ChatGPT、Gemini、Claude、Grok 提示詞技巧：AI Prompt 下法完整指南

生成式 AI (Generative AI, GAI) 如 ChatGPT、Gemini、Claude 和 Grok 已成為日常工作與學習的強大夥伴。然而，許多人會發現，明明是同一個工具，為什麼別人的 AI 答得像專家，而你的 AI 卻總是在胡言亂語？

關鍵就在於 Prompt Engineering (提示工程)。它並非單純的指令輸入，而是一門「溝通與指令架構」的藝術。掌握正確的「詠唱術」，能讓 AI 的產出品質從 60 分提升至 95 分。隨著 AI 從單純的對話機器人，進化成能操作工具的「Agent (代理人)」，Prompt 的下法也經歷了一波迭代。本篇文章將總結業界最佳實踐（包含 Claude 官方推薦的技巧），從基本原理到高階 Agent 實務，全面解析如何下出完美的 Prompt。

提示詞的核心三要素：P-C-E 法則

在進入複雜的框架前，請記住所有高效指令的共同點。如果你發現 AI 答非所問，通常是缺少了以下其中一項：

  1. 精確 (Precision) 與直接：避免使用「寫多一點」、「隨便聊聊」這種模糊字眼。請具體化你的動詞（如「分析」、「摘要」）與量化指標。如果任務有先後順序，請清楚使用數字或項目清單條列出來。
  2. 背景 (Context)：AI 就像一個剛入職的實習生。給出的上下文越豐富（目標受眾是誰？為什麼要寫這個？），成果越符合需求。如果是非常長的文件資料，請將它放在 Prompt 的最上方，這樣能顯著提升 AI 捕捉資訊的準確度。
  3. 範例 (Examples)：這是提升品質的最快方法。提供幾個「輸入-輸出」範例能大幅改善輸出格式與語氣。為了避免 AI 混淆，建議將範例用 <example> 標籤包覆起來。

❌ 錯誤示範（模糊）：

「幫我寫一段關於運動好處的文章。」

✅ 正確示範（P-C-E）：

「你是一位資深健身教練。請針對完全沒有運動習慣的上班族，撰寫一篇 150 字內的短文介紹運動的好處。請參考以下活潑的預期風格：
<example>嗨！別再坐著了，只要 10 分鐘，你就能感覺到大腦重啟...</example>」

指令架構框架：從入門到工程師級

面對空白的對話框時，如果沒有一個思維脈絡引導，可能會不知道如何起頭。使用現成的指令框架可以幫你快速結構化思維。

RTF 框架 (適合日常快速任務)

這是最容易記憶的結構：

  • Role (角色)：賦予 AI 一份工作（如「你是專業的公關經理」）。
  • Task (任務)：具體要做什麼（如「撰寫一份道歉聲明」）。
  • Format (格式)：輸出的樣子（如「500 字內的電子郵件」）。

範例指令：

「你是一位專業的旅遊部落客。請幫我撰寫一段關於 2025 年京都賞櫻的旅行計畫。輸出格式請使用 Markdown 表格，包含日期、景點建議、以及必吃美食。」

BROKE 框架 (適合複雜的專案與長期任務)

這是目前業界公認最完整的結構，能顯著降低 AI 發散的情況發生：

  • Background (背景)：提供任務的前因後果與限制。
  • Role (角色)：指定的專家身分。
  • Objectives (目標)：你最終想要達成的核心目的。
  • Key Results (關鍵結果)：列出輸出的具體指標。
  • Evolve (演化)：告訴 AI 之後如果不如預期，可以如何修正。

結構化與長文本詠唱術：讓 AI 聽懂複雜任務

當你要處理多份文件或是指令很龐雜時，如何排版 Prompt 是一大關鍵。如果你只是把所有文字貼在一個輸入框中，AI 很容易漏掉關鍵要求。

使用 XML 標籤結構化 (Structure with XML tags)

將指令標籤化是目前最受推崇的實作。當 Prompt 混合了指示、背景資訊和變數時，用 <instructions>、<context>、<input> 等 XML 標籤將內容區隔，能有效避免 AI 將指示與參考資料混淆。

範例指令：

請根據 <context> 內的背景資訊，回答 <question> 中的問題。
<context>
台北 101 是台灣最高樓，高度為 508 公尺。
</context>
<question>
台北 101 有多高？
</question>

長文本的先引述再回答與層級化

在處理超過幾萬字（如合約或財報）的任務時，請把多份文件分別用 <document> 和 <document_content> 標籤包覆，並特別在指令中要求：「請先引述文件中相關的段落，然後再根據引述進行分析」。這個先引述的動作能幫助 AI 穿透雜訊，將注意力集中在正確的地方，同時減少回答的幻覺 (Hallucination)。

進階詠唱術：思考與格式微調

一旦掌握了基本框架與 XML 結構，你可以進一步微調 AI 的思考過程與回答格式，這對於解決複雜邏輯或是克服 AI 的死板語氣至關重要。

正向表述：告訴 AI 要做什麼而非不要做什麼

在控制輸出格式時，明確說出你「想要什麼格式」比禁止它使用什麼更有用。

  • ❌ 錯誤描述：「回覆中不要使用 Markdown，也不要用條列式。」
  • ✅ 正確描述：「你的回覆應該是由流暢的散文段落組成，自然地將重點融入句法中。」

此外，你的 Prompt 排版風格也會強烈影響 AI 的輸出。如果你在 Prompt 裡使用了大量的標籤跟條列，AI 也會很自然地回傳許多條列。若希望產出流暢的文章風格，就盡量讓你的 Prompt 也是流暢的散文描述。

思維鏈 (Chain of Thought, CoT) 與自省機制

AI 透過強制「寫下推理步驟」可以大幅減少因直覺而產生的錯誤。

  • 推演邏輯：「請一步步思考」(Let's think step by step)。你也可以更進階地使用 <thinking> 和 <answer> 標籤，要求 AI 先在 <thinking> 中推演邏輯，最後才在 <answer> 區塊給出確定答案。
  • 自省機制 (Self-check)：在 Prompt 尾端加上一句：「在你完成並顯示最終答案之前，請根據 [明確的測試或條件] 驗證你的答案是否正確。」這能有效抓出許多寫程式或是數學計算的疏忽。

逆向請教 (Reverse Prompting) 終極絕招

如果你知道想達到的成果，但不知道怎麼寫 Prompt，那就直接請教 AI。

範例指令：

「這是我很喜歡的一篇科技產品評論文章：『[貼上文章內容]』。請分析這篇文章的具體寫作風格、段落架構與排版方式，並反推成一個 Prompt 指令給我，好讓我以後能請你模仿這種風格寫出其他的產品評論。」

Agentic AI 實務提示技巧

隨著 AI 具備操作工具的能力（如自動寫程式碼、聯網搜尋、閱讀終端機），我們稱這類可以自主判斷情境的 AI 為代理 (Agent)。針對這種會幫你「執行動作」的模型，我們需要專門的提示方針，以確保專案的精確度與安全性。

明確定義行動還是只給建議

代理 AI 有時候會過度謹慎，只給你修改建議而不動手改；或者又太過積極，擅自加了一堆你沒要求的功能甚至額外的附屬檔案。你可以在指令中加入標籤來定調它的主動性：

  • <default_to_action>：請 AI 預設就去執行並實作程式碼更改，盡量減少單純的建議與發問。
  • <do_not_act_before_instructions>：除非我明確要求，否則請保持發問與調查，絕對不要隨地執行檔案修改。

要求先調查再回答以減少幻覺

如果是程式開發的任務，最怕 AI 憑空想像並寫出不存在的變數或模組。你可以強烈要求：

<investigate_before_answering> 絕對不要對你沒看過的程式碼進行揣測。如果我提到了某個專案檔案，你在回答之前，**必須**先呼叫閱讀工具去讀取該檔案的實際內容。

長程任務的狀態追蹤 (State Tracking)

若要求 AI 進行複雜且可能需要好幾次回覆才能完成的大規模任務，強烈建議指導它：

  1. 先寫測試：先實作測試程式並記錄在結構化的檔案中 (如 tests.json)。
  2. 記錄進度：要求它建立並維護一份 progress.txt 備忘錄，把目前工作進度與思考記錄下來。如此一來，就算遇到了對話上下文長度限制（Token 不足）而中斷，你也可以開啟新的對話，並叫它「去讀 progress.txt 與查閱 Git commit 歷史紀錄以接續工作」。
  3. 避免為了過測試而寫死 (Hard-coding)：明確告知 AI，要求產出通用型解法，禁止為了解決單一測試案例錯誤而只把該例外情形「寫死」。

2026 平台特性分析：選對工具事半功倍

不同的大模型展現出了更鮮明的「性格」差異。選對工具，能讓你的 Prompt 效率再提升大半：

  • ChatGPT (GPT 家族 / o 系列)：目前邏輯推理與「代理人」(Agentic) 能力的巔峰。適合處理極度複雜的專案管理、科學運算，以及需要 AI 主動調用多種工具完成的自動化任務。
  • Claude (Sonnet & Opus)：公認的「文案之王」與「程式導師」。善於處理超長文本並抓取精確內容。它極度服從 XML 標籤指令，且擁有強大的 Native 工具調度（平行處理多個工具）能力。
  • Gemini (Flash & Deep Think)：擁有超長文本 (2M+ tokens) 的極限處理能力，適合用於分析長達數小時的會議影片或是橫跨極多目錄的大型專案。
  • Grok：整合 X (原 Twitter) 的即時資訊流，對時事敏感度最高。其無限制模式能提供更直接、較少過度審查的答案。
  • DeepSeek (高性能黑馬)：以極高的性價比與強大的邏輯推理能力橫掃全球，特別是在數學競賽、程式開發任務上，是當前極受關注的技術領先者。

結語

Prompt Engineering 絕非死記硬背「咒語清單」。它是一種系統化表達需求的能力。

未來 AI 的發展可能會讓溝通變得更口語與自然，但不管工具再怎麼進化，將想法有條理地寫下來（清晰的邏輯拆解、豐富的背景提供、利用 XML 標籤排版、提供良好的範例），永遠是讓 AI 成為專業級助手的核心秘訣。現在，就試著用 BROKE 框架加上 XML 標籤，將你原本隨便打的一句指令，升級成專業的工程指令吧！

互動練習： 你可以試著對 AI 說：「請幫我檢視這句 Prompt 的結構與用詞問題，並幫我加入適當的 XML 標籤，優化成更精確的指令：[你的原始 Prompt]」。