在上一篇《讓 AI 先認識你：打造一份專屬資料，對話效率翻倍》中，我們探索了如何為 AI 建立個人化的背景知識庫，讓它在對話前就「認識你」。
當 AI 已經知道你是誰之後，接下來可以嘗試的，是讓它「換個方式思考」。
這篇文章整理了目前在網路社群廣泛討論的「大師提示詞 (Master Prompt)」4 個方向，供你參考與實驗，它們並非唯一的解法，而是在深度寫作、策略規劃與複雜問題處理上，目前相對可行的起點。
在一項針對 AI 提示工程與輸出品質的對照實驗中，研究人員進行了一項極具啟發性的測試。
研究人員找來兩組受試者，請他們用 AI 幫忙解決同一個複雜的策略問題：「如何在預算有限的情況下，為一款新產品設計上市行銷方案？」
第一組的受試者只給了 AI 標準的背景設定，內容為職位、產業、目標客群，大約就是上一篇我們談的那份「員工入職證」的完整版本。
第二組的受試者，除了相同的背景設定，還在指令裡多給了一句話：「請先想出三種完全不同的策略方向，分析每個方向的優缺點，再給我你最終的建議。」
結果相差懸殊。
第一組收到的，是一份「四頁、十條列點」的行銷計畫。內容完整，沒有錯誤，但同樣的建議，你在任何一本行銷教科書上都能找到。評審給出的形容是：「合格，但不令人興奮。」
第二組收到的，是三套互相對立的思路，附帶清晰的邏輯比對，以及一個 AI 主動承認「這條路的風險在哪裡，但我認為值得」的最終建議。評審的形容是：「這看起來像顧問公司收費做出來的東西。」
在針對這兩組輸出稿「實用價值」的盲測評估中，第二組獲得了壓倒性地高分。
而這兩組的語言模型，是完全相同的版本。
差別不在於 AI 有多聰明，差別在於：你有沒有給它一個屬於你的思考框架。
或許，你現在就可以暫停一下、自己試試看：拿一個手邊正在煩惱的問題，在指令最後補上第二組的那句話，看看 AI 是否會給你截然不同的驚喜？
✎以上情境是根據 Chain-of-Thought（CoT）提示工程的多項學術研究所推論的示意性場景，並非一篇有具體作者與連結的可查閱論文。若您將此內容引用於正式場合，請以「研究推論示意」而非具名實驗來描述它。若後續找到與此情境高度吻合的真實研究，將會為您補入參考資料。
這正是本篇要解決的問題：你已經按照上一篇的步驟，讓 AI「認識你」了。但「認識你」，和「懂得替你深度思考」，是兩件不同的事。
接下來四個框架，就是用來跨越這道鴻溝的。
你問它「如何提升品牌辨識度」，它給你五個似曾相識的答案。 你要它幫你發想課程名稱，它提出的十個選項，總覺得在哪裡見過。
這不是 AI 的問題，也不是你的問題。這是一個「框架缺口」，背景設定告訴了 AI 你是誰，但沒有告訴它「怎麼思考這個問題」。
這就像你給了助理完整的個人檔案，卻沒有給他解題的思路。他知道在幫誰，但不知道從哪個角度切入。
以下的四個方向，是目前被廣泛討論的提示詞框架。它們只是一個起點，如何使用、要不要調整，還是得回到你自己的場景去決定。
思維鏈（CoT）× 思維樹（ToT）實戰提示詞範例
以下是你可以直接參考、引用的提示詞框架：
【思維鏈範例】 適用於分析型問題：
AI 的能力仍在快速演進。幾個月前需要精心設計提示詞才能做到的事，今天的模型可能已經可以直接理解你的意圖；而現在看似「進階」的技法，明年可能又有更直覺的替代方式出現。
這意味著：方法本身不是終點，思維方式才是。
如果你問 AI 一個問題，得到的答案讓你覺得「還不夠」，那個「還不夠」的感覺，就是最好的線索。試著換一個角度重新問——也許是翻轉問題、也許是限縮範圍、也許是給它一個反例——你會發現，提示詞的邊界其實是由你的想像力，而不是由工具的上限，決定的。
如果你想動手試試：
📺 參考影音與資訊來源
在一項針對 AI 提示工程與輸出品質的對照實驗中，研究人員進行了一項極具啟發性的測試。
研究人員找來兩組受試者，請他們用 AI 幫忙解決同一個複雜的策略問題：「如何在預算有限的情況下，為一款新產品設計上市行銷方案？」
第一組的受試者只給了 AI 標準的背景設定，內容為職位、產業、目標客群，大約就是上一篇我們談的那份「員工入職證」的完整版本。
第二組的受試者，除了相同的背景設定，還在指令裡多給了一句話：「請先想出三種完全不同的策略方向，分析每個方向的優缺點，再給我你最終的建議。」
結果相差懸殊。
第一組收到的，是一份「四頁、十條列點」的行銷計畫。內容完整，沒有錯誤，但同樣的建議，你在任何一本行銷教科書上都能找到。評審給出的形容是：「合格，但不令人興奮。」
第二組收到的，是三套互相對立的思路，附帶清晰的邏輯比對，以及一個 AI 主動承認「這條路的風險在哪裡，但我認為值得」的最終建議。評審的形容是：「這看起來像顧問公司收費做出來的東西。」
在針對這兩組輸出稿「實用價值」的盲測評估中，第二組獲得了壓倒性地高分。
而這兩組的語言模型，是完全相同的版本。
差別不在於 AI 有多聰明，差別在於：你有沒有給它一個屬於你的思考框架。
或許，你現在就可以暫停一下、自己試試看：拿一個手邊正在煩惱的問題，在指令最後補上第二組的那句話，看看 AI 是否會給你截然不同的驚喜？
✎以上情境是根據 Chain-of-Thought（CoT）提示工程的多項學術研究所推論的示意性場景，並非一篇有具體作者與連結的可查閱論文。若您將此內容引用於正式場合，請以「研究推論示意」而非具名實驗來描述它。若後續找到與此情境高度吻合的真實研究，將會為您補入參考資料。
這正是本篇要解決的問題：你已經按照上一篇的步驟，讓 AI「認識你」了。但「認識你」，和「懂得替你深度思考」，是兩件不同的事。
接下來四個框架，就是用來跨越這道鴻溝的。
❙ 設定完背景之後，還差什麼？
你已經按照上一篇的步驟，把自己的職位、受眾、偏好全都告訴了 AI。 它確實不再問你是誰了。但你可能會發現，它給出的建議依然太……安全。你問它「如何提升品牌辨識度」，它給你五個似曾相識的答案。 你要它幫你發想課程名稱，它提出的十個選項，總覺得在哪裡見過。
這不是 AI 的問題，也不是你的問題。這是一個「框架缺口」，背景設定告訴了 AI 你是誰，但沒有告訴它「怎麼思考這個問題」。
這就像你給了助理完整的個人檔案，卻沒有給他解題的思路。他知道在幫誰，但不知道從哪個角度切入。
以下的四個方向，是目前被廣泛討論的提示詞框架。它們只是一個起點，如何使用、要不要調整，還是得回到你自己的場景去決定。
策略一：系統化型態與多角色切換（Agent Skill）
Anthropic 推出的「Agent Skill」可以視為大師提示詞的「系統化與模組化」版本。它本質上就是給大型語言模型隨時翻閱的「專屬說明文檔」。如果你需要管理多個不同的專案或部門，這是極佳的切入點。- 自動對齊規範：你可以把你的專屬背景設定（也就是大師提示詞的基礎內容）寫入 Skill 中。例如設定「智能客服」時，規定遇到投訴必須先安撫情緒且不得隨意承諾；或設定「會議總結助手」時，規定必須嚴格按照「參會人員、議題、決定」的格式輸出。大模型只要讀取這個文檔，就知道該怎麼工作，不需每次重複輸入。
- 按需加載（省成本與專注技巧）：AI 不會一口氣讀完所有設定，只會先看「目錄」，確認你的需求與哪個 Skill 匹配後，才讀取完整內容。這個機制能大幅節省 Token 消耗，並避免 AI 因為資訊過載而「幻覺」。
- 延伸應用（Reference 與 Script）：除了文字指示，你還可以設定「Reference」（讓 AI 參考特定的外部文件，如集團財務手冊或法律條文）以及「Script」（讓 AI 執行特定的程式碼腳本）。
操作入口：在 Claude.ai 中，進入「Projects」功能後，點擊「Add content」即可上傳你的 Skill 文件作為專案知識庫，無需額外設定。小提醒，目前多種AI都有支援，並非Claude的專屬。
策略二：打造「協思夥伴」（Co-Thinker）的認知鷹架
當你將豐富的背景脈絡寫入大師提示詞後，可以進一步將 AI 設定為你的「協思夥伴」，透過以下四個步驟來引導高品質的策略對話：- 分派角色：詳細描述 AI 該扮演的角色（如：扮演一位嚴格的專家，或是具有多重思維的人格特質）。
- 界定場景：設定這是一對一的私密反思對話，還是 AI 作為主辦人帶領團隊工作坊的一對多場景。
- 規劃對話節奏：告訴 AI「在進行每一個步驟之前，請等我回饋後再繼續」，或要求 AI 主動提出後續問題，而非只讓你回答是或否。
- 善用「思維鏈」（CoT）與「思維樹」（ToT）：
- 思維鏈 (Chain of Thought)：遇到複雜的單一議題時，在提示詞中加入「請一步一步跟我推演你的思考過程」，要求 AI 模仿你的推理思路給出中間過程，而不是直接跳到最終答案。
- 思維樹 (Tree of Thought)：當面對需要創意的策略發想或多重決策時，可以試著指示 AI：「請先想出 3 種完全不同的解決路徑，分別評估每條路徑的優缺點與可行性，最後綜合給出一個最佳建議。」這樣的提問方式，有助於引導 AI 進行發散之後再收斂，而不是直接跳向第一個浮現的答案。
以下是你可以直接參考、引用的提示詞框架：
【思維鏈範例】 適用於分析型問題：
你現在是一位資深的課程設計顧問，請幫我評估以下方案： 「我想把原本 6 小時的 AI 工具培訓，壓縮成 3 小時的精華版。」 請不要直接給我答案，而是：
- 先說明你在思考這個問題時，腦中浮現的「最重要的三個考量因素」
- 針對每個因素，分析「壓縮的利」與「壓縮的弊」
- 最後根據你的推演，給出你的建議與理由 每個步驟結束後，請暫停並等我確認，再進行下一步。
【思維樹範例】 適用於創意策略問題：
我需要為「AI 提示詞工作坊」設計一個 30 分鐘的開場暖身活動。
學員背景：中階主管，平均年資 8 年，對 AI 持觀望態度。
請先提出 3 種『風格完全不同』的開場設計方向：
- 方向 A：理性型（數據導向、快速說服）
- 方向 B：體驗型（讓學員親手操作，立刻感受差異）
- 方向 C：挑戰型（打破既有認知，製造思考衝突）
針對每個方向，列出：
① 核心做法（2–3 句話）
② 優點與風險
③ 適合的場景條件
最後幫我綜合推薦最適合上述學員的方案，並說明理由。
策略三：精準控制輸出的「束縛工程」（Constraint Engineering）
有了大師提示詞的背景後，你在下達具體任務指令時，搭配以下三個原則能讓產出更精準：- 少量樣本提示（Few-shots）：在提示詞中提供 2 至 5 個具體範例，這能大幅幫助 AI 理解任務並生成符合你期望的格式。與其說「幫我寫一個吸睛的標題」，不如附上：「像這樣的標題風格：《你每天多浪費 40 分鐘，卻不知道原因》或《不是你不夠努力，是你沒讓 AI 替你努力》」。
- 善用強烈形容詞：在指令中使用如「最嚴謹的」、「最具吸引力」等強烈形容詞，有助於引導 AI 的輸出結果朝期望的方向發展。
- 設定明確範圍：告訴 AI 具體的工作範圍（例如：「請聚焦在中小企業的 AI 導入阻力」，而非籠統的「請談 AI 應用挑戰」），範圍越精確，AI 給出的分析就越貼合需求。
策略四：突破 AI 慣性答案的「故意想錯」指令術
如果你發現即使提供了大師提示詞，AI 給出的答案依然太過「中規中矩」，不妨試試「故意想錯」（Thinking Wrong）的提示詞框架。這個方法背後的邏輯是：AI 傾向走最高機率的路徑，而高機率，往往就是大家都想到的答案。刻意把問題「反過來問」，可以讓它繞開尋常的答案，往比較意外的方向走。- 「180 度翻轉」或「剝奪核心功能」：指示 AI 剝奪產品最核心的功能，或將服務流程的順序完全顛倒。
- 實戰範例 A：「我們正在研發一款新型烤箱。為了激發創意，請你『故意想錯』，幫我發想五種『完全無法用來烹調食物的烤箱』的創新用途與商業價值。」
- 實戰範例 B：「請幫我設計一個『餐廳在客人離開時才給菜單』的反直覺服務體驗旅程，並論述這種看似荒謬的流程能創造什麼獨特的顧客驚喜？」
》結語：這只是其中一條路
本文介紹的四個框架：Agent Skill、協思夥伴、束縛工程、故意想錯，是目前廣泛被討論的提示詞方向之一。它們有效，也有它們的邊界。AI 的能力仍在快速演進。幾個月前需要精心設計提示詞才能做到的事，今天的模型可能已經可以直接理解你的意圖；而現在看似「進階」的技法，明年可能又有更直覺的替代方式出現。
這意味著：方法本身不是終點，思維方式才是。
如果你問 AI 一個問題，得到的答案讓你覺得「還不夠」，那個「還不夠」的感覺，就是最好的線索。試著換一個角度重新問——也許是翻轉問題、也許是限縮範圍、也許是給它一個反例——你會發現，提示詞的邊界其實是由你的想像力，而不是由工具的上限，決定的。
如果你想動手試試：
- 挑一個你手邊正在煩惱的策略問題。
- 用上方的思維樹範例，把問題填入，試著送出。
- 觀察 AI 這次給你的回答——哪裡讓你訝異？哪裡還不夠？那個差距，就是你下一個提示詞可以調整的地方。
．．．關於分享者．．．
※連繫：FB 蔡興正
※電郵：jason@cpfs.com.tw
※證照：孫易新心智圖講師班﹙2014﹚ | GCDF全球職涯發展師 | Google全球教育家
※專長：心智圖法 | 數位工作 | 職涯紫微
- 來源影片：The Master Prompt Method: Unlock AI's Full Potential
- 對談講者：Tiago Forte（《打造第二大腦》作者）與 Hayden Miyamoto（Acquire.com 等多家企業創辦人）
- 本文開頭「一個實驗，揭露了背景設定的天花板」一節，其情境設計是根據以下方向的研究推論而來，目前尚未找到與此情境完全對應的具名論文：核心理論依據：Wei et al.（2022），Chain-of-Thought Prompting Elicits Reasoning in Large Language Models，Google Brain，arXiv:2201.11903。
- 此論文首次量化驗證了「給 AI 思考框架（逐步推演指令）」與「直接要求答案」在複雜任務表現上的顯著差距。
留言
張貼留言