提示詞工程完整教學:Anthropic 六大架構 + 五個實戰技巧 Prompt Engineering

The Only Bamboo
245粉絲
AI 的產出總是「看似不錯但哪裡怪怪的」?問題不在 AI,在你的提示詞。這支影片帶你從正確心態出發,學會 Anthropic 官方的六大架構,再用五個我每天都在用的實戰技巧,讓你的 AI 產出品質拉開跟大多數人的差距。
📌 時間戳
0:00 Prompt Engineering
1:14 為什麼 AI 產出不對
3:12 Anthropic 六大架構
7:18 五個實戰技巧
🔗 thinkfirst 開源工具(影片中提到的 提示詞撰寫 skill)
https://github.com/garychen-ai/thinkfirst
📢 追蹤我的頻道
👍 覺得有幫助請按讚、訂閱、開小鈴鐺!
#PromptEngineering #提示詞工程 #AI教學 #Anthropic #Claude #ChatGPT #AI效率 #提示詞技巧
AI 生成·可能包含錯誤
又稱提示詞工程
是在過去一兩年被講到爛掉的名詞
現在AI的理解能力越來越強
就算你的提示詞寫得很隨便
只要用像OPUS 4.6這種比較強的模型
它還是能跟你來回對話
一步步幫你把想法釐清
所以有一派人就說
提示詞工程的重要性正在下降
這個觀點我不完全反對
隨著AI能力持續成長
我們確實可以把越來越多事情交給AI去處理
一開始是想清楚再丟給AI
現在可以請AI幫你想清楚
但我始終認為
知道怎麼跟AI溝通
是這個時代每個人都該具備的基礎能力
就像是有了計算機之後
你不用背九九乘法表也能活
但會心算的人
處理數字的效率就是比你高一截
提示詞也一樣
瞭解提示詞撰寫的原理以及底層邏輯
並且能夠寫出一份專業提示詞的人
用AI的效率就是比你高
我相信很多人在使用AI的時候
都有過這樣的經驗
AI產出的東西
表面上看起來很完整
格式漂亮
用詞專業
但你讀完以後
總覺得哪裡怪怪的
又說不上來
好像做得不錯
但就是少了那種
啊 這就是我要的的感覺
或者你跟AI
來來回回改了好幾輪
每一輪它都很認真的改了
但改完以後反而越改越歪
離你要的東西越來越遠
如果你也有這樣的困擾
你一定要把今天這支影片看完
我會先跟你分享
為什麼AI會產出不符合預期的東西
然後帶你看一套
寫提示詞的完整架構
最後再分享五個
我自己每天都在用的實戰技巧
首先
為什麼AI的產出
常常不符合你的預期
這題的答案很簡單
因為AI是世界上
最會尬聊的東西
你跟一個人類聊天
對方聽不懂
會露出困惑的表情
或者直接跟你說
我不懂你在講什麼
但是AI不會
不管你說什麼
它永遠有化解
你說幫我寫一篇文章
它二話不說就開始寫了
就算它連寫給誰看
要寫多長
什麼風格都不知道
它也會直接開始做
很多人希望AI有讀心術
只要丟給AI一句話
就可以得到自己想要的東西
但模糊的input
經過AI的處理
只會變得更模糊
它不會幫你消化模糊
只會放大模糊
AI或許會幫你加入
看起來很專業的細節
但那些是AI在pre-training時
接收到的比較泛用的知識
它知道數據分析
原則 方法
但它可能永遠不會知道
你們團隊哪些metric
纔是真正的北極性指標
這就是為什麼
你總覺得好像不錯
但就是哪裡怪怪的
你的提示詞
只要有任何一點模糊地帶
AI就會開始自己臆測
自己推敲
第一個假設錯了
後面建立在這個假設上的東西
就會全部歪掉
越來越多的臆測
AI裡產出你想要的結果
就會越來越遠
所以我會建議任何人
在學習撰寫提示詞之前
一定要先建立一個正確的心態
你要把AI當作一個聰明
但對你的情境一無所知的新同事
你給他的背景
目標和期望越清楚
他交出來的東西就越好
AI就像你的男朋友一樣
你如果不講自己為什麼生氣
你男朋友就永遠不會知道
然後
他會用自己的理解
去補那個空白
他補的不一定對
但他不會停下來問你
他會直接做下去
做完以後自信滿滿交給你
然後你打開一看
根本不是你要的
不過
提供給AI的資訊
也不是越多越好
你請AI用Python寫一個猜數字遊戲
這很簡單
但如果你的系統
同時塞了一堆之前的歷史紀錄
什麼26個Session前
有人提到要管理Memory
71個Session前
曾經因為開太多次進程
導致螢幕當機
AI就會開始困惑
他會想
這些東西跟猜數字遊戲
到底有什麼關係
然後他可能就會開始分心
把這些不相關的東西也考慮進去
做出莫名其妙的東西
就像你請一個新來的同事
幫你做一件事
然後順便給了他一份公司
十年大事記
他會困惑到底哪些纔是他該看的
所以各位在寫提示詞的時候
一定要給到足夠的資訊
不多不少
剛好就好
這就是我認為
一個普通人
要做好Prompt Engineering
最重要的原則
好
那到底一份好的提示詞
應該要長什麼樣
Anthropic官方有一套
很清楚的架構
一份好的Prompt
大致上包含六個區塊
實際運用時
不是每個都必要
要放哪些取決於你任務的複雜度
但知道這個架構
你就知道專業的AI使用者
在寫提示詞的時候
是怎麼思考的
我會用一個完整的例子
帶你走一遍
這樣比較好理解
假設今天你是一位產品經理
你想請AI幫你分析用戶回饋
根據Anthropic官方的建議
第一個區塊叫做Starter
在這個區塊中
你要用一兩句話
設定AI的角色跟任務
比方說
你是一個有十年經驗的Product Strategist
專精B2B SaaS產品
你給AI一個角色
它就會用那個角色的
知識和思考方式來回應
一個Product Strategist
跟一個Customer Service Representative
看同一批客戶回饋
切入點完全不同
所以你要想清楚
這個任務適合什麼樣的角色來執行
第二個區塊Context
這裡你要提供AI足夠的背景資訊
這一點就呼應了我前面講到的
撰寫提示詞最重要的原則
所以你可以寫下
我們是一家做專案管理工具的公司
主要客戶是50到200人的科技公司
最近三個月
用戶留存率從10%降到5%
我們想找出原因
記住前面講的心態
AI是一個什麼都不知道的人
你不講公司是做什麼的
客群是誰
現在面臨什麼問題
它就只能瞎猜
但也記住
只給它跟這個任務
直接相關的背景就好
不要把什麼都塞進去
第三個區塊是Task Instruction
這個區塊中
你要提供具體的任務指令
你可以定義好
執行特定任務的核心原則
甚至是詳細的執行步驟
你如果只跟AI說
幫我分析這些客戶回饋
它會分析
但分析的角度、深度、重點
可能跟你想的完全不一樣
就像你跟AI說
幫我寫一份關於系統重構的進度update
AI可能假設讀者是工程團隊
寫了一份技術報告
但你要的是一份
給主管看的150字摘要
進度update這四個字
在你腦中很清楚
但在AI的世界裡
它是一個巨大的模糊地帶
有無限的解讀空間
所以Task Instruction
要寫得像在寫詳細的spec文件
比方說
請分析附件中的200則客戶回饋
從中找出導致留存率下滑的前五大原因
每個原因附上三則代表性的客戶原文
並針對每個原因
提出一個具體的改善建議
這樣寫的話
你有定義出有明確的數量
也就是前五大
有要求附上它的判斷依據
有要求行動建議
AI收到這個指令後
不需要做任何臆測
第四個區塊是examples
也叫做fuelshot
如果你有想要的產出範例
可以直接貼給它看
比如你過去做過一份
類似的分析報告
你覺得那份的格式跟深度
AI看到範例就知道你的標準長什麼樣
不過這邊要注意
我自己在實作中發現
如果給了範例
AI會傾向朝那個範例靠近
這樣的傾向會讓使用者覺得
感覺有點沒創意
怎麼只跟著範例走
不過這邊要注意
大型語言模型在處理範例時的
預設邏輯就是模仿
當你給了一個明確的參考
它會把那個當成最安全的方向去靠
因為偏離範例的風險叫做
使用者不滿意
而大型語言模型從小受到的教育
就是要滿足使用者
因此當使用者提供範例時
它照著做的風險更低
那實務上要怎麼解決呢
我自己的經驗是
關鍵在於你怎麼給範例
以及給的時候怎麼說
如果你說照這個格式寫
它就會高度複製
但如果你說
這份報告的分析深度跟結構是我要的
但內容請根據新的主題重新發想
風格可以更活潑
它就有空間去做不一樣的東西
簡單講
範例搭配明確的
哪裡要向哪裡不要向的指令
效果會比單純丟範例好很多
第五個區塊
Output Format
也就是輸出格式
你可以告訴AI
請用Markdown格式輸出
每個原因用H2標題
下面分三個小節
第一個是問題描述
控制在100字以內
第二個是代表性客戶原文
控制在三則
最後是改善建議
大約50字左右
如果你不講格式
AI猜出來的格式
八成不是你要的
第六個區塊叫做
Repeat Critical Instruction
可以把你最重要的要求
在最後再強調一次
比方說
每一條改善建議
必須是具體可執行的行動
不可以是模糊的方向性建議
如加強溝通或提升品質
AI對prompt開頭和結尾的資訊
權重比較高
如果你有一個超級關鍵的要求
可以在最後再講一次
相信我
用這套架構寫出來的prompt
跟你直接跟AI說
幫我分析客戶回饋
產出的品質完全是不同等級的
如果你的prompt比較長
可以用XML tag
把不同區塊標記起來
幫助AI理解結構
就像是我畫面上展現的一樣
講完了我認為
撰寫提示詞最重要的
心態還有大框架之後
接下來分享五個
我自己平常頻繁使用的技巧
其實提示詞
撰寫的原則變來變去
最重要的就是那幾個
因此這五個技巧
可能會跟前面講到的
心態、框架有所重疊
首先第一個技巧是
剛纔在架構裡面已經提過
output format
但我想再強調一下
因為這個太重要了
大家剛用AI的時候
可能有遇過這種情況
你跟他說
幫我改一下第二段
結果他不只改了第二段
還順手把你第三段
第四段也改了
你之前花時間調好的東西
他一次全部打亂
非常煩
舉個例子
你跟AI說
幫我寫一封email
跟客戶更新專案進度
AI可能會給你一段wall of text
根本抓不到重點
但如果你說的是
請幫我寫一封email
開頭用一句話總結現況
接著用三個列點
說明本週完成的項目
再一個列點講下週計畫
最後確認下次會議時間
全文控制在150字以內
AI就會照著這個結構填
出來的東西乾淨又明確
同樣一件事
差別只在於
你有沒有先定義好產出的樣子
不過如果你有定義清楚的輸出格式
你可以跟AI說
只改主管摘要那個區塊
其他所有欄位都不要動
AI的訓練過程
讓他很擅長遵守結構和標籤的邊界
有了明確的格式定義
你就能做到手術級的精準修改
不用擔心他亂動其他地方
其實在實作上
各位會發現定義產出結果
其實沒那麼容易
這背後的原因是
大多數時候
我們自己都沒有想清楚
到底想要什麼
我們希望把任務留給AI
他就能夠通靈
給你你想要的東西
但這樣做的結果
往往只會花掉你
更多來回調整的時間
所以各位在交付任務給AI時
記得先清楚
你到底想從這次的對話中
得到什麼樣的產出結果
如果你沒辦法回答這個問題
那就代表你還沒準備好
把這個任務delicate給AI
第二個技巧
要求AI問你
Clarifying questions
在你的提示詞裡面
直接加一句
如果有任何不清楚的地方
請你先向我提問
不要自己假設
AI的預設行為是
收到指令就開始做
就算有不確定的地方
也會自己腦補
然後繼續往下做
但你加了這句話以後
他會在動手之前先問你
你這邊提到要寫一份進度update
你是指給工程團隊看的技術報告
還是給主管看的摘要
與其讓他默默做出一堆假設
然後交出一個你不要的東西
不如讓他主動把理解上的gap提出來
你確認完再讓他開始做
多花30秒
但省下的是後面
來來回回修改的時間
我自己幾乎每一個重要的prompt
都會加這句
第三個技巧
叫做chain of thought
這個技巧的核心概念就是
你主動要求AI把思考過程展開
而不是讓他直接給你結論
實際運用大致上分成兩種情況
最簡單的方式就是
在prompt的結尾加一句引導
像是請一步步思考
並且分析後再給結論
這樣AI就會自動把推理過程拆開來走
進階一點的做法
是你自己先示範推理的路徑
比如你要他幫你評估一個商業決策
你可以在prompt裡寫
請先分析市場現況
再評估競爭對手
接著考慮我們的資源限制
最後給出建議
這等於是你幫他規劃了思考的順序
他就會照著這條路徑走
而不是東想一點西想一點
我會建議在任務比較複雜
牽涉多個步驟或條件的時候
使用這個技巧
像是數據分析
策略規劃
多角度比較
debug
這些場景用code的效果會很明顯
因為你要求AI在推理的過程中
把每一步都寫出來
他就會更仔細地去檢查每一個環節
比較不會漏掉或得到錯誤的結論
簡單講
chain of thought就是一個
讓AI慢下來想清楚再回答的技巧
任務越複雜
它的價值越大
第四個技巧
定義
好的產出
還有壞的產出
AI預設的協作風格過度委婉
假裝面面俱到
然後非常無聊
他不會在同一份文件裡面同時表達
這一塊我們很確定
和這一塊有不確定性
他只會用那種模模糊糊
不痛不癢的語氣
把所有東西都包起來
如果你不告訴他什麼是不好的
他就會自動退回到
這個安全但沒用的預設模式
舉個例子
你如果只跟AI說
幫我整理今天開會的紀錄
他大概會產出一份很科技的通用摘要
action items
寫什麼持續追蹤相關進展
加強跨部門溝通
看完跟沒看一樣
但你如果在problem裡面
加上每條decision
必須寫出負責任的名字
每條action item
必須由owner和dayline
不允許模糊的代辦
出來的會議紀錄就會是
王大明負責在週五前完成
API串接測試
這種等級的東西
看完就知道誰要做什麼
什麼時候要做完
告訴AI什麼叫做爛的產出
這件事比直接請他做好一點
有效太多了
AI有了這些boundary
就知道什麼不能做
產出品質會立刻拉上來
很多人用AI覺得產出品質不好
就一直跟他說再好一點
這完全沒用
你要告訴他
好長什麼樣
爛長什麼樣
他才知道往哪個方向走
第五個技巧
meta prompting
這大概是我最常使用的技巧
講白話就是
請AI直接幫你寫提示詞
剛剛講了那麼多技巧
其實不太可能把這些東西都記起來
就算都記起來了
其實請AI幫你寫提示詞
通常會比你自己寫還要快
還要好
你可以直接把你的需求
用白話描述出來
然後跟AI說
請根據我的需求
幫我寫一份結構化的prompt
包含角色設定
context
task
instruction
output format
等元素
然後你拿這份prompt去跑
效果通常比你自己從零開始寫
好很多
我自己每天要寫好幾十份prompt
不可能每次都從零開始想這些東西
所以我做了一個開源的工具叫thinkfirst
丟進clockcode就能用
你把你的想法用白話講一遍
它不會直接幫你寫prompt
它會先問你一系列的問題
幫你釐清想法
問完之後
這個skill會幫你把這些東西
組成一份專業的prompt
它幫我省下大量來回修改的時間
prompt的品質也更穩定
有需要的朋友們
可以直接到資訊欄看看這個skill
也可以以這個skill為原型
去改造成你更喜歡的樣子
或者互動模式
我覺得提示詞工程
是非常有趣的一個領域
其實許多AI原生的公司
會花很多時間撰寫超級長的提示詞
定義好每一個執行原則
流程
禁忌等
我自己在專心寫完一份
完整的提示詞之後
也會非常有成就感
今天講的是提示詞撰寫的基礎概念
學會影片的這些東西
應該可以讓你的AI產出品質
拉開跟大多數人的差距
如果你想看更進階的提示詞技巧
包括prompt training
系統化的prompt評估跟迭代
我會再出一部更進階
更完整的提示詞工程影片
以上就是今天的內容
各位如果看到這邊
希望可以幫我按讚追蹤加分享
這是我持續創作下去的動力
我們下次見
