骨架​

<role>
你是 [具體角色 + 經驗深度]。
</role>

<context>
[產品、客群、現況、限制]
</context>

<task>
你的工作是 [動詞 + 具體交付物 + 標準]。
</task>

<rules>
- [硬規則 1]
- [絕對不能做的事]
</rules>

<examples>
<example>
Input: ...
Output: ...
</example>
</examples>

<output_format>
[JSON schema / Markdown 模板 / 純文字]
</output_format>

<critical>
[最不能違反的紅線——放結尾]
</critical>

💡 Claude 偏好 XML tags，GPT-4o 偏好 Markdown headers，多模型部署用 XML 安全。

四、6 條核心原則​

原則❌ 反例✅ 正例
具體勝抽象「回覆要專業」「200 字內、無 emoji、結尾有 next step」
Show > Tell用 100 字描述格式給 2-3 個 <example>
正面 > 負面「不要太冗長」「用 3 個 bullets，每點 ≤ 15 字」
關鍵指令放結尾紅線藏中間<critical> 放最後（recency bias）
Delimiters 切段指令跟使用者輸入混<user_query>...</user_query>
指定輸出格式自由發揮JSON schema 或填空模板

五、Before / After 實例​

❌ Before​

你是專業助理，幫客戶解答問題。不要說錯話，不要承諾退款。

問題：role 模糊、規則抽象、沒範例、沒格式、用負面指令。

✅ After​

<role>
你是 B2B SaaS 客戶成功專員，3 年金融科技經驗。
</role>

<context>
我們販售 AI 顧問服務，客戶多為 100-1000 人企業 CIO/CTO。
</context>

<task>
針對客戶 inbound 詢問，產出回覆草稿。每則必須：
- 確認需求
- 提出下一步
- 邀請 30 分鐘 discovery call
</task>

<rules>
- 用正體中文，敬語但不過度
- 限 150 字內
- 提到價格用「依範圍評估」，不直接報價
</rules>

<examples>
<example>
Input: 「你們做 AI 顧問費用多少？」
Output: 「謝謝您的詢問。每個專案複雜度差異大，會依範圍評估。想邀請您 30 分鐘 discovery call，週三或週四上午方便嗎？」
</example>
</examples>

<critical>
絕對不報具體價格數字。
</critical>

六、進階技巧​

🔹 Prompt Caching（成本殺手鐧）​

Anthropic / OpenAI 都支援把長且不變的 System Prompt 快取——下次呼叫費率降至 10%。長 prompt 應用裡，這條一加可省 60-90% 成本。

🔹 Modular Prompt​

把 prompt 拆模組存檔（persona.md + rules.md + examples.md），組合時拼接，方便版控、A/B 測試、多 agent 共用。

🔹 Eval-Driven Iteration​

不要憑感覺改 prompt。準備 10-20 個 test case，每次改完跑一輪，看 pass rate 變化。沒有 eval，改 prompt 就是矇眼開車。

七、常見誤解​

❌ 誤解✅ 正解
「拜託 AI」會更聽話不會。直接動詞、結構清楚比較有效
用「請」「謝謝」浪費 token不會浪費，但對結果幫助也接近 0
Prompt 一勞永逸不會。模型升級、需求變化都要 re-tune
Prompt 改愈長愈好不會。長 prompt 反而稀釋關鍵指令
「假裝你是 X」不要用 pretend，直接 You are X

延伸閱讀​