核心策略

1. 設定角色同聽眾

唔好就咁講「寫封信」，要清楚話畀 AI 知佢係邊個，同埋佢要寫畀邊個。只要設定咗角色，語氣、深度同觀點即刻唔同晒。例如：「你係一個 HR 經理，寫一封歡迎信畀一個新入職、喺唔同時區 remote 工作嘅軟件工程師。」角色加聽眾嘅組合，令到個輸出即刻變得非常具體。

MIT 嘅有效提示指南 、OpenAI 官方嘅最佳實踐 同埋 prompt engineering 社群 都一致認為呢個係最基礎嘅技巧。

2. 畀啲會改變答案嘅背景

喺你提出要求之前，用一兩句講一啲個模型唔會知道嘅背景。MasterPrompting.net 建議你問自己一條問題：「如果我唔話畀佢聽，個模型最有可能會錯啲咩？」 呢個就係你要提供嘅資訊。

同一個來源仲話，淨係講清楚你係邊個（或者呢份嘢係畀邊個睇）同你最終想達到咩目的，已經可以令你 80% 嘅結果有所改善。

3. 話畀佢聽唔准做啲咩

喺 AI 開始生成內容之前設定界線，可以喺源頭就過濾走啲罐頭答案。例如：「唔准用 buzzword，唔准用『喺現今急速變化嘅世界』開頭，唔准列超過 3 點。」呢個技巧喺避免罐頭輸出的資源入面成日被推薦。 箇中原理係要盡快限制個輸出範圍，等個模型冇機會漂去啲陳腔濫調。

4. 用唔同段落嚟分開指示

用清楚嘅分隔線，例如 ## Background、## Instructions、## Constraints、## Output format，可以幫助個模型將每個部分當作獨立嘅指示。OpenAI 同 Anthropic 都推薦呢種做法 — Anthropic 仲話可以用 XML tags 或者 Markdown 標題嚟劃分唔同嘅區域，例如 <background_information> 同 <tool_guidance>。

5. 畀個範例佢睇

喺你嘅 prompt 入面畀一個好嘅例子（或者一個差嘅反面教材），咁就已經可以大大限制個輸出空間，減少罐頭答案。呢個就係所謂嘅「Few-Shot Prompting」（少樣本提示）— 用個實際例子話畀 AI 聽你想要咩，而唔係齋用文字形容。

進階技巧

排名法

唔好淨係問一個答案，叫佢俾一啲排名選項。例子：唔好問「講個關於太陽嘅笑話」，試下問「講 5 個關於太陽嘅笑話，由最出名排到第 5 個我未聽過嘅。」呢個方法逼到個模型一定要跳過佢統計上最有可能（亦即係最行貨）嘅答案。

「面試我」方法

你個 prompt 可以咁樣開頭：「Interview me until you understand the situation, then give your recommendation。」（不斷問我問題，直到你明白晒個情況，然後先畀建議。）個模型會喺回答之前不斷問你好多針對性嘅問題，逼你自己都諗清楚晒啲背景先，然後先畀答案。呢個技巧嚟自啲高手，佢哋認為應該將 AI 當作一個醒目嘅新同事，需要先了解要求。

不斷追問

唔好接受第一個答案。AI 嘅第一個答案好多時只係一個平均數，當佢係初稿就得。你要繼續追問：「講得再具體啲」「畀一個非技術人士睇嘅版本」「而家挑戰返你自己嘅假設。」每一次追問都會令答案更加精準。將 AI 當作一個聰明嘅員工，可以不斷要求佢畀更多細節，呢個係高階 Prompt Engineering 嘅標誌。

鼓勵佢有立場

LLM（大型語言模型）好自然會偏向中立、平衡嘅語氣。如果你想個答案冇咁行貨，就要明確叫 AI 企喺某一個立場。高手嘅經驗係「Push it to adopt a stance」（逼佢表態），因為 AI 好中意討好人，你可以利用呢一點，叫佢從某個角度思考。

結合理論：一個實用框架

對於重要嘅 Prompt，你可以將上面嘅技巧組合成一個結構化嘅框架。高手之間流行嘅一個實用模型包括四個部分 ：

• Assignment （任務）：簡短、清晰嘅指示
• Quotes （引用）：相關嘅參考資料或背景
• Notes （筆記）：你自己嘅觀點或者要考慮嘅要點
• Additional Instructions （附加指示）：格式、字數、觀點、語氣同限制

呢個框架同「Ricky」（Role、Intent、Condition、Context、Examples）框架 或者其他結構化方法好相似，都係高手用嚟確保每次輸出都穩定、唔行貨嘅方法。

總結

最核心嘅一點係：提供背景唔係指寫長啲嘅 Prompt，而係寫得更精準。喺你打字之前，用 10 秒諗清楚：你希望 AI 扮演邊個角色？佢應該避免啲咩？佢需要知道邊啲特定資訊？淨係呢三步，已經足以將你嘅結果由「罐頭」變成「真正有用」。

核心策略

1. 設定角色同聽眾

唔好就咁講「寫封信」，要清楚話畀 AI 知佢係邊個，同埋佢要寫畀邊個。只要設定咗角色，語氣、深度同觀點即刻唔同晒。例如：「你係一個 HR 經理，寫一封歡迎信畀一個新入職、喺唔同時區 remote 工作嘅軟件工程師。」角色加聽眾嘅組合，令到個輸出即刻變得非常具體。

MIT 嘅有效提示指南 、OpenAI 官方嘅最佳實踐 同埋 prompt engineering 社群 都一致認為呢個係最基礎嘅技巧。

2. 畀啲會改變答案嘅背景

喺你提出要求之前，用一兩句講一啲個模型唔會知道嘅背景。MasterPrompting.net 建議你問自己一條問題：「如果我唔話畀佢聽，個模型最有可能會錯啲咩？」 呢個就係你要提供嘅資訊。

同一個來源仲話，淨係講清楚你係邊個（或者呢份嘢係畀邊個睇）同你最終想達到咩目的，已經可以令你 80% 嘅結果有所改善。

3. 話畀佢聽唔准做啲咩

喺 AI 開始生成內容之前設定界線，可以喺源頭就過濾走啲罐頭答案。例如：「唔准用 buzzword，唔准用『喺現今急速變化嘅世界』開頭，唔准列超過 3 點。」呢個技巧喺避免罐頭輸出的資源入面成日被推薦。 箇中原理係要盡快限制個輸出範圍，等個模型冇機會漂去啲陳腔濫調。

4. 用唔同段落嚟分開指示

用清楚嘅分隔線，例如 ## Background、## Instructions、## Constraints、## Output format，可以幫助個模型將每個部分當作獨立嘅指示。OpenAI 同 Anthropic 都推薦呢種做法 — Anthropic 仲話可以用 XML tags 或者 Markdown 標題嚟劃分唔同嘅區域，例如 <background_information> 同 <tool_guidance>。

5. 畀個範例佢睇

喺你嘅 prompt 入面畀一個好嘅例子（或者一個差嘅反面教材），咁就已經可以大大限制個輸出空間，減少罐頭答案。呢個就係所謂嘅「Few-Shot Prompting」（少樣本提示）— 用個實際例子話畀 AI 聽你想要咩，而唔係齋用文字形容。

進階技巧

排名法

唔好淨係問一個答案，叫佢俾一啲排名選項。例子：唔好問「講個關於太陽嘅笑話」，試下問「講 5 個關於太陽嘅笑話，由最出名排到第 5 個我未聽過嘅。」呢個方法逼到個模型一定要跳過佢統計上最有可能（亦即係最行貨）嘅答案。

「面試我」方法

你個 prompt 可以咁樣開頭：「Interview me until you understand the situation, then give your recommendation。」（不斷問我問題，直到你明白晒個情況，然後先畀建議。）個模型會喺回答之前不斷問你好多針對性嘅問題，逼你自己都諗清楚晒啲背景先，然後先畀答案。呢個技巧嚟自啲高手，佢哋認為應該將 AI 當作一個醒目嘅新同事，需要先了解要求。

不斷追問

唔好接受第一個答案。AI 嘅第一個答案好多時只係一個平均數，當佢係初稿就得。你要繼續追問：「講得再具體啲」「畀一個非技術人士睇嘅版本」「而家挑戰返你自己嘅假設。」每一次追問都會令答案更加精準。將 AI 當作一個聰明嘅員工，可以不斷要求佢畀更多細節，呢個係高階 Prompt Engineering 嘅標誌。

鼓勵佢有立場

LLM（大型語言模型）好自然會偏向中立、平衡嘅語氣。如果你想個答案冇咁行貨，就要明確叫 AI 企喺某一個立場。高手嘅經驗係「Push it to adopt a stance」（逼佢表態），因為 AI 好中意討好人，你可以利用呢一點，叫佢從某個角度思考。

結合理論：一個實用框架

對於重要嘅 Prompt，你可以將上面嘅技巧組合成一個結構化嘅框架。高手之間流行嘅一個實用模型包括四個部分 ：

• Assignment （任務）：簡短、清晰嘅指示
• Quotes （引用）：相關嘅參考資料或背景
• Notes （筆記）：你自己嘅觀點或者要考慮嘅要點
• Additional Instructions （附加指示）：格式、字數、觀點、語氣同限制

呢個框架同「Ricky」（Role、Intent、Condition、Context、Examples）框架 或者其他結構化方法好相似，都係高手用嚟確保每次輸出都穩定、唔行貨嘅方法。

總結

最核心嘅一點係：提供背景唔係指寫長啲嘅 Prompt，而係寫得更精準。喺你打字之前，用 10 秒諗清楚：你希望 AI 扮演邊個角色？佢應該避免啲咩？佢需要知道邊啲特定資訊？淨係呢三步，已經足以將你嘅結果由「罐頭」變成「真正有用」。