提示詞工程的底層邏輯：為什麼有些 prompt 就是比較好用

先破除一個迷思

網路上很多「AI 神級 Prompt 大全」其實只是把同樣的幾個結構套在不同主題上。重點不是「記住 500 個 prompt」，是理解結構，你才能針對每個新情境現場生一個。

四個底層原則

1. Role（角色）決定品質上限

請幫我寫一段行銷文案 vs 你是蘋果的創意總監，過去服務過 Nike 與 Apple Watch 發布會

前者得到平均水準的文案，後者得到模仿蘋果風格的文案。

為什麼：LLM 是在壓縮整個網路的表達模式。給它一個具體角色，等於告訴它「從這個區域的分佈中抽樣」。

2. Context（上下文）決定結果相關性

寫一封給客戶的 email vs 客戶是中小企業老闆、我們賣 SaaS 月費 $99、三個月沒登入、已經試過兩次 email 都沒回

後者的結果會比前者好 10 倍，因為模型知道「這是在做 winback」。

3. Constraints（約束）避免廢話

寫一篇部落格文章 vs 800 字、開頭要用問句、結尾要有 CTA、不要用 'In conclusion'

越明確的約束，結果越穩定。約束是在幫 AI 縮小選擇空間，不是限制它發揮。

4. Output Format（輸出格式）決定可用性

列出五個選項 vs 用表格輸出，欄位：選項、優點、缺點、成本、我的推薦等級（1-5）

差別在前者你還要自己整理，後者你可以直接用。

一個可複製的模板

你是 [ROLE]。

[CONTEXT：背景、對象、已嘗試過什麼]

請幫我 [TASK]。

約束：
- [CONSTRAINT 1]
- [CONSTRAINT 2]

輸出格式：
[FORMAT]

範例（若適用）：
[EXAMPLE]

貼上這個模板，把 [] 填掉，80% 的場景都夠用。

進階：讓 AI 幫你改 prompt

把你寫好的 prompt 丟給 AI，請它用上述四個原則幫你改寫。我們站上的《提示詞優化器》就是做這件事。一週你會發現自己寫的 prompt 越來越短、越來越精準。

最後一個秘訣

模型能力持續在升級，但人類的需求描述能力不會自動升級。 你投資在結構化思考的時間，會一直有複利。