提示詞工程完整指南：從基本結構到零樣本、少樣本與思維鏈

本文重點

• 提示詞工程是設計與優化提示詞的技術，目的是讓 AI 更準確地理解你要什麼。
• 一個完整的提示詞通常包含格式、背景與範例三個部分，缺了背景和範例，模型只能用猜的。
• 零樣本適合簡單任務，少樣本適合需要固定風格或格式的任務，思維鏈適合需要多步驟推理的任務。
• 寫提示詞沒有標準答案，把「設定目標、給背景、給範例、講具體、反覆調整」這五件事做到，就贏過大多數人。

提示詞工程在工程什麼

「工程」聽起來像是需要專業技術的事，但提示詞工程做的事情其實很直觀：把一個模糊的需求，改寫成 AI 能準確理解的指令。

同一件事，「幫我寫一段行銷文案」和「幫這款主打天然成分的護膚品寫一段 100 字以內的 Instagram 貼文文案，語氣年輕、帶一點幽默，鎖定 25-35 歲女性」，後者拿到的結果會準確得多。差別不在誰比較會下指令，而在後者把 AI 需要的資訊都給齊了。提示詞工程就是把這個「給齊資訊」的過程系統化。

一個完整的提示詞，通常包含三個部分

格式（怎麼問）。 用自然語言提問、下直接指令、還是給結構化的欄位（例如「主題：／語氣：／長度：___」），會影響模型解讀你需求的方式。任務簡單就用自然的口吻問；任務有多個變數要控制，改用結構化格式反而更不容易漏掉條件。

背景與範例（讓模型知道你要什麼樣的結果）。 只給任務、不給背景，模型只能給出「大眾臉」的答案。補上目標讀者、使用情境、想要的長度，甚至一個範例讓模型知道你要的風格長什麼樣子，結果會準確很多。

反覆調整（沒有一次到位這回事）。 第一版提示詞很少是最好的版本。看到輸出不如預期，回頭調整措辭、補充漏掉的條件、拿掉造成誤解的字句——這個來回的過程，本身就是提示詞工程的一部分，不是失敗，是正常流程。

幾種常見的提問方式，各自適合什麼場合

不是每個任務都要寫落落長的提示詞。依任務性質選對方式，效率差很多。

方式	做法	適合的場合
零樣本（直接問）	不給範例，直接下指令或提問	任務簡單明確，例如翻譯一句話、摘要一段文字、發想幾個點子
少樣本（給範例）	先給一、兩組「輸入 → 輸出」的範例，再問實際問題	需要固定的風格、格式或用詞習慣，用文字描述半天不如直接給範例
思維鏈（引導推理）	請模型把推理過程拆成一步一步寫出來，而不是直接跳到答案	牽涉多步驟計算、邏輯判斷，或容易一步想岔就全錯的任務

六個能立刻用的寫法

1. 目標講清楚，不要留模糊空間。 「寫一篇文章」和「寫一篇 500 字、給非技術背景讀者看的文章，說明為什麼要做資安意識訓練」，後者少了很多來回確認的成本。

2. 背景資訊主動給，不要等模型問。 模型不會主動追問你沒講的細節，它只會用猜的填空。相關的數據、你已經知道的限制條件、要參考的對象，一次講清楚。

3. 該給範例就給範例。 想要的風格、格式、詳細程度，用文字描述常常不如直接舉一個例子清楚。「像這樣寫」比「用比較活潑的語氣寫」準確得多。

4. 具體到可以驗收。 「寫長一點」不如「寫 800 字左右」；「講重點就好」不如「用三個重點條列，每點不超過兩句話」。可以量化的要求，盡量量化。

5. 把複雜任務拆成步驟。 一次要求「做一份完整的行銷企劃」容易得到籠統的結果，拆成「先列出目標客群 → 再想三個切入角度 → 針對其中一個角度寫初稿」，每一步的產出都更可控。

6. 別怕重來。 換個說法、加一句限制、拿掉一句造成誤解的描述——多數時候不是模型能力不夠，而是提示詞還沒寫到位。

為什麼值得花時間學這件事

寫得好的提示詞，直接反映在輸出品質上：更準確、更貼近你要的語氣與格式，也更不容易得到偏離主題或有問題的內容。同時因為需求一開始就講清楚，來回修改的次數變少，等於省下時間。

更重要的是，這件事一旦練成習慣，會變成一種可以帶著走的能力——不管換用哪個模型、面對哪種任務，「先想清楚要什麼、把資訊講齊」這套思路都通用。

想直接套用現成範本，可以參考提示詞框架裡整理的五個職場常用範本。