ChatGPT 很強大，但你是不是常常覺得它「答非所問」？問題可能不在 AI，而在你的問法。
Prompt Engineering（提示工程）是一門讓 AI 更懂你意思的技術。掌握它，你跟 ChatGPT 的對話品質會提升十倍。
為什麼 Prompt 這麼重要？
ChatGPT 是一個「預測下一個字」的系統。你給它的 prompt 越精確，它預測出的內容就越符合你的期望。
同一個問題，不同的問法會得到完全不同的答案：
❌ 差的 Prompt：
「寫一篇文章」
✅ 好的 Prompt：
「你是一位資深科技部落客。請用輕鬆幽默的口吻，寫一篇 1500 字的文章，主題是『為什麼每個開發者都應該學 Git』。文章要包含 3 個實際案例，適合完全沒接觸過版本控制的新手閱讀。」差異很明顯吧？
Prompt 的基本結構
一個好的 prompt 通常包含這幾個元素：
1. 角色設定（Role）
告訴 AI 它應該扮演什麼角色。
「你是一位有 10 年經驗的 Python 工程師」
「你是一位專門幫助新手的程式教練」
「你是一位嚴格的程式碼審查者」2. 任務說明（Task）
清楚描述你要 AI 做什麼。
「請幫我優化這段程式碼」
「請解釋這個概念」
「請找出這段文字的邏輯錯誤」3. 格式要求（Format）
指定輸出的格式。
「請用條列式說明」
「請用表格比較」
「請用 JSON 格式輸出」
「限制在 200 字以內」4. 範例（Example）
給 AI 看你期望的輸出範例。
「例如：輸入『蘋果』，輸出『一種紅色或綠色的水果，富含維生素』」5. 限制條件（Constraints）
告訴 AI 什麼不能做。
「不要使用專業術語」
「不要給出主觀意見」
「只能使用台灣繁體中文」實用 Prompt 範本
學習類
「請用費曼學習法，向一個 12 歲的孩子解釋 [主題]。
使用生活化的比喻，避免專業術語。
最後給出 3 個簡單的練習題來測試理解。」程式碼優化
「你是一位資深軟體工程師，專長是程式碼優化。
請審查以下程式碼，從這幾個角度給出建議：
1. 效能
2. 可讀性
3. 安全性
4. 最佳實踐
對於每個問題，請提供修改後的程式碼範例。
[貼上程式碼]」文案撰寫
「你是一位專業的行銷文案寫手。
目標受眾：[描述目標客群]
產品：[產品名稱和特色]
目的：[提高點擊率/轉換率/品牌認知]
語調：[專業/輕鬆/幽默/急迫]
請寫出 3 個版本的 [廣告標題/社群貼文/email主旨]，
並解釋每個版本的策略。」資料分析
「請分析以下數據，找出：
1. 主要趨勢
2. 異常值
3. 可能的原因
4. 具體建議
請用表格和條列式呈現分析結果。
[貼上數據]」翻譯潤稿
「請將以下文字翻譯成 [目標語言]。
要求：
- 保持原文的語氣和風格
- 使用當地慣用的表達方式
- 專有名詞保留原文並附上翻譯
- 如有文化差異導致不好直譯的地方，請說明並給出替代方案
[原文]」進階技巧
1. Chain of Thought（思維鏈）
讓 AI 一步一步思考，而不是直接給答案。
「請一步一步分析這個問題：
[問題]
首先，讓我們確認已知條件...
接著，我們需要考慮...
然後，根據以上分析...
最後，得出結論...」這特別適合數學題、邏輯推理、複雜決策。
2. Few-Shot Learning（少樣本學習）
給 AI 幾個範例，讓它學會你要的格式。
「請按照以下格式分類水果：
範例 1：
輸入：蘋果
輸出：{"name": "蘋果", "color": "紅/綠", "season": "秋"}
範例 2：
輸入：西瓜
輸出：{"name": "西瓜", "color": "綠", "season": "夏"}
現在請處理：
輸入：草莓」3. 角色扮演深化
不只說「你是工程師」，而是給更多背景。
「你是 Meta 的資深前端工程師，有 15 年經驗。
你曾經帶領團隊重構過 Facebook 的 News Feed。
你對效能優化有極深的執著，曾經為了省 10ms 加載時間重寫了整個元件。
你說話直接，不喜歡繞圈子，但會用簡單的比喻解釋複雜概念。
現在，請評論我的這段 React 程式碼...」4. 自我檢查
讓 AI 檢查自己的答案。
「請回答這個問題，然後檢查你的答案是否有邏輯錯誤或遺漏。
如果有，請修正後重新回答。
[問題]」5. 分段處理
複雜任務拆成多個步驟。
第一輪：「請先列出這篇文章的大綱」
第二輪：「很好，請展開第一個段落」
第三輪：「請展開第二個段落」
...以此類推常見錯誤
❌ 太模糊
「幫我寫點東西」
→ 寫什麼？給誰看？多長？什麼風格？❌ 太長太複雜
一次塞太多要求，AI 可能會漏掉一些。把複雜任務拆成多輪對話。
❌ 沒給足夠背景
「這個 bug 怎麼修」
→ 什麼程式語言？什麼錯誤訊息？程式碼在哪？❌ 期望 AI 讀心
AI 不知道你腦中的「顯而易見」。把所有假設都說清楚。
實戰案例
案例 1：準備面試
「我即將面試 Google 的 Senior Software Engineer 職位。
請扮演 Google 的面試官，問我 5 個常見的系統設計問題。
每個問題後，等我回答，然後給我反饋，指出我的答案哪裡好、哪裡可以改進。
反饋時請參考 Google 的評分標準：
- 問題釐清能力
- 系統設計能力
- 權衡取捨的思考
- 溝通表達
準備好了嗎？請開始第一個問題。」案例 2：學習新技術
「我想學習 Docker，我有以下背景：
- 3 年 Python 開發經驗
- 用過 Linux 基本指令
- 完全沒碰過容器技術
請設計一個 2 週的學習計畫：
- 每天學習 1-2 小時
- 從零開始到能獨立部署一個 Web 應用
- 包含理論和實作
- 推薦免費的學習資源
請用表格呈現每天的學習內容和目標。」Prompt 優化的思維
- 明確 > 模糊：說清楚你要什麼
- 結構 > 散亂：用條列、分段組織 prompt
- 具體 > 抽象：給範例、給數字、給限制
- 迭代 > 一次到位：根據 AI 的回應調整 prompt
結語
Prompt Engineering 不是什麼神秘技術，核心就是清楚表達你的需求。
把 AI 當成一個非常聰明但完全不了解你背景的新同事。你給的資訊越完整，它的幫助就越大。
最重要的是：多練習。每次跟 AI 對話都是練習的機會。當你發現 AI「答非所問」時，先檢查自己的 prompt，而不是責怪 AI。
現在就去試試看，用今天學到的技巧跟 ChatGPT 對話，你會發現它突然變聰明了。