提示詞模板為什麼時好時壞？先懂 AI 是強一億倍的手機輸入法

這篇在講什麼

網路上的提示詞模板抄不完，但模板解決的都是表面。這篇整理「從詞語關聯性看提示詞設計」工作坊的完整內容：先弄懂 AI 到底怎麼「理解」你說的話，你就會自己長出寫提示詞的能力，模板反而變成參考就好。

AI 的本質：詞語關聯的計算機

大語言模型的訓練方式，是讓它看大量的人類語言：對話、小說、文章、論文。看多了，它就「學會說話」了。但它學會的是找到詞語之間的關聯，它認得人類的字，卻不理解字的意思。

課堂上有位學員給了一個我講了這麼久、聽過最好的比喻：AI 就是手機輸入法，預測你下一個最可能出現的字，只是強了一億倍。原理真的一樣：自動選字、會記你的常用詞（這就像 AI 的記憶功能），差別只在規模。

用 1+1=2 檢驗一次。人類看到 1+1 知道這是數學。AI 收到的是「人類說了一句叫 1+1 的話」，它翻資料庫，發現人類的文章裡講 1+1 的時候，後面通常接「等於 2」，所以它回答 2。它從頭到尾沒有在算數學。現在的 AI 會算複雜公式，是因為工程師教它：遇到數學別去模型裡找答案，去調用計算程式。

「今天幾月幾號」也一樣。人類的文章裡，「今天」後面接過一年 365 個日期，科幻小說裡甚至有 15 月 38 號，光靠模型根本無從回答。現在答得出來，是因為它知道自己答不了，會先連到時間服務確認再回你。

連 AI 的溫柔也是同一個原理。你說「我好難過，可以安慰我嗎」，它就去找大量關於難過、溫暖、被安慰的文章，整理成你想要的版本。有一句話講得很好：如果你覺得 AI 回應得很好，那是全世界人類的溫柔在回應你。

實戰核心：課題分離提示詞的三步修正

懂了原理，來看一個真實的應用。很多人會請 AI 評理：「你幫我看看我跟朋友吵架，我是不是對的，他是不是錯的。」現在你應該猜得到結果了：人類的文章裡，講到「我」的時候多半說我是對的，講到「你」的時候多半說你是錯的，這個慣性整包植入在模型裡。再加上 AI 是產品，出廠設定就是要服務好使用者。這樣問下去，你只會得到一篇「對，你是對的」的爽文，對修復關係毫無幫助。

修正分三步，一步比一步深：

注意這份提示詞裡完全沒有「對錯」兩個字。這就是語意規則的力量：你選的每一個詞，都在決定 AI 去哪一區資料庫找答案。

三個常見手法，用原理重新看一遍

角色設定為什麼有時沒用

「請用商業顧問的角度分析」會過濾掉大部分太差的文章，所以有點用。但「我要拍婚紗，幫我推薦厲害的攝影師」就沒意義：什麼叫厲害？你要什麼風格？你住台北還是屏東？「我要創業，請用商業顧問角度分析」也一樣，一人公司、中小企業、矽谷新創是完全不同的資料庫。角色設定是入口，真的要專業，背景資料要給足，本質是給 AI 更多有用資訊，讓它關聯到對的資料區。

為什麼罵 AI 有效

2024 年流傳一個偏方：AI 不聽話就罵它。這招確實有效，但看懂原理你就用不著罵了。「你很爛耶，我住台北你推薦屏東的幹嘛」這句罵人的話，其實是在補充上下文、修正關聯、明確告訴它你要什麼或至少不要什麼。罵有效的本質是給了更多提示詞。知道這件事，直接給它對的參考資料就好，省下情緒也省下來回。

負向提示詞的檸檬陷阱

「不要想檸檬、不要想檸檬。」你現在滿腦子都是檸檬了。負向提示詞單獨使用就是這個效果：你給的所有關鍵字裡只有檸檬，它只好想檸檬。要用負向提示詞，先鋪正向基礎：「請想蘋果，不喜歡可以想西瓜，總之避開檸檬。」有明確的正向方向，再補負向排除，才會生效。

回到模板：語意不清，模板也救不了

很多模板看起來欄位齊全，但任務本身沒講清楚，模型仍然在猜。「幫我整理」可以是摘要、分類、改寫、轉表格、找問題，也可以是做簡報大綱。套模板之前，先寫清楚任務動詞、資料範圍、使用對象與輸出標準，這些是語意規則，超過格式要求。

長期工作還需要知識庫補足脈絡：保存詞彙定義、分類規則、寫作風格、專案背景，AI 讀得到這些，每次提示詞就用不著從零解釋。這也是提示詞設計最後一定會接到知識管理的原因，接法在AI 時代怎麼整理資料那篇。

你可以怎麼練習：重寫一個常用提示詞

挑一個你最常用的提示詞，用這堂課的原理重寫一次：

1. 標出裡面的角色、任務動詞、資料範圍、限制與輸出格式，缺的補上。
2. 檢查有沒有立場詞（我、他、對錯）在偷偷帶風向，需要就抽離成 A 與 B。
3. 問自己：我真正要的結果是什麼？把目標詞換成那個（像把「對錯」換成「共識」）。
4. 有負向排除的，確認前面已有明確的正向方向。

這一輪走完，你對這個提示詞的理解，會比再收藏十個模板都深。