前言
同一個問題，為什麼換個方式問，ChatGPT 的答案就差很多？關鍵不只是模型能力，而是你給的資訊是否足夠清楚。這篇會從 prompt 的組成、常見技巧到穩定輸出的方法，帶你建立提示詞工程的入門判斷力。
好的 prompt 有哪些組成
Prompt 不是隨便打幾個字就算，它其實有結構。一個好的 prompt 通常包含五個組成：角色設定、任務目標、背景脈絡、參考範本、輸出要求。這五個部分不一定每次都要全用，但理解它們各自的作用，能讓你在寫 prompt 時更有意識。
以「幫我寫一封請假信」為例，下面是一個包含完整結構的 prompt：
### 角色設定
你是一位專業的行政助理。
### 任務目標
請幫我寫一封正式的請假信。
### 背景脈絡
我需要請明天一天的假，原因是身體不適。
### 參考範本
「敬愛的主管，...敬上」
### 輸出要求
- 請輸出一封完整的信件內容
- 語氣需正式
- 字數控制在 150 字以內對照這個範例，五個組成的作用一目瞭然：
- 角色設定：告訴 LLM 要用什麼立場回答
- 任務目標：說明你要它做什麼
- 背景脈絡：提供具體資料讓 LLM 掌握情境
- 參考範本：給它一個參考方向
- 輸出要求：同時說明格式與規則，建立邊界避免它跑偏
這五個組成合在一起，就是在幫 LLM 縮小預測範圍，讓它的回答更貼近你的需求。
常見的 prompt 技巧
知道 prompt 的組成之後，接下來是選對技巧。不同的問題適合不同的 prompt 方式，以下介紹五種常見的技巧。這五種技巧並不互斥，理解各自的作用，能幫助你在面對不同需求時，快速找到最合適的起點。
(1) 直接提示
直接提示是最多人在用的方式，直接說明你要什麼，不給任何範例或額外說明。例如：「幫我翻譯這段文字」。適合問題明確、不需要特定格式或風格的情境。
(2) 樣本提示
樣本提示是在 prompt 中提供例子，讓 LLM 參考後輸出符合你期望的內容。最適合用在「你很難用文字說清楚，但用例子一看就懂」的情境。以下是一個實際的樣本提示範例：
請分析以下評論的情感，請參考以下範例：
範例 1：
輸入：這家餐廳的食物真的很好吃！
輸出：正面
範例 2：
輸入：等了一小時還沒上菜，服務很差。
輸出：負面
範例 3：
輸入：食物還可以，但是有點貴。
輸出：中性
請分析這則評論：
「這裡的氣氛不錯，但菜色有點普通。」
LLM 輸出：
中性如果你單純說「分析情感」，LLM 可能輸出一大段解釋；但有了範例，它就知道你只要一個詞。這正是樣本提示的核心價值——範例決定了輸出的格式與邏輯，讓結果更精準、更一致。提供的範例越具代表性，LLM 就越能抓準你期望的輸出方向。
(3) 思維鏈提示
思維鏈提示是要求 LLM 在回答前先展示推理過程，一步步說明它的判斷依據。這樣做的好處是讓 LLM 的回答更有邏輯，也更容易發現它推論有誤的地方。適合需要分析或解題的複雜問題。
小明有 12 顆糖，他給了小華 1/3，再給了小美 25%，請問小明還剩幾顆糖？
請一步步說明你的推論。
LLM 輸出：
步驟 1：小明原本有 12 顆糖。
步驟 2：給小華 1/3，即 12 × 1/3 = 4 顆，剩 12 - 4 = 8 顆。
步驟 3：再給小美 25%，即 8 × 25% = 2 顆，剩 8 - 2 = 6 顆。
結論：小明還剩 6 顆糖。加上「請一步步說明你的推論」，LLM 會把每一步的計算過程攤開來，你不只得到答案，也能逐步確認它的推論是否正確。這個方法特別有用的場合，是當你懷疑答案可能有誤，但又不確定問題出在哪一步。有了推理過程，你就能直接鎖定是哪個步驟的判斷出了問題。
(4) 思維樹提示
思維樹提示是要求 LLM 從多個不同角度檢視一個問題，再整合出結論。它的優點在於，強迫 LLM 不只給你一個方向，而是把不同角度的取捨都攤開來，讓你自己判斷。適合需要全面評估、或決策前擔心有盲點的情境。
我考慮要不要換工作，目前公司穩定但薪資較低，新公司薪資高但是新創。
請分別從薪資、穩定性、成長機會三個角度分析，再給出你的建議。
LLM 輸出：
薪資角度：新公司薪資較高，短期財務收益明顯。
穩定性角度：現職較穩定，新創風險相對較高。
成長機會角度：新創環境學習速度快，但不確定性也高。
建議：若財務壓力不大且願意承擔風險，新公司的成長機會值得考慮；若穩定優先，留在現職較為合適。透過三個角度分開分析，你能清楚看到每個面向的取捨，而不是得到一個籠統的「換或不換」。角度的設定由你決定，可以根據你最在意的面向來調整，例如財務、時間成本或職涯發展。設定越貼近你的實際需求，整合出來的建議就越有參考價值。
(5) 角色扮演提示
角色扮演提示是明確告訴 LLM 扮演某個角色，讓它從那個立場出發回答。這個技巧和第一章提到的「角色設定」組成直接對應——設定角色，就是在幫 LLM 縮小它應該用什麼立場預測答案。換句話說，不加角色設定的 prompt，LLM 只能用泛用的立場回答，給出的內容通常比較表面。
你是一位有十年經驗的健身教練，請幫我評估以下訓練計畫是否合理，並給出改善建議：
每天跑步 1 小時 + 重訓 1 小時，每週 7 天，完全不休息。
LLM 輸出：
這個計畫存在過度訓練的風險。肌肉需要休息才能修復和成長，每週完全不休息會增加受傷機率，且長期下來訓練效果反而會下降。
建議每週安排 1 至 2 天休息日，或將部分天數改為低強度的伸展或散步。同樣的問題，問一般的 LLM 和問「有十年經驗的健身教練」，回答的專業程度和切入角度會有明顯差異。角色設定越具體，LLM 給出的回答就越聚焦。在設定角色時，加入年資、專業背景或具體職稱，會比只寫「專家」更有效。
讓 LLM 回答更穩定的三個方法
前面介紹的五種技巧，著重在「如何引導 LLM 的思考方式」。但除了引導之外，你也可以在 prompt 中主動設定規則，讓 LLM 的行為更可預期、輸出更穩定。以下三個方法，都可以直接寫進你的 prompt 裡。
(1) 給 LLM 說不知道的權利
LLM 為了給出回答，有時候會在不確定的情況下「猜測」，導致輸出聽起來合理、但實際上是錯誤的資訊，這個現象通常被稱為「幻覺（Hallucination）」。預防的方式很直接，在 prompt 中告訴它：
若你不確定答案，請直接說「我不知道」，不要猜測或捏造資訊。
LLM 輸出（沒有加入指令）：
根據我的了解，台灣在 2024 年的 GDP 成長率約為 8.3%。
LLM 輸出（加入指令後）：
我不確定台灣 2024 年的確切 GDP 數字，建議查閱主計總處的官方資料。這一句話能省去事後逐一驗證輸出的工夫。尤其在涉及數據、事實或專業判斷的情境，這個規則幾乎應該成為每次 prompt 的標配。
(2) 讓 LLM 主動釐清需求
當你的指令不夠清楚時，LLM 通常會直接開始執行，然後給出一個方向跑偏的回答。比較好的做法，是在 prompt 中授權它在執行前先來確認需求：
如果我的指令不夠清楚，請先提問釐清，不要直接開始執行。這樣的設定讓 LLM 更像一個稱職的工作夥伴，而不是一個急著交作業的助手。尤其在任務複雜、或需求一時難以說清楚的情境，讓 LLM 主動問清楚，往往比來回修改三四次更有效率。
(3) 一問一答模式
當你需要 LLM 蒐集資訊時，它可能一次拋出五六個問題，讓你不知道從哪裡開始回答。這種情況可以在 prompt 中這樣設定：
請一次只問我一個問題，等我回答後再繼續下一個。
LLM 輸出（沒有設定）：
請問你想去幾天？預算大概多少？偏好什麼類型的活動？有飲食限制嗎？
LLM 輸出（一問一答模式）：
好的，我們來一步步確認。請問你這次旅行預計幾天？一問一答讓對話節奏更清楚，你可以專心回答一個問題，LLM 也能根據你的回答逐步累積資訊，最終給出更符合需求的結果。
如何根據問題選對技巧
技巧本身不分好壞，關鍵是用對場合。選擇 prompt 技巧的核心邏輯只有一條：這個問題的複雜度和你對輸出的要求，決定了你需要給 LLM 多少引導。
問題越簡單、越明確，需要的引導就越少，直接提示通常就夠用。問題越複雜、對輸出越有特定要求，就需要加入更多結構。以下是一個粗略的判斷方向：
- 問題明確，不在乎格式 → 直接提示
- 對輸出風格或格式有要求 → 樣本提示
- 需要推理或分析 → 思維鏈提示
- 需要全面評估，擔心有盲點 → 思維樹提示
- 需要專業立場或特定角色的觀點 → 角色扮演提示
值得一提的是，這五種技巧可以混用。像是「角色扮演 + 思維鏈」：「你是一位資深律師，請一步步分析這份合約的潛在風險」。混用的原則很簡單：你想縮小的範圍越多，加入的引導就越多，但也要避免 prompt 太長太複雜，反而讓 LLM 抓不到重點。
最後，prompt 的練習沒有捷徑。以筆者的觀察，最快的方式是從直接提示開始，拿到回答後，根據哪裡不夠精準，再一層一層加入組成或換用技巧，這樣既能看出每個調整的實際效果，也能逐漸建立起自己的判斷直覺。
結論
Prompt 不是魔法咒語，而是你和 LLM 之間的溝通橋樑——寫得越清楚，它能幫你的就越多。
不過，好的 prompt 有邊界。即使結構完整、技巧用對，LLM 的回答仍然是機率預測，不是保證正確的答案。因此，與其追求「完美的 prompt」，不如把重點放在「持續調整的過程」——每次根據回答的不足，微調你的 prompt，這才是真正能提升使用品質的方式。
本次分享就到這邊，希望你喜歡這次的內容！ 如果有任何關於 prompt 的想法，歡迎留言跟我們一起討論！ 我是Pablo，我們下次見👋
參考文獻
-
Anthropic. (2025, August 1). Prompting 101 | Code w/ Claude [Video]. YouTube. https://www.youtube.com/watch?v=ysPbXH0LpIE&t=237s
-
Huang, T. (2024, December 9). Google’s 9 Hour AI Prompt Engineering Course In 20 Minutes [Video]. YouTube. https://www.youtube.com/watch?v=p09yRj47kNM
-
EgentHub 閱讀筆記（2026）。10大技巧教你寫完美提示詞！ 2026 最完整提示詞教學，限時加贈 8 大場景Agent與提示詞模板！。https://vocus.cc/article/6971c0a0fd89780001023439
-
Gary Chen（2026）。提示詞工程完整教學：Anthropic 六大架構 + 五個實戰技巧 Prompt Engineering。https://www.youtube.com/watch?v=TiQOnrbVje0