你還在這樣問AI嗎？「幫我寫一篇文案」、「分析這份資料」、「寫個Python程式」。然後得到一堆廢話，浪費時間又失望？
問題不在AI，在你。就像你給一個米其林大廚說「隨便煮煮」，他只能給你一碗白飯。提示工程（Prompt Engineering）就是教你怎麼用對的「指令」，讓AI從新手變成天才。
這篇文章會教你3個經過實測的提示技巧，連Google、OpenAI內部都在用。學會之後，你的AI回覆品質會提升300%以上。準備好了嗎？
為什麼你問的問題總是錯？
先做個小測驗。下面兩種問法，你覺得哪個會得到更好的答案？
問法A：「幫我寫一篇關於環保的文案。」
問法B：「你是一位專業的廣告文案，目標受眾是25-35歲的香港上班族。請為一個『可分解咖啡膠囊』產品，寫3個Instagram貼文文案。每個文案50字以內，包含一個Catchy的開頭和一個Hashtag建議。風格要年輕、幽默、帶點港式無厘頭。」
答案很明顯吧？問法B給AI設定了角色、目標、格式、風格、甚至字數限制。這就像你告訴米其林大廚：「我要一盤義大利麵，寬麵、青醬、加松子，不要辣，10分鐘上桌。」AI得到越具體的指令，就越能準確產出你要的東西。
這就是提示工程的第一個核心：具體就是力量。模糊的問題只會得到模糊的答案，浪費你的時間。
角色設定法：一秒讓AI變專家
最簡單也最有效的技巧，就是給AI一個「角色」。這不是什麼玄學，而是因為大型語言模型在訓練時看過大量不同角色的對話，當你指定角色，它就會自動切換到那個「人格」來回答。
錯誤示範：「幫我解釋量子糾纏。」
正確示範：「你是一位大學物理教授，正在對大一新生解釋量子糾纏。請用生活化的比喻，避免使用數學公式，讓完全沒基礎的人也能聽懂。」
看出差別了嗎？第二個提示讓AI知道「受眾是大一新生」、「要用比喻」、「不要數學」。結果會從一堆你看不懂的專業名詞，變成「想像你有兩顆骰子，無論它們相距多遠，只要一顆顯示6，另一顆必定也顯示6⋯⋯」
實戰範例：想讓AI幫你做市場分析？
「你是一位擁有10年經驗的市場分析師，專門負責香港零售業。請分析2026年香港Z世代消費者的三大趨勢，每個趨勢附上一個真實品牌案例，以及對中小企業的具體建議。用繁體中文，語氣專業但易懂。」
這樣問，AI會像真的分析師一樣，給你結構化、有洞察的報告，而不是東拼西湊的網路資訊。
範例驅動法：給它一個「樣本」
人有時候看不懂說明，但一看範例就懂。AI也是。當你想要特定格式或風格的產出，直接給它一個「對的答案」當作範例，效果比任何文字說明都好。
情境：你需要AI幫你整理客戶來信，摘要重點。
普通問法：「幫我摘要這封客戶郵件。」
進階問法：「請用以下格式摘要客戶郵件，這是範例：
【客戶名稱】王小明 【問題類型】退貨申請 【關鍵日期】7月15日 【情緒狀態】不滿，但願意溝通 【需要行動】客服致電確認退貨地址
現在請用相同格式，摘要這封郵件：[貼上郵件內容]」
為什麼這招有效？因為AI在「模仿」你給的範例時，會自動學習你的格式邏輯、語氣、詳略程度。你等於在教它「這就是我要的標準答案」，之後它產出的結果會穩定且一致。
進階技巧：你可以給多個範例。比如給3個不同情緒的郵件摘要範例，AI就能學會辨識情緒的細微差別。這叫做「Few-shot Learning（少量樣本學習）」，是提示工程的高級技巧。
步驟分解法：讓AI一步一步想
AI最大的問題是「急著給答案」。當你問一個複雜問題，它會跳過推理過程，直接給你一個可能錯的結論。解決方法很簡單：要求它逐步思考。
錯誤示範：「這份銷售數據顯示什麼問題？」（AI可能直接說「業績下滑」，但沒告訴你為什麼）
正確示範：「請逐步分析這份銷售數據。第一步：列出所有產品類別的月度銷售趨勢。第二步：找出異常增減的類別。第三步：分析可能的原因（季節性、競爭、價格變化）。第四步：給出改善建議。請在每個步驟後標註你的推理過程。」
這招在程式設計、數學計算、邏輯推理時特別有用。Google DeepMind的研究也證實，要求AI「逐步思考」（Chain-of-Thought Prompting）能讓複雜問題的正確率提升超過50%。
實戰範例：請AI幫你除錯程式碼
「我寫了一個Python函數，但執行時出現IndexError。請你逐步檢查：1）先解釋這段程式碼的邏輯 2）找出可能出錯的行數 3）說明為什麼會出錯 4）提供修正後的程式碼。每一步都要解釋你的推理。」
這樣做的好處是，你不僅得到修正後的程式碼，還學到了為什麼錯，下次就不會再犯。而且如果AI的推理過程有誤，你可以直接在它錯的那一步糾正，而不是整段重來。
常見錯誤與修正清單
學了技巧，來看看大家最常犯的三個錯誤：
錯誤1：一次問太多事 「幫我寫一篇部落格文章、做一張圖、分析數據、還要翻譯成英文。」 → 修正：一次只做一件事。AI不是多工處理器，一次給太多任務會讓它分心，每個任務都做不好。
錯誤2：忘記給約束條件 「幫我寫一封給客戶的郵件。」 → 修正：告訴AI「不要超過200字」、「不要用專業術語」、「語氣要禮貌但堅定」、「附上聯絡方式」。沒有約束，AI會自由發揮，可能寫成論文或太隨意。
錯誤3：不迭代，直接放棄 第一次結果不滿意，就覺得「AI好爛」。 → 修正：提示工程是迭代的過程。第一次結果不理想，就加一句「請更簡潔一點」、「請舉具體例子」、「請用更口語的風格」。通常2-3次調整就能得到滿意的答案。
總結：提示工程是現代必備技能
還記得我們開頭說的嗎？AI不是天才，但你可以用對的提示讓它變成天才。這3個技巧——角色設定、範例驅動、步驟分解——不需要任何程式背景，任何人都能立刻上手。
從今天開始，每次問AI之前，花30秒想一下：
- 我給它角色了嗎？
- 我有給它範例或格式嗎？
- 我要求它逐步思考了嗎？
養成這個習慣，你會發現AI從「偶爾有用」變成「每天都離不開」。這不是魔法，是提示工程的科學。現在就去試試看，你會驚訝於AI的潛力——前提是，你懂得怎麼問。
延伸閱讀
常見問題
Q: 提示工程需要學很久嗎？ A: 完全不需要。基本的角色設定和範例驅動法，你現在就能用。真正的高手也不過是多練習「迭代優化」——先問一次，不滿意就微調提示，通常2-3次就能得到滿意的結果。每天用AI時練習，一週就能上手。
Q: 不同的AI模型（ChatGPT、Claude、Gemini）提示技巧一樣嗎？ A: 核心原理相同，但每個模型有細微差異。ChatGPT對角色設定反應最好，Claude擅長長篇分析和逐步推理，Gemini對多模態（圖片+文字）提示更敏感。建議你先用一種模型練熟技巧，再延伸到其他模型。
Q: 提示太長會不會讓AI「失憶」？ A: 不會。現代AI的上下文視窗（Context Window）都很大——ChatGPT約128K tokens，Claude可達200K。一篇提示幾百字完全沒問題。但要注意：提示越長，AI花在「閱讀指令」的時間越多，回覆速度會稍慢。建議控制在500字以內。
Q: 怎麼判斷我寫的提示好不好？ A: 有三個標準：1）結果是否直接可用，還是需要大幅修改？2）AI有沒有忽略你的任何要求（比如說要簡潔卻寫了長篇大論）？3）你重複問同樣的問題，結果是否一致？如果以上都OK，你的提示就是好的。
Q: 提示工程未來會不會被AI自動化取代？ A: 某種程度上會。OpenAI和Google都在開發「自動優化提示」的功能，但這不代表你不用學。就像計算機普及了，你還是需要懂數學才能知道按什麼鍵。提示工程教你的不是「寫提示」，而是「如何思考問題、拆解任務」——這個能力AI永遠無法取代你。