在使用 AI 的過程中，你是否也遇過類似狀況：同一個問題重複問幾次，AI 給出的答案卻可能不一致。有時只是用字遣詞不同，有時卻差別很大，甚至互相矛盾。

這種不確定性常帶來困擾，為此，我們可以運用 Self-consistency (自我一致性) 方法，讓 AI 扮演多位專家並產生多個答案，我們再從中選出最佳解答。這與人類的思考方式頗為相似：當碰到難解問題時，我們不也常在紙上列出幾種可能的解法，最後再篩選出最可靠的答案嗎？

Self-consistency 方法的重要性

我們先來看個例子，我使用非推理模型的 Gemini 2.5 Flash，詢問他數學題：

一個班級裡有 35 名學生，其中 20 人參加合唱團，15 人參加舞蹈社，兩個社團同時參加的人有 5 人，請問有多少人沒有參加任何社團？

第一次我請他不要推理，直接輸出答案，第二次沒有寫任何限制，可以發現他兩次的回答完全不同。如果要求他直接給出答案，AI 是有可能算錯的，我在介紹 CoT 時講過這個特性，有興趣的朋友可以閱讀 Chain of Thought (CoT) 推理與逐步思考。

當 AI 每次回答都可能不一樣時，就需要 Self-consistency 出馬了，我們與其依賴單一的答案，不如要求 AI 多生成幾條推裡鏈，再從中觀察哪些答案最常出現，假設 10 這個數字出現了三次，而 5 與 15 只各出現一次，那麼我們就會推測 10 更有可能是正確的。就像考試時，如果你用不同方法算出相同答案，這個答案可信度就很高

Self-consistency 方法介紹

以往我們只會問 AI 一次問題，例如：

問題：「這個商業策略可行嗎？」
AI 回答：基於 XXX 分析，我認為可行性為 70%

使用 Self-consistency 方法，AI 就會針對同個問題產生多個不同的回答：

問題：「這個商業策略可行嗎？」

回答 1：從市場角度看，可行性 60 %
回答 2：從財務角度看，可行性 75 %  
回答 3：從技術角度看，可行性 80 %
回答 4：從競爭角度看，可行性 50 %
回答 5：綜合考量，可行性 65 %

結論：多數答案集中在 60-75% 區間，建議採用 65-70% 作為最終評估

在提示詞使用 Self-consistency

我們不是簡單的請 AI 重複三次、五次，而是要引導他產生有意義的多樣內容，這邊提供四種方法供大家參考

直接問

這是最通用的情境，我們可以提供 N 個角度讓 AI 幫我們分析

請對以下問題提供 5 個不同角度的分析：

問題：「公司應該投資開發 AI 產品嗎？」

請分別從以下角度分析：

1. 市場需求
2. 技術能力  
3. 財務投資
4. 競爭環境
5. 風險管控

每個角度給出具體建議和理由。

不同的思維框架

可以請 AI 使用多種公認的分析框架來評估同一個問題，這能確保思考路徑的差異性

請用三種不同的分析框架評估同一個問題：

問題：「選擇 A 方案還是 B 方案？」

框架 1：SWOT 分析
- A 方案的優勢、劣勢、機會、威脅
- B 方案的優勢、劣勢、機會、威脅

框架 2：成本效益分析
- A 方案的投入成本 vs 預期效益
- B 方案的投入成本 vs 預期效益

框架 3：風險評估矩陣
- A 方案的風險機率 vs 影響程度
- B 方案的風險機率 vs 影響程度

最後比較三種框架的結論。

扮演不同的角色產生不同的視角

可以讓 AI 扮演不同的角色，從各自的立場出發進行分析

請分別扮演以下三個角色，對同一問題給出建議：

角色 1：保守的財務長 (CFO)
角色 2：創新的技術長 (CTO)
角色 3：市場導向的行銷長 (CMO)

問題：「明年的產品開發重點應該放在哪裡？」

每個角色基於自己的職責和觀點給出建議，最後總結三個觀點的共同點和分歧點。

用多個時間維度來評估

請 AI 從多個時間跨度來分析決策：

請從三個時間維度評估這個決策：

問題：「是否應該進入新市場？」

短期視角 (3-6 個月)：
- 立即的機會和挑戰
- 短期資源需求
- 快速回報可能性

中期視角 (1-2 年)：
- 市場建立和品牌認知
- 競爭態勢發展
- 營收和獲利預期

長期視角 (3-5 年)：
- 戰略地位的建立
- 市場主導地位
- 持續競爭優勢

整合三個時間維度的分析結果。

如何判斷該採用哪個回答

現在我們已經用 Self-consistency 方法請 AI 提供多個答案了，面對那麼多的答案，我們又該採用哪個回答呢？我整理了 3 種技巧分享給大家，可以擇一使用，也可以混合交叉使用。

數值類的用一致性做判斷

如果 AI 的回答跟數值類有關，就可以先縮小範圍再用交集去找出最佳解，假設 AI 回答了 5 個不同的數值：

回答 1：200-300 萬
回答 2：250 萬左右  
回答 3：280 萬
回答 4：320 萬
回答 5：190-280 萬

我們先取得最大與最小的範圍：190 ~ 320 萬，再來找出最多數回答的共同指向，這邊有四個答案都集中指向 250 到 280 萬，再來取平均跟誤差範圍，最後得到 265 ± 15 萬當作我們的最佳估值

使用相似的論點

從 AI 的多個回答中，分析其核心論點的相似之處。我們的目標是提取那些一致出現的共同論點，這些通常是可靠度較高的結論，可以優先採納。

至於分歧論點，也就是回答間相互矛盾的部分，則代表共識較低。我們可以選擇先保留這些觀點，視情況決定是暫不採用，或是投入更多資源進一步分析。

假設我們請 AI 提供三次分析，得到了以下三個回應：

回答 1：可行。市場對 24 小時客服的需求確實存在。雖然競爭激烈，但技術門檻不高，可快速導入。預計投資回收期約 2 年，建議主攻 B2B 市場。
回答 2：建議投入。技術門檻不高，多數SaaS廠商都能提供。市場需求明確，尤其在電商領域。但競爭已趨白熱化，需找到差異化。估計回收期約 4 年，應優先切入 B2C 市場建立品牌。
回答 3：謹慎評估。雖然市場需求確實存在，且技術不算困難。但競爭者眾多，利潤空間可能被壓縮。投資回收期難以估算，可能長達 3-4 年。B2B 市場可能是較穩定的切入點。

接著就可以整理出共同點和分歧點，並優先採納共同的論點當作分析決策

使用加權評估

加權就是在計算總分時，依照重要程度給予不同的分數比重，我們可以讓 AI 在輸出時，同時提供答案和對答案的信心程度來做加權比重

為每個回答設定信心度，進行加權評估：

回答 1：可行性 70%（信心度：高）
回答 2：可行性 85%（信心度：中）
回答 3：可行性 60%（信心度：中）
回答 4：可行性 75%（信心度：高）
回答 5：可行性 65%（信心度：低）

根據信心度高中低進行加權計算，得出可行性約 72%：

(70%×0.3 + 85%×0.2 + 60%×0.2 + 75%×0.3 + 65%×0.1) = 72%

所有回答都很類似，難以判斷取捨

如果 AI 輸出的回答都很類似，即使使用了上面的技巧還是難以取捨，那就要回到源頭：提示詞的問題設計是否過於引導性？是否在問問題時，直接暗示了答案？

以下是一個帶有引導性的問題敘述：

這個評分最高的策略有什麼好處

盡量避免問題帶有主觀性或直接把答案暴，可以修改如下：

請客觀評估這個策略的優缺點

所有回答都不ㄧ樣，不知道該選誰

有回答都很類似的情境，也會有回答都不一樣的情境，如果是後者，試著檢視問題的設計是否過於複雜或模糊。

這個是過於複雜籠統的提示詞：

評估整個商業模式

我們可以細化，或是明確告訴 AI 要輸出的領域，修改如下：

分別評估收入模式、成本結構、競爭優勢

無法判斷哪個答案比較好

最後一個常見的情況，就是 AI 的輸出很棒，但我無法判斷取捨最終的答案。這時候我們可以建立評估標準，再請 AI 幫忙給每個答案打分數，供我們參考：

建立評估標準：
1. 邏輯完整性 (推理是否嚴謹？)
2. 證據支持度 (有多少事實支持？)
3. 實用性程度 (是否可執行？)
4. 風險考量度 (有沒有考慮潛在風險？)

每個答案按標準打分，選擇總分最高的。

小結

Self-consistency 的特性就是把 AI 從單次的問與答變成一個多方案的產生器，我們利用 AI 產生多個答案進行比較，就可以減少 AI 隨機輸出或不穩定性，這樣相對能得到更棒的答案，適用的場景包括但不限數學、邏輯分析、創意任務、商業決策 ... 等。

我們可以把前面章節介紹的 CoT 當作是 AI 的思維鏈，而 Self-consistency 方法就是集合了多條 CoT，並從中選擇最佳解，這應該是更接近我們人類的思考決策方式，畢竟我們不太會從 0 到 1 那麼直線型的思考，隨著學習的東西愈多，我們一定會多方權衡，最後選擇相對合理與正確的答案。

希望 Self-consistency 可以帶給大家不一樣的思考邏輯：答案從來不只有一個，重點是如何在眾多方案中找到最適合的那個。