如何寫 Prompt，讓你的開發效率大幅提升？7 個真正有用的實戰技巧整理

2026-03-11 09:59:44

隨著 ChatGPT、Claude、Codex、Cursor、Claude Code 等工具越來越普及，許多人開始把 AI 當成日常工作的一部分。不論是寫程式、整理資料、生成內容，還是協助除錯，AI 都能扮演相當重要的角色。

不過，很多人也有類似經驗：明明問了 AI 一個問題，結果卻得到一堆空泛、籠統，甚至沒什麼幫助的回答。這時不少人會覺得，是不是 AI 不夠聰明？

其實很多時候，問題不在模型，而在你給它的 prompt。

真正影響 AI 回應品質的，不只是模型本身，更是你如何下指令。只要 prompt 寫得更清楚、更有結構，AI 的表現往往就能明顯提升。以下整理出 7 個在實務上非常重要的提示技巧，幫助你更有效地與 AI 協作。

一、先給清楚的 Context

AI 最怕的，不是問題太難，而是資訊太少。

如果你只是丟一句「幫我整理這篇文章」，模型雖然也能回應，但它不知道你的目標是什麼、給誰看、希望呈現成什麼形式，最後就很容易產生模糊又普通的結果。

比較好的做法，是先交代清楚三件事：

這是什麼任務
目標讀者是誰
你希望輸出成什麼形式

例如，不要只寫：

Write a summary of this article.

而是改成像這樣：

You are a content editor at a tech startup.
Summarize the following article about AI regulation for a non-technical LinkedIn audience.
Keep it under 150 words and use a professional but approachable tone.

當你補上背景後，模型就更容易聚焦，也更能產出符合需求的內容。簡單來說，越少歧義，越容易得到好答案。

二、描述要具體，不要模糊

很多 prompt 看起來像是在下指令，但實際上太空泛，讓模型有太多可以自由發揮的空間，結果就容易偏掉。

例如這樣的 prompt：

Write something about Python.

幾乎等於沒有限定範圍。Python 可以是語言介紹、教學文章、函式範例、資料分析、爬蟲、Web 開發，可能性太多了。

如果你改成：

Write a Python function that takes a list of dictionaries, filters out entries where the "status" key equals "inactive", and returns the filtered list sorted by "created_at" in descending order. Include type hints and a docstring.

模型就能更精準地理解你要什麼，產出自然也更接近你的需求。

具體的 prompt，通常會比模糊的 prompt 更穩定，因為它縮小了模型可選擇的回應範圍，也讓結果更可控。

三、把任務拆成步驟

如果你交給 AI 的任務本身是多段式的，最好不要一口氣模糊地丟過去，而是拆成明確步驟。

例如你想讓 AI 解釋遞迴、給範例，再出測驗題，如果只寫：

Explain recursion and quiz me.

模型可能會回得很隨意，甚至順序混亂。

更好的方式是：

Do the following three things in order:
1. Explain the concept of recursion in Python, clearly and simply.
2. Show one concrete code example of a recursive function (use factorial).
3. Give me a short 2 question quiz to test my understanding.
Do not move to the next step until the current one is complete.

這樣的 prompt 有兩個好處：一是強迫模型照順序處理，二是降低它跳步或漏答的機率。對於教學、程式開發、分析任務來說，這種方式特別有效。

四、直接指定輸出格式

AI 不會自動知道你希望它用什麼形式回答。
如果你不指定，它可能回你段落文字、條列式、Markdown，甚至混搭格式。

但如果你的內容是要貼進程式、文件系統、資料庫，或後續還要再加工，那就應該主動指定格式。

例如這樣問：

What are the pros and cons of using PostgreSQL vs MongoDB?

模型可能會給你一篇一般說明文。

如果你改成：

Compare PostgreSQL and MongoDB. Format your response as a JSON object with two keys: "postgresql" and "mongodb". Each key should contain an object with "pros" (array of strings) and "cons" (array of strings). Limit to 3 items per category.

那你拿到的結果就可以直接用在應用程式裡。這不只是讓回應更整齊，也能大幅提高後續整合效率。

五、要求模型先推理再回答

有些問題不是只要一個結論，而是你希望知道它是怎麼推到這個結論的。這時就可以要求模型先進行推理，再給答案。

例如你要問 Python 在 I/O 任務下該用 async/await 還是 threading，如果只問：

Is it better to use async/await or threading in Python for I/O-bound tasks?

模型通常會很快直接下判斷。

但如果你改成：

I'm building a Python script that makes 50 concurrent API calls.
Think step by step:
1. What are the relevant options for concurrency in Python?
2. What are the tradeoffs between async/await and threading for I/O-bound work?
3. Based on your reasoning, what would you recommend and why?

你就更容易得到一個有脈絡、有分析過程的回答，而不只是表面結論。這種方式特別適合技術選型、決策分析、架構評估等情境。

六、加入範例與限制條件

如果你對輸出形式、語氣或結構有很明確的期待，最有效的方法之一，就是直接給範例。

這種做法常被稱為 few-shot prompting，也就是先給模型看一兩組你想要的輸入與輸出格式，再請它照這個模式處理真正的任務。

You are a Python code reviewer. Review the code below and respond ONLY in this format:

Issue: [short description]
Severity: [low/medium/high]
Fix: [one-line suggestion]

Example:
---
Code: for i in range(len(my_list)):
Issue: Using range(len()) instead of direct iteration
Severity: low
Fix: Use `for item in my_list:` instead
---

有了這種示範之後，模型就更容易照你的格式回覆。

另外，限制條件也很重要，例如：