提示詞工程進階：從「指令」到「結構化框架」的思維躍遷

很多人在嘗試 AI 時，習慣把 Prompt 當作「聊天指令」——例如「幫我寫一份週報」或「分析一下這段程式碼」。這種方式在處理簡單任務時有效，但在面對複雜、高要求的工作流程時，往往會出現結果不穩定、邏輯缺失或需要反覆修改的情況。

真正的 Prompt Engineering（提示詞工程）不是在尋找某種「魔法咒語」，而是將軟體工程的結構化思維引入到自然語言互動中。

為什麼你的 Prompt 效果不穩定？

大多數低效的 Prompt 共有三個缺陷：
1. 脈絡缺失：AI 不知道它現在扮演的角色，也不知道輸出結果的最終用途。
2. 指令模糊：使用「詳細地」、「專業地」等主觀詞彙，而非具體的量化標準。
3. 缺乏約束：沒有定義「絕對不能做什麼」，導致 AI 產生幻覺或輸出冗餘資訊。

核心方法論：結構化框架 (Structured Framework)

要讓 AI 輸出穩定且高品質的內容，建議採用 Role -> Context -> Task -> Constraint -> Output 的結構化框架。

1. Role (角色定義)

不要只說「你是一個翻譯」，而要定義其專業背景和能力邊界。
- ❌ 低效：你是一個翻譯專家。
- ✅ 高效：你是一位擁有 10 年經驗的科技翻譯專家，擅長將複雜的電腦網路術語轉化為非技術人員也能理解的商業語言，風格簡潔且具有說服力。

2. Context (脈絡/背景)

告訴 AI 這項任務為什麼存在，以及目標受眾是誰。
- 範例：這份文件將提交給公司的 CFO，目的是申請明年 Q1 的雲端服務預算。受眾關注的是成本優化和 ROI（投資報酬率），而非具體的技術實作細節。

3. Task (具體任務)

將大任務拆解為可執行的步驟（Step-by-Step）。
- 範例：
- 第一步：分析附件中的資源使用報告，提取出前三個浪費最嚴重的項目。
- 第二步：針對每個項目提供一個具體的優化方案及預計節省的金額。
- 第三步：總結成一份不超過 300 字的執行摘要。

4. Constraint (約束條件)

定義邊界，消除不確定性。
- 範例：
- 禁止使用「大概」、「可能」、「或許」等不確定詞彙。
- 所有金額必須以 USD 為單位並保留兩位小數。
- 不要輸出任何開場白（如「好的，我已經為您準備好了...」），直接輸出正文。

5. Output (輸出格式)

明確規定結果的形式（JSON, Markdown 表格, Mermaid 圖表等）。
- 範例：請以 Markdown 表格形式輸出，欄位名稱分別為：專案名稱 | 目前成本 | 優化後成本 | 節省比例 | 風險等級。

---

實戰 Checklist：發送前最後檢查

在點擊發送之前，請對照以下清單檢查你的 Prompt：
- [ ] 角色是否具體？ (是否有專業背景定義？)
- [ ] 目標是否量化？ (是否有字數限制、格式要求？)
- [ ] 步驟是否清晰？ (是否使用了 1, 2, 3 分步引導？)
- [ ] 負面約束是否到位？ (是否明確了「不要做什麼」？)
- [ ] 範例是否提供？ (對於複雜格式，是否給了 Few-Shot 例子？)

Gotchas & Tips (避坑指南)

1. 避免過度堆砌形容詞：與其說「非常詳細地分析」，不如說「請從技術可行性、成本、時程三個維度分別分析」。
2. 利用「思維鏈」 (Chain of Thought)：在 Task 中加入一句 Let's think step by step 或 在給出最終答案前，請先在 <thought> 標籤內分析你的推理過程，能顯著提升邏輯類任務的準確率。
3. 動態迭代而非一次性完成：複雜的任務不要試圖用一個超級 Prompt 完成，而應將其拆分為一個多輪對話的工作流程（Workflow）。

何時不需要結構化 Prompt？

當你在進行簡單的資訊檢索（如「Python 如何讀取 CSV？」）或隨意的創意腦力激盪時，過於死板的結構反而會限制 AI 的发散思維。此時，簡單的自然語言對話才是最高效的。