AI prompt 點寫先真係有用？5 個元素、例子同可複製模板

有效 prompt 嘅 5 個元素

將官方最佳實務轉成日常工作，可以先睇吓以下 5 欄齊唔齊。

當中「輸出格式」尤其重要。與其講「幫我分析」，不如講「用表格比較成本、風險、時間表同推薦次序」。OpenAI 嘅最佳實務亦強調，清楚描述期望輸出有助得到更可用嘅回覆。

一條好記公式：任務＋背景＋限制＋輸出＋驗收

日常用 AI 唔需要每次都寫長篇大論。最實用嘅結構係：角色／任務＋背景＋限制＋輸出格式＋驗收標準。呢個結構嘅目的，就係將模型原本要估嘅位先講清楚。

請你扮演[角色]，根據以下背景完成[任務]。

背景：[貼上資料、對象、用途]
限制：[長度、語氣、資料來源範圍、唔好做嘅事]
輸出格式：[條列／表格／JSON／先摘要再建議]
驗收標準：[好答案必須包含咩；資料不足時先列缺口，唔好自行假設]

如果只想記最短版本，可以直接用呢段：

請根據[資料]完成[任務]。
用途係[使用場景]，讀者係[對象]。
請遵守[限制條件]。
用[指定格式]輸出，長度控制喺[範圍]。
如果資料不足，先列出缺少嘅關鍵資訊，唔好自行假設。

弱 prompt vs 強 prompt

同樣叫 AI 寫文案，prompt 夠唔夠具體，會直接影響結果可唔可以即刻用。差別通常唔係字數，而係任務、對象、語氣、限制同格式有冇講清楚。

弱 prompt：

幫我寫產品文案。

強 prompt：

請為一款 600ml 不鏽鋼保溫瓶撰寫網店產品文案。
目標讀者係每日通勤返工嘅上班族。
語氣乾淨、專業，唔好誇張。
輸出格式：
1. 一句 20 字內主標
2. 5 個產品賣點，每點不超過 30 字
限制：避開「全網最強」「保證有效」等誇張字眼。

強 prompt 比較可用，因為佢清楚交代咗要寫咩、寫畀邊個、用咩語氣、長度幾多、邊啲字眼要避開，以及最後要用咩格式交付。呢個方向符合 OpenAI 文件中「清楚描述任務、提供上下文、指定輸出形式」嘅提示原則。

3 個可複製工作模板

以下模板都跟同一個次序：先講任務，再補背景同限制，最後指定輸出格式。

1. 資料整理同研究摘要

適合用喺會議紀錄、文章、報告、訪談逐字稿，或者初步搜尋資料整理。

請根據以下資料整理重點。

用途：我要做一份 5 分鐘簡報。
限制：只使用我貼上嘅資料；如資料不足，請標示「無法判斷」。
輸出格式：
1. 5 點摘要
2. 3 個主要風險
3. 3 個待確認問題

資料：
[貼上內容]

2. 改稿同 email

適合將草稿改成 email、簡報頁面文字、社交平台貼文或對外公告。

請將以下文字改寫成畀客戶睇嘅 email。

語氣：禮貌、清楚、唔好太正式。
限制：保留所有日期、金額同專有名詞；每段不超過 3 句。
輸出格式：
1. 主旨 1 行
2. 正文 3 段
3. 最後加上下一步行動

文字：
[貼上內容]

3. 方案比較

適合用喺揀工具、評估方案、規劃行銷活動或排專案時間表。

請比較以下三個方案。

背景：我哋要喺下星期前揀出一個可執行方案。
比較維度：成本、風險、時間表、所需人手、推薦次序。
輸出格式：先用表格比較，再用 5 句話說明你推薦邊一個。

方案：
A：[內容]
B：[內容]
C：[內容]

常見錯法，同點樣改好佢

Prompt 失效，最常見係冇定義任務、用途、格式或成功標準。OpenAI 嘅最佳實務建議提示要具體、明確，並清楚講明希望輸出係咩樣。

第二輪追問：唔好只係講「重寫」

第一次回答唔啱用，通常唔需要由頭嚟過；更有效係指出邊度唔符合需求。呢個做法亦符合提示工程嘅基本方向：將任務、上下文同期望輸出講得更清楚。

可以咁樣修正：

• 將指令同資料分開：先寫任務，再用「### 資料」標示參考內容；OpenAI Help Center 建議將指令放前面，並清楚分隔上下文。
• 將複雜任務拆階段：先要大綱，再要全文；先要摘要，再要建議。OpenAI 文件亦建議將複雜任務拆成較細子任務。
• 想要固定風格就畀例子：few-shot prompting 係用少量範例引導模型完成新任務嘅方法，OpenAI 文件將佢列為提示方式之一。
• 將不滿講具體：例如「太空泛」「太長」「唔夠口語」「欠下一步行動」，會比只講「唔好」更容易令下一輪回覆貼近你要嘅結果。

送出前 5 秒檢查

送出 prompt 前，快速問自己 5 條問題：

1. 我有冇講清楚 AI 要完成咩任務？
2. 我有冇補上用途、讀者或情境？
3. 我有冇講明限制，例如長度、語氣、資料來源或禁用內容？
4. 我有冇指定輸出格式？
5. 我有冇定義答案必須包含咩，或者資料不足時應該點處理？

Prompt 唔係越長越好，而係越清楚越好。講明任務、背景、限制、輸出格式同驗收標準；需要穩定風格時加範例；任務複雜時拆幾步。呢啲做法嘅共同目標，都係減少模型估估吓，令回答更接近可以即刻用嘅成果。