目錄
- 什麼是提示詞 (Prompt)？
- User Prompt 與 System Prompt
- 實際範例
- 提示詞工程 (Prompt Engineering)
- 常見的提示詞陷阱：為何 AI 會誤解你？
- 從使用 AI 到定義 AI
你是否也有這樣的經驗：聽說 AI 非常聰明，但興致勃勃地向 ChatGPT 或其他 AI 工具提問時，卻得到文不對題、內容空泛，甚至錯誤百出的答案？這種覺得「AI 聽不懂人話」的挫敗感，是許多人與 AI 互動時的共同痛點。
要如何有效地指揮AI Agent做事？如何讓 AI Agent 依照我們的想法行動？提示詞 (Prompt) 正是我們與 AI 之間最重要的溝通橋樑。本文將解析什麼是 Prompt，並說明 使用者提示詞 (User Prompt) 與 系統提示詞 (System Prompt) 的運作原理，以及 提示詞工程 (Prompt Engineering) 的主要邏輯。掌握這些技巧，便能幫助我們從被動的使用者，晉升為 AI 的指揮者。
什麼是提示詞 (Prompt)？
簡單來說，提示詞 (Prompt) 就是用戶給予生成式 AI 的一組指令或查詢。
用句俗話說：「垃圾進，垃圾出 (Garbage in, garbage out)」，用戶輸入的品質直接影響輸出的品質。如果提供了清晰的背景、明確的目標與具體的格式要求，AI Agent 就能產出精準且穩定的成果。
User Prompt 與 System Prompt
大多數人日常與 AI 互動時，無論是 Chat GPT、Claude 或 Gemini，其實都只使用了 User Prompt。然而，若要讓 AI 真正為企業所用，或在特定任務上發揮最大潛力，就必須理解 User Prompt 和 System Prompt 這兩種不同層級的指令。
使用者提示詞 (User Prompt)：你希望 AI「做什麼」
User Prompt 是我們最熟悉的形式，也就是針對特定任務、即時下達的指令。舉例來說，打開 Chat GPT 輸入「請幫我查詢今天的天氣」，這段內容即是 User Prompt。
它的特性是單次性、動態且任務導向的，每一次向 AI 發起對話，都是一個新的 User Prompt 產生。
系統提示詞 (System Prompt)：你希望 AI「成為誰」
System Prompt 則可以想像成 AI Agent 的背景設定，在使用者輸入 User Prompt 前就已經設定好，定義了 AI 的角色、個性、語氣、專業領域與行事準則等等。假如你使用付費版 GPT，在 My GPTs 設定的指令，即是 System Prompt。
它的特性是長期有效的行為規則，在一般的 LLM 設計中優先權最高，AI 會遵守 System Prompt 的設定進行回覆。
實際範例
假設一個詢問天氣的情境，你希望 AI 能每天回應台北天氣，並告知氣溫與降雨機率。
僅使用 User Prompt：
- 用戶輸入：請告訴我台北的天氣
- AI 回覆：台北氣溫 26 度，降雨機率 30%
看起來很完美。但若再試一次，它可能會回應：
- 用戶輸入：請告訴我台北的天氣
- AI 回覆：台北最近氣溫有所回升，現在天氣為陰天
發現問題了嗎？只使用 User Prompt，AI 每次都會用當下覺得最好的方式回應，雖然處理生活問題無傷大雅，但對於需要固定格式的企業需求而言，回應的不一致會成為巨大門檻。
使用 User Prompt + System Prompt：
這次我們建立一隻 AI Agent，輸入好系統提示詞，再看看 AI 怎麼回答。
系統 Prompt：
-
角色：你是一個了解氣象領域的專家
-
任務：回答用戶對於天氣相關的問題，並回應格式化的結果
-
步驟：當用戶詢問你某地方的天氣時，你會查詢該地方的天氣資料，並回應該地區的氣溫與降雨機率
-
格式：[某地區] 今日天氣為 [天氣狀況]，氣溫 [溫度]，降雨機率 [%數字]
-
用戶輸入：請告訴我台北的天氣
-
AI 回覆：[台北] 今日天氣為陰天，氣溫 26 度，降雨機率 30%
在這樣的設定下，不管重複問幾次，或換人來問，AI 都能提供一致且正確的回應。若要讓回應更貼近需求，關鍵在於如何寫出高品質的 Prompt，這項能力也就是我們所說的 提示詞工程 (Prompt Engineering)。
提示詞工程 (Prompt Engineering)
一個好的 Prompt，就像一份清晰的角色扮演說明，如同劇本殺裡的劇本，能讓 AI 快速理解自己是誰、該如何思考。當角色定義清楚，原本只能給出通用答案的 AI，便能蛻變為領域專家。
然而，角色設定只是 提示詞工程 的第一步。要讓 AI 穩定工作、一致輸出且具備可控性，Prompt 必須從四個主要方向來構築，常見技巧也包含其中：
角色設定 (Role Design)
決定 AI 的語氣、專業度、思考角度與決策框架，是所有提示詞技巧的基礎。
常見技巧：
- Role Prompting（角色扮演）：定義 AI 的專業與任務風格。
- Contextual Setup（情境設定）：提供背景、限制、環境假設。
- Persona Switching（身份切換）：同一任務下切換不同視角分析。
- Tone & Style Control（語氣與風格設定）：指定答題語氣、專業度。
任務拆解 (Task Structuring)
將複雜任務拆成可控、清晰的步驟，讓 AI 循序執行、降低錯誤。
常見技巧：
- 明確定義輸入、輸出格式。
- Chain of Thought（思維鏈）：展開推論步驟。
- Step-by-step Prompting：指示 AI 必須依序完成步驟。
- ReAct (Reason + Act)：推理與行動交替，用於工具調用或任務規劃。
- Tree of Thought (ToT)：給 AI 多路推理、比較並挑選最佳方案。
- Zero → One → Many Framework：先理解、再產出樣本、最後生成。
- Task Framing（框架式拆解）：透過模板讓 AI 依固定欄位產出。
- Few-shot Prompting（示例提示）：提供數個範例讓 AI 學習模式。
邏輯約束 (Logic Constraints)
透過框架、條件、規則讓 AI 的輸出更一致、更可控，避免幻覺與偏題。
常見技巧：
- Structured Output（格式化輸出）：要求以 JSON、表格、Markdown 格式回答。
- Evaluation Criteria（標準與評分規則）：指定 AI 回答需符合哪些條件。
- Scope Constraints（內容邊界）：限制 AI 不得猜測、不得編造不存在資料。
- If–then Prompting（條件式提示）：明確定義在不同條件下的回答策略。
- Chunking（分段回答）：限制輸出長度或拆段輸出降低錯誤。
- Negative Example（反例提示）：告訴 AI「不要像這樣回應」。
- Source Guardrails（資料來源限制）：指定只能依輸入內容回答。
校準與優化 (Calibration & Refinement)
針對 AI 的首次輸出進行微調，形成高品質最終版本；這是 提示詞工程 最接近「溝通技巧」的一環。
常見技巧：
- Self-Reflection（自我反思）：要求 AI 檢查自己的邏輯與輸出品質。
- Multi-output Sampling（多版本比較）：一次產生多種方向供選擇。
- Iterative Refinement（迭代修正）：要求 AI 逐輪改善回答。
- Style Transfer / Benchmark Examples（標竿範例）：提供範例讓 AI 模仿。
- Output Validation（結果驗證）：要求 AI 在輸出前先檢查是否符合要求。
- Anti-hallucination Check（錯誤前測）：要求 AI 回答前確認資訊來源。
- Socratic Prompting（自問自答）：要求 AI 自行提出問題並回答以校準結果。
常見的提示詞陷阱：為何 AI 會誤解你？
學會上述技巧的反面，就是理解為何 AI 時常產出不符預期的內容。許多無效的溝通源於以下幾個常見陷阱：
- 陷阱一：過於模糊的指令。只說「寫一封行銷信」，AI 不知目標客群與語氣，只好產出無效內容。這違反了「提供清晰背景」的原則。
- 陷阱二：缺乏具體目標。若只說「幫我分析這份數據」，AI 只能給出籠統描述。必須明確指出目標，例如「分析這份數據，找出流失率最高的三個客群，並推測可能原因」。
- 陷阱三：讓 AI 決定格式。若不指定格式，AI 可能用長篇大論回應你需要條列比較的內容。直接要求「用表格呈現」，就能避免此情況。
從使用 AI 到定義 AI
User Prompt 讓我們能精準指揮 AI 完成眼前任務，而 System Prompt 則為 AI 注入了專業靈魂，確保其長期表現的穩定與可靠。學會駕馭 Prompt，不只是優化與 Chat GPT 的對話，更是為未來與 AI Agent 的協作打下基礎。
AI 服務商 EgentHub 擁有 Prompt Designer 工具協助企業員工無痛自建 AI Agents，且 EgentHub 作為專業的 AI Agent 服務商，也是 Google 推薦的台灣 AI 企業應用首選，擁有支援 MCP 串接的企業級 AI Agent 管理平台，幫助企業將流程、知識與角色轉化，亦提供完整的權限管理機制，真正協助企業讓 AI 落地。