結構化提示詞（Structured Prompting）：從「對話」升級為「指令集」的鍊金術

很多人在使用 LLM 時，習慣於像聊天一樣發送一段話。但如果你想讓 AI 穩定地輸出高品質、格式統一且邏輯嚴密的內容，你需要將「對話」升級為「指令集」。

這就是**結構化提示詞（Structured Prompting）**的核心：透過定義角色、目標、約束和工作流程，將模糊的請求轉化為一個可執行的程式。

為什麼需要結構化？

傳統的自然語言提示詞（Free-form Prompting）存在三個痛點：

1. 隨機性高：同樣的請求，今天輸出 A 格式，明天輸出 B 格式。
2. 指令遺失：當提示詞過長時，AI 容易忽略中間的約束條件（Lost in the Middle）。
3. 除錯困難：你不知道是哪個詞導致了結果偏差，無法精準優化。

結構化提示詞透過類似 Markdown 的層級結構，為 AI 建立了清晰的「認知地圖」。

核心框架：Role-Goal-Constraint-Workflow (RGCW)

一個完整的結構化提示詞應包含以下四個維度：

1. Role (角色定義)

不要只說「你是一個翻譯」，要定義其專業背景、語氣和思維模式。

• ❌ 錯誤範例：你是一個文案專家。
• ✅ 正確範例：你是一位擁有 10 年經驗的頂級行銷心理學家，擅長利用 Cialdini 的影響力原則編寫高轉換率的著陸頁文案，語氣專業且具有煽動性。

2. Goal (具體目標)

明確定義「成功」的標準是什麼。

• ❌ 錯誤範例：幫我寫一篇關於 AI 的文章。
• ✅ 正確範例：撰寫一篇 1200 字的深度分析文章，探討 AI Agent 對傳統 SaaS 軟體架構的影響，目標讀者是 CTO 級別的技術決策者，旨在讓他們意識到遷移到 Agentic Workflow 的緊迫性。

3. Constraints (約束條件)

這是防止 AI 「跑題」或產生幻覺的關鍵。包括格式要求、禁忌詞、字數限制等。

• 清單式約束：
  • 禁止使用「總之」、「綜上所述」、「在當今社會」等 AI 味濃重的連接詞。
  • 所有技術術語必須在首次出現時提供英文原稱。
  • 輸出格式必須嚴格遵守 JSON Schema（見下方）。

4. Workflow (執行步驟)

將複雜任務拆解為線性步驟，強制 AI 按順序思考（Chain-of-Thought）。

• 步驟範例：
  1. 第一步：分析使用者提供的原始素材，提取出 3 個核心痛點。
  2. 第二步：針對每個痛點設計一個對比場景（Before vs After）。
  3. 第三步：基於上述分析撰寫正文，每段不超過 150 字。

---

實戰案例：從「寫個週報」到「自動化週報產生器」

普通版 (Free-form)

「幫我寫個週報，這週我完成了 API 文件更新，修復了三個 Bug，還參加了兩次需求評審會。」

結構化版 (Structured)

# Role: 高級軟體工程師週報專家

# Goal: 將碎片化的工作記錄轉化為具備「價值感」和「結果導向」的高管匯報文件。

# Constraints:
- 語氣: 專業, 精煉, 不卑不亢。
- 核心邏輯: 不要只寫 "做了什麼", 要寫 "解決了什麼問題" $\rightarrow$ "帶來了什麼價值"。
- 禁止詞: "大概", "嘗試", "可能"。

# Workflow:
1. 分析輸入記錄中的具體動作 $\rightarrow$ 推導其背後的業務目標。
2. 將成果量化（如：效能提升 X%, 時間縮短 Yh）。
3. 按以下模板輸出：【本週核心產出】 $\rightarrow$ 【關鍵問題與對策】 $\rightarrow$ 【下週計畫】。

# Input: [在此輸入你的碎片記錄]

Gotchas & Tips (避坑指南)

1. 不要過度工程化：如果只是問個簡單問題，不需要結構化。過度複雜的 Prompt 會增加 Token 開銷並可能導致 AI 在處理簡單邏輯時變得僵硬。
2. 使用分隔符：用 --- 或 ### 分隔不同模組，幫助模型快速定位指令區域。
3. 少用否定句：與其說「不要囉嗦」，不如說「請保持回答在三句話以內」。正向指令的遵循率通常更高。
4. 迭代測試：結構化 Prompt 是需要「調優」的。如果發現某個環節失效，嘗試將該步驟在 Workflow 中進一步拆解為子步驟（Sub-steps）。

Checklist: 發送前檢查清單

• 是否定義了具體的專業角色？ (Role)
• 是否有可量化的成功標準？ (Goal)
• 是否列出了明確的禁忌項/格式要求？ (Constraints)
• 是否將複雜過程拆解為了 Step 1, Step 2...？ (Workflow)