第 2 章 · Prompt 工程：把需求講清楚的技術

同樣一個模型，有人問得到垃圾、有人問得到黃金，差別往往不在模型，而在怎麼問。這一章教你「把需求講清楚」的系統化方法——這就是 Prompt 工程（Prompt Engineering）。

💡 一句話定義：Prompt 工程 = 用文字，穩定地讓模型做出你要的事。重點在「穩定」——偶爾問對不算本事，每次都問對才是。

先懂：一則對話其實有三種角色

你在 ChatGPT 打字時看起來只有「你說、它回」，但底層其實有三種角色的訊息：

System prompt 是最有power的一層。同一句「幫我看這段程式」，如果 system 是「你是嚴格的資安審查員」，跟「你是親切的教學助教」，得到的回答天差地遠。

💡 你自己用網頁版時通常只能改 user 訊息；但只要你在做應用、串 API，system prompt 就是你最重要的設計工具。

模糊的指令 → 模糊的結果。把「角色、任務、格式、限制」都講明。

❌ 幫我寫一下這個產品的文案。

✅ 你是資深電商文案。幫「無線降噪耳機」寫一段商品文案。
   受眾：通勤上班族。語氣：專業但親切。長度：50 字內。
   重點帶到「降噪」與「續航」，不要用誇張的驚嘆號。

與其用一堆文字描述你要的格式，不如直接示範一兩個。這叫 few-shot（少樣本）；完全不給範例則叫 zero-shot（零樣本）。

把使用者的句子分類成「正面/負面/中立」。

範例：
輸入：這家店服務超好！ → 正面
輸入：等了一小時還沒上菜 → 負面

輸入：價格中規中矩 →

模型看到範例，會照著你的格式與判準輸出，比你寫三段規則還準。

遇到需要推理的題目，加一句「請一步一步思考」（Chain-of-Thought，思維鏈），準確度常常明顯提升——因為你逼它把推理過程展開，而不是急著猜一個答案。

一支筆 12 元，一本筆記本是筆的 3 倍價，買 2 支筆 + 1 本筆記本共多少？
請一步一步計算，最後再給答案。

💡 對「會先想再答」的推理模型（第 1 章）來說，這件事它會自動做；但對一般模型，這句話仍然很有用。

要它給你能直接用的東西：「用表格」「用 JSON」「只回答一個詞，不要解釋」。越明確，越好接進後續流程。

從這段自我介紹抽出資訊，只輸出 JSON，不要多餘文字：
{ "姓名": "", "年齡": 0, "專長": [] }

結構化輸出是「AI 接進程式」的關鍵，第 4 章會深入。

不要用一個超長 prompt 要求模型「一次做完十件事」。把大任務拆成幾個小步驟，一步一個 prompt，準確度和可控性都會大增。

例如「幫我把這篇會議記錄整理成待辦清單」可以拆成：

這個「拆步驟」的想法，放大到程式層級，就是第 5 章的 AI Workflow。

⚠️ 特別提醒「不要 X」的陷阱：與其說「不要用專業術語」，不如說「用國中生能懂的白話」。正面示範永遠比負面禁止有效。

當 prompt 進到產品裡，它就不再是隨手打的字，而是產品的一部分，要像程式一樣認真對待：

💡 這裡藏了一條伏筆：Prompt 工程處理的是「這一次要說什麼」；但當對話變長、要塞的東西變多，問題就升級成「有限的視窗裡該放哪些東西」——那就是下一章的 Context 工程。

你已經會「講清楚」了。但如果要塞的資料很多、對話很長怎麼辦？下一章談如何管理模型的「工作記憶」——Context 工程。