昨天談 Markdown、JSON、YAML 與 HTML，目的不是讓每個人突然變成工程師，而是讓人、AI 與程式之間少猜一點。
但多數時候，我們不會先寫 JSON 才跟 AI 聊天，而是直接說：
幫我整理這篇文章。
幫我做一份簡報。
幫我分析這份資料。
這些句子雖然都是中文，卻沒有真的把工作交代清楚。「整理」是摘要、分類、改寫，還是表格？簡報要給教授、同學，還是不熟悉主題的人？分析資料是找趨勢、算統計量，還是找出哪裡怪怪的？
AI 不會因為我們心裡想得很清楚，就自動通靈你的腦袋。
當 AI 已經能寫文章、處理資料，甚至透過 Function Calling 使用工具後，新的問題就是：
我們該怎麼用自然語言，把一件工作交代清楚？
這正是 Prompt Engineering 想處理的事情。
第一次接觸 Prompt Engineering，常會看到像咒語的句子：
看久了會懷疑：使用 AI 是在交代工作，還是在召喚儀式？
Prompt Engineering 的核心，不是找神奇句子，而是：
把腦中的需求，轉成 AI 可以理解、執行與驗收的工作說明。
Anthropic 把 Claude 類比成新承包商：它不知道你的背景與任務，需要具體資訊。
想像新同事很有能力，你說：
幫我弄一下那個東西。
等等，「那個東西」從頭到尾都沒有正式出場，到底是什麼(翻桌)!
不同框架會使用不同欄位，但先不用急著背縮寫。一個能讓 AI 開始工作的 Prompt，至少要回答：
例如，原本只說：
幫我整理這篇論文。
可以改成：
## 背景
我是地球科學系學生，正在準備一場給同學聽的論文導讀。
同學具備基礎地質知識，但不熟悉機器學習。
## 任務
閱讀我提供的論文，整理研究問題、使用資料、研究方法、
主要結果與作者提出的限制。
## 限制
- 不要補充論文中沒有提到的結論
- 專有名詞第一次出現時，附上一句生活化解釋
- 無法從原文確認的內容，請標記為「原文未說明」
## 輸出格式
使用 Markdown，依照以下五個標題輸出：
1. 研究問題
2. 使用資料
3. 研究方法
4. 主要結果
5. 研究限制
這段沒有魔法，只是把模糊的工作說明拆開。AI 仍可能犯錯，但至少不必同時猜：讀者懂多少、哪些內容不能亂加，以及最後要長成什麼樣子。
Prompt 的價值，往往不是讓模型突然變聰明，而是減少它需要自由發揮的空間。
2023 年，Sheila Teo 在新加坡政府科技局舉辦的Prompt大賽，以 CO-STAR框架贏得了冠軍。
CO-STAR 將 Prompt 拆成六個部分：
可以先把它當成檢查表：
## Context
[提供背景資訊]
## Objective
[明確描述任務]
## Style / Tone
[指定表達方式與語氣]
## Audience
[說明目標讀者]
## Response
[定義輸出格式]
它不能保證滿分答案，卻能提醒我們是否漏講條件。這像旅行前的清單：去便利商店不用檢查護照；出國一個月時，最好也別只記得帶充電線。
假設任務是：
幫我寫一篇介紹生成式 AI 的文章。
這句不是不能用，但 AI 得自己決定深度、語氣、受眾與格式。最後很可能得到一篇「生成式 AI 正在改變世界」開頭、「未來值得期待」結尾的標準作文。
可以改寫為：
## Context
我要替大學通識課程撰寫一篇生成式 AI 入門文章。
讀者大多使用過 ChatGPT，但沒有程式設計或機器學習背景。
## Objective
用生活化方式解釋生成式 AI 如何根據使用者輸入產生文字，
並說明它適合與不適合處理的任務。
## Style
採用科普文章寫法：先用生活類比建立理解，
再補上必要的正式名詞。
## Tone
親切、清楚，可加入少量幽默，但不要使用浮誇的宣傳語氣。
## Audience
18 至 22 歲的大學生，對 AI 有興趣，但尚未系統性學習相關知識。
## Response
使用 Markdown，控制在 1,200 字以內，包含：
1. 一個生活化的開場
2. 生成式 AI 的基本原理
3. 三個適合使用的情境
4. 三個需要小心的限制
5. 一個讓讀者反思的結尾問題
它沒有用更華麗的詞，而是把任務邊界說清楚。尤其 Audience 很容易被忽略：同樣解釋 Transformer，寫給研究生、地球科學系學生與國中生，詞彙、例子與細節都不應相同。沒有受眾，AI 只能自己挑讀者；運氣不好時，它可能直接寫給另一個 AI 看。不同Prompt比較的結果可以參照day08_practice.ipynb
框架是協助思考，不是每次都要照表操課。可以依任務複雜度決定要補多少資訊。
直接交代任務與輸出即可：
請把下面的會議紀錄整理成五點摘要，使用繁體中文。
若連簡單的需求都要寫成：
Context：我剛剛開完團隊週會。
Objective：整理會議紀錄摘要。
Style：條列式摘要。
Tone：專業簡潔。
Audience：團隊成員。
Response：五點繁體中文摘要。
原本三秒能交代完的事，就突然像在填政府標案文件。
再補上受眾、用途與語氣：
請把下面的研究摘要改寫成 LinkedIn 貼文。
讀者是對 AI 有興趣、但沒有技術背景的職場工作者。
語氣專業但不要像新聞稿，控制在 500 字內。
Style 是文章怎麼寫，例如科普文章、新聞稿或操作手冊；Tone 是給人的感覺，例如正式、親切、幽默或謹慎。文章可以是科普風格，同時保持親切語氣。
比起要求 AI「模仿某位仍在世作者的風格」，更實用的是描述可執行的特徵：
使用短句、生活化比喻與清楚的小標題。
避免過度華麗的形容詞，每一段只處理一個觀念。
這時再用 CO-STAR 或其他結構化框架，把條件攤開。真正要學的不是「每次都寫 CO-STAR」，而是知道何時要補充哪些資訊。
其中最容易漏掉的是 Response。不要只說「整理一下」，而要說清楚要拿到什麼：300 字摘要、五點條列、Markdown 表格、JSON、簡報大綱或需要引用來源的報告。
同一批論文，自己閱讀適合 Markdown 摘要；比較方法適合表格；交給程式處理需要 JSON；上台報告需要簡報大綱。交代工作前，多問一句：
這份結果下一步要拿來做什麼？
很多 Prompt 的問題不是任務說錯，而是沒交代工作做完後要送去哪裡。
初學者不必先學會寫完美 Prompt；可以先請 AI 協助整理。若想法還模糊，先用自然語言釐清需求，再請AI幫你收斂成一個好的Prompt， 帶到新對話後貼上執行即可，通常比一開始硬湊模板有效。
可以這樣說：
我想請 AI 完成下面的工作，但還不知道如何寫成清楚的 Prompt。
請先不要執行任務，先完成以下工作：
1. 找出我缺少哪些必要資訊
2. 最多詢問我五個問題
3. 根據我的回答，使用 CO-STAR 結構整理成 Prompt
4. 將最終 Prompt 放在 Markdown 程式碼區塊中
我的初步需求是：
我要把一篇研究論文整理成給大學生聽的十分鐘簡報。
重點不是把思考外包給 AI，而是把它當成需求訪談者。有時候我們不是不會寫 Prompt，而是還沒想清楚要什麼。讓 AI 先提問，可能會發現：聽眾知道什麼？是否要批判論文限制？要大綱還是完整講稿？
AI 不只可以回答問題，也可以協助把問題問完整。
Prompt 教學常建議：
你是一位專業資料科學家。
角色設定能幫助模型選擇較適合的詞彙與觀點；但一句「你是醫師」，不會替模型增加最新醫學知識，一句「你是通靈王」，也不會讓AI接上你的腦袋。
較好的寫法是把角色、任務與判斷方式放在一起：
你是一位協助大學生閱讀研究論文的教學助理。
請辨認研究問題、資料、方法、主要結果與限制。
如果原文沒有提供資訊，不要自行補充。
專有名詞第一次出現時，附上一句一般學生能理解的解釋。
真正有用的不是「教學助理」這頂帽子，而是後面可執行、可檢查的規則。制服可以幫助進入角色，但不能代替職前訓練。
即使 Prompt 已把背景、目標、受眾與格式寫完整，模型仍可能：
Prompt Engineering 能改善溝通，卻不能取代查核、工具驗證與領域知識。高風險領域中，清楚的 Prompt 只是起點，不是最後簽核。
可以把 Prompt 想成工作單。工作單寫得好，師傅比較不容易跑錯地方；但完工後，屋主還是要驗收。不能因為地址與油漆色號都寫得漂亮，就假設牆面沒有漏刷。
AI 回答不好時，我們很容易立刻說：
這個模型不行。
有時確實是模型能力有限；但也可能是我們只給了一句模糊要求，卻期待它腦補所有背景。
Prompt Engineering 最值得學的不是收集模板，而是把工作想清楚：
這些問題也適用於人類的工作溝通。AI 只是誠實地把一件事放大：
當需求沒有說清楚時，對方只能猜。
今天先處理「第一次如何把工作交代清楚」。即使使用同一個 Prompt，不同模型仍可能給出不同結果；第一次回答看起來不錯，使用時也可能發現語氣太硬、太長、格式不對，或漏掉條件。
重要 Prompt 不會一次寫完。
明天，我們會進入 Prompt Engineering II：如何迭代優化出符合心中答案的Prompt。
參考資料
iThome鐵人賽
看影片追技術