Prompt Engineering（提示工程）是與 AI 溝通的核心技藝——好的 Prompt 能讓同樣的 AI 產出 10 倍品質，本指南帶你系統化掌握 Prompt 寫作的方法論。
🎯 實戰技能 · 2026 最新
Prompt Engineering提示詞工程完全指南
學會跟 AI 說話的藝術，讓 ChatGPT、Claude、Gemini 真正變成你的超級助手
什麼是 Prompt Engineering？
Prompt Engineering（提示詞工程）就是「學會怎麼跟 AI 說話」的技術。同樣一件事，用不同方式問，得到的結果可能天差地遠。
💡 生活化比喻
想像你在餐廳點餐。 ❌ 「來一份好吃的」→ 服務生一頭霧水 ✅ 「麻煩來一份五分熟的肋眼牛排，配烤蔬菜，少鹽」→ 完美上菜
跟 AI 對話也一樣，給得越明確，回答越精準。
為什麼這麼重要？
📈 效率提升
好的 Prompt 可以讓你的工作效率提升 3-10 倍，一次就得到你要的結果
💰 省錢
減少來回修改次數 = 省 API 費用。企業規模使用下差距巨大
🎯 準確度
結構化的 Prompt 可以把 AI 回答的相關性提升 60% 以上
🔧 通用技能
所有 LLM（ChatGPT / Claude / Gemini）原則都通用
Prompt 黃金公式
🏆 R.T.F.C 四要素
Role（角色）→ 你是誰
Task（任務）→ 要做什麼
Format（格式）→ 怎麼呈現
Context（背景）→ 為什麼做
實際示範
❌ 初學者的寫法
「幫我寫一篇行銷文案」
✅ 用黃金公式改寫
角色：你是一位有 10 年經驗的社群行銷專家
任務：為我的手工皂品牌寫 5 則 Instagram 貼文
格式：每則貼文包含：吸引人的開頭（用 emoji）、150 字內文案、5 個 hashtag
背景：目標客群是 25-35 歲注重天然成分的女性，品牌走清新自然風
進階公式變體
| 場景 | 公式 | 範例 |
|---|---|---|
| 寫作 | 角色 + 風格 + 長度 + 受眾 | 「用《商業周刊》的寫作風格，寫 800 字給科技業主管看的文章」→ AI 寫作指南 |
| 程式 | 語言 + 功能 + 限制 + 範例 | 「用 Python 寫一個 CSV 轉 JSON 的函式，要有錯誤處理」 |
| 分析 | 資料 + 角度 + 產出格式 | 「分析這份銷售數據，從季節性和客群兩個角度，產出表格」→ AI 數據分析 |
5 大核心技巧
1️⃣ Chain of Thought（思考鏈）
加一句「請一步一步思考」，AI 的邏輯推理能力立刻提升。
📋 範例
「某公司 Q1 營收 500 萬，Q2 成長 20%，Q3 又下降 15%。請一步一步計算 Q3 的營收是多少？」
2️⃣ Few-shot Learning（給範例）
給 AI 2-3 個輸入→輸出的範例，它就會「學會」你要的格式和風格。
📋 範例
「以下是情感分析的範例：
輸入：『這家餐廳太好吃了！』→ 正面
輸入：『等了一個小時還沒上菜』→ 負面
輸入：『餐點普通，但環境不錯』→ 中性
現在分析以下 10 則評論的情感⋯⋯」
3️⃣ System Prompt（系統指令）
在對話開始前設定 AI 的「人格」和行為規則，確保整個對話的一致性。
📋 範例
「你是 AI 不焦慮的客服助理。規則：
- 用繁體中文回答
- 語氣友善但專業
- 不確定的問題回答『讓我幫你轉接真人客服』
- 永遠不要編造不存在的產品功能」
4️⃣ 角色扮演
讓 AI 扮演特定專家，得到更專業的回答。
👨⚕️ 醫療
「你是一位有 20 年經驗的家庭醫學科醫師」
👨💼 商業
「你是麥肯錫的資深管理顧問」
👩🏫 教育
「你是一位擅長用比喻解釋複雜概念的大學教授」
✍️ 寫作
「你是一位得過金鼎獎的商業雜誌主編」
5️⃣ 迭代改進
別期待一次完美！好的結果來自多次來回。
📋 迭代流程
第一輪：「幫我草擬⋯⋯」
第二輪：「語氣再輕鬆一點」
第三輪：「加入具體數字和案例」
第四輪：「縮短到 500 字以內」
→ 🎯 完美輸出！
進階技法
Tree of Thought（思考樹）
讓 AI 同時考慮多個方案，然後選出最好的。
📋 用法
「針對我們公司的客戶流失問題，請提出 3 個完全不同的解決方案，分別從價格策略、產品改進、客戶關係三個角度出發，然後比較優缺點，推薦最佳方案。」
ReAct（推理 + 行動）
適合需要查資料或做計算的任務，讓 AI 邊想邊做。
📋 用法
「我想知道現在投資台積電是否是好時機。請：
- 思考：需要考慮哪些因素？
- 行動：分析最近的財報數據
- 觀察：目前市場的看法是什麼？
- 結論：給出你的建議和理由」
Negative Prompt（反向提示）
告訴 AI 不要做什麼，有時比告訴它要做什麼更有效。
📋 範例
「寫一篇產品介紹。
不要：❌ 使用行銷術語 ❌ 誇大效果 ❌ 超過 300 字
要：✅ 用日常對話的語氣 ✅ 附具體使用情境 ✅ 讓國中生也看得懂」
實戰範例庫
📧 Email 助手
「幫我回覆這封客戶抱怨信，語氣要：同理心 → 道歉 → 解決方案 → 補償。控制在 200 字內。」
📊 數據分析
「分析這份 CSV 銷售數據。找出：1) 最暢銷的前 5 名產品 2) 銷售低谷月份 3) 建議的促銷時機。用表格呈現。」
📝 會議記錄
「把以下會議逐字稿整理成：決議事項（用 ✅ 標記）、待辦事項（標明負責人和截止日）、下次會議議題。」
🎯 面試準備
「我要面試 Google 的 PM 職位。請出 5 題常見面試題，每題附：考察重點、回答架構、90 分範例答案。」
📚 學習助手
「用蘇格拉底式問答法教我量子計算的基本概念。先問我問題引導我思考，不要直接給答案。」
🌐 翻譯潤稿
「把這段中文翻成英文。要求：保留原文語氣、使用商業正式用語、句子簡潔有力、附翻譯說明。」
常見錯誤
⚠️ 避免這些坑
- 太模糊：「寫點東西」→ 必須具體說明主題、風格、長度
- 太冗長：把所有需求塞在一段話 → 分步驟拆解會更好
- 沒給背景：AI 不知道你的情境 → 先說明你是誰、要給誰看
- 期待一次完美：初版只是草稿 → 迭代修改才是正確流程
- 忽略格式：不指定輸出格式 → 加「用表格/用條列/用 Markdown」
🆕 2026 年必學：新一代 Prompt 技巧
傳統 Prompt 技巧在 2024 年以前夠用，但 2026 的模型（Claude Opus 4.7、GPT-5.4、Gemini 3 Pro）引入了新能力，值得額外掌握：
Extended Thinking：讓 AI「思考更久」
新一代模型（Claude Extended Thinking、OpenAI o1/o3、DeepSeek R1）可以在回答前先「思考」，處理複雜推理題時效果顯著。使用方式：
請深入思考後再回答。這題涉及：
1. 多步驟推理
2. 需要考慮邊界情況
3. 輸出前請自我檢查一遍
問題：[你的問題]什麼時候該用？ 數學題、邏輯題、複雜程式 debug、戰略分析。什麼時候不該用？ 閒聊、簡單翻譯、客服——會變慢、變貴，不划算。
Task Budgets：給 AI 預算上限
Claude Opus 4.7 引入 Task Budgets——你可以告訴模型「這個任務最多花 X token」，讓它自動調節思考深度。用在 Agent 長任務特別有用：
任務：整理過去 3 個月的市場資料
預算：50,000 tokens
優先：準確性 > 詳盡度
如預算不夠，先給重點結論再列 TODOPrompt Caching：省錢的重量級技巧
當你的 system prompt 很長且會重複用（客服機器人、RAG 系統），啟用 prompt caching 能省 75–90% 成本：
# Claude API 範例
messages.create(
system=[{
"type": "text",
"text": "你是專業客服⋯⋯（5,000 字 system prompt）",
"cache_control": {"type": "ephemeral"} # 標記為可快取
}],
messages=[...]
)首次呼叫花全價，後續 5 分鐘內的呼叫 input token 只收 10% 費用。完整實作見 API 整合 和 API 成本試算器。
Multi-Modal Prompting：圖片 + 文字組合
2026 年頂級模型都支援多模態輸入。關鍵 prompt 技巧：
[附上截圖]
請依序：
1. 描述圖中最重要的三個資訊（用 bullet points）
2. 如果這是 UI 設計稿，指出 3 個 UX 問題
3. 用程式碼複製這個元件（React + Tailwind）重點：圖片附上後，指令要明確指涉圖中元素——別只說「分析一下」。
Structured Output：結構化輸出
2026 所有主流模型都支援 JSON schema 輸出，不再需要事後 parse：
請以下列 JSON schema 回覆：
{
"summary": "string (max 200 chars)",
"sentiment": "positive | neutral | negative",
"key_points": ["array of strings, max 5"],
"risk_level": "low | medium | high"
}
內容：[待分析的文字]相比「請用 JSON 格式回答」，明確給 schema 能把輸出格式錯誤率從 30% 降到 <1%。詳見 Structured Output 深入。
🧰 職業別 Prompt 速查
不同職業用 prompt 的重點不同，以下是快速模板：
💼 業務 / 行銷
你是資深[業務總監]，對象是[B2B SaaS 客戶]
任務：[幫我優化這封 cold email 提高回覆率]
限制：[繁體中文、200 字內、不用驚嘆號、先建立同理心再切入產品]💻 工程師
你是 Staff Engineer 做 [Next.js 14 + TypeScript]
Context：[我們的 API response schema 如下⋯]
任務：[實作 X 功能，使用 zod 驗證]
限制：[不新增依賴、符合現有 coding style]
請先說明方案再寫程式碼⚖️ 法律 / 合規
你是台灣律師（商務法 + 個資法背景）
任務：[審閱這份 NDA 草案]
關注點：
1. 我方風險
2. 歐盟 GDPR 相容性
3. 不合理條款
輸出：[表格，欄位：條款 / 風險等級 / 建議修改]📊 財務 / 會計
你是 CFA 持證人，資料如下：[Q3 財報]
任務：
1. 計算 EBITDA、自由現金流、debt ratio
2. 和同業中位數比對（提供：中位數）
3. 指出三個值得警覺的指標
請一步一步計算並說明。🎓 教育 / 培訓
你是耐心的 [國二數學] 家教
學生程度：[小五奧數水準但粗心]
任務：用蘇格拉底法教她二次函數
規則：
1. 先問問題引導思考
2. 學生答錯時不直接糾正，問「你為什麼這樣想」
3. 最後給 3 題練習📏 Prompt 長度：越長越好？
迷思：以為 prompt 寫得越長越詳細，AI 回答越好。
事實：Prompt 和小論文一樣——有效資訊密度比字數重要。過長的 prompt 會：
- 稀釋關鍵指令：AI 容易漏掉埋在中間的要求
- 浪費 token 成本：長 prompt 每次呼叫都要重新讀
- 降低一致性：同樣的 prompt 在不同對話可能產生不同結果
實用長度參考
| 任務類型 | 建議字元數 | 範例 |
|---|---|---|
| 單次問答 | 50–200 字 | 「解釋 CAP 定理」 |
| 中等任務 | 200–800 字 | 「寫一篇產品 launch 文案，角色 / 背景 / 格式 / 範例」 |
| 複雜任務 | 800–2,500 字 | 法律分析、程式碼重構、多階段規劃 |
| System prompt | 500–2,000 字 | 客服機器人、角色扮演、RAG 系統 |
超過 2,500 字的 prompt 要重新檢視——通常代表你在硬塞資訊，應該改用 RAG 或 few-shot examples 更優雅地處理。
想進一步理解 prompt 和 token 的關係？請看 Token 完整指南 和 中文 vs 英文 token 效率實測。
常見問題
Prompt Engineering 是什麼？
Prompt Engineering（提示詞工程）是一門讓 AI 更好地理解你意圖的技術。透過精心設計的指令，你可以大幅提升 AI 回答的品質和相關性。不需要會寫程式，會說中文就能學。
學 Prompt Engineering 需要會寫程式嗎？
完全不需要！Prompt Engineering 的核心是用自然語言跟 AI 溝通。本指南所有範例都用白話中文撰寫，任何人都能學會。
這些技巧對所有 AI 都有效嗎？
是的！核心原則（明確、具體、給背景、給範例）對所有 LLM 都適用，包括 ChatGPT、Claude、Gemini、Copilot 等。只有一些進階功能的細節會因平台而異。
為什麼我寫的 prompt 在 ChatGPT 有效，在 Claude 無效？
不同模型的「偏好」不同：
- Claude：傾向嚴格照字面執行，模糊指令容易失敗。需要明確、結構化。Claude Opus 4.7 換新 tokenizer 後更字面化。
- GPT：較會「腦補」使用者意圖，模糊 prompt 容錯高，但反而有時自作主張偏離需求。
- Gemini：多模態最強，但純文字推理略弱。視覺任務 prompt 可偷懶，純文字要更嚴謹。
實務建議：寫 prompt 時先對齊最嚴格的那個（通常是 Claude），這樣放到其他模型也能跑。
Few-shot 要給多少個範例才夠？
3–5 個是甜蜜點。
- 0 shot：靠 AI 自己理解，品質不穩
- 1–2 shot：可能誤導 AI 認為有特殊模式
- 3–5 shot：穩定又不浪費 token
- 10+ shot：邊際效益遞減，浪費成本
範例要涵蓋邊界情況——如果你要 AI 分類情感，3 個範例應該是正、負、中各一個，不要全是正面。
「一步一步思考」現在還有用嗎？新模型不是都會自己思考？
部分模型不需要，部分仍有效：
- Thinking 模型（Claude Extended Thinking、o1、DeepSeek R1）：內建思考，不用加「請一步一步」
- 一般模型（GPT-4o、Claude Sonnet 非 thinking 模式、Gemini Flash）：仍需要明確指示，加「請一步一步推理」仍能提升準確率 15–30%
判斷方式：如果模型回答數學、邏輯題總是錯，就加上這句話；如果本來就對，別加（徒增 token）。
寫 prompt 時該用英文還中文？
繁中寫 prompt 2026 年完全沒問題——頂級模型（Claude、GPT、Gemini）對中文理解和英文相當。但有兩個例外：
- System prompt 大量重複：英文略省 token（省 30–60%），高流量應用值得英文化。詳見 token 效率實測
- 技術領域術語：如 AI 術語、法律英美法用語、醫學專有名詞——英文比較精準
使用者的問題本身用中文；system prompt 可選英文。
為什麼同一個 prompt 每次回答都不一樣？
三個原因：
- Temperature 參數（API 使用者）：預設 0.7–1.0 有隨機性。要穩定輸出設
temperature: 0 - Token 抽樣：即使 temperature=0，不同 GPU、不同版本仍可能差異
- Context 污染：同一個對話視窗累積的對話會影響後續回答——長對話裡回答不穩，建議開新對話重貼 prompt
實務：需要穩定結果時——用 API、temperature=0、開新對話、明確指令。
我寫的 prompt 可以複製給別人用嗎？要不要擔心被偷走？
看情境：
- 個人使用：當然可以——prompt 不是機密，而是工作流程
- 商業用途：你的 system prompt 是競爭力的一部分（例：AI 客服怎麼拿捏語氣是 know-how）——這類 prompt 要保密，並防 prompt injection
- 開源分享：社群分享優秀 prompt 是常態，別擔心「被學走」——執行力比靈感更重要
延伸：如果你在做商業 AI 應用，system prompt 記得用 prompt caching 和 server-side 執行 保護，別在前端寫死。