提示詞就是你寫給 AI 的任務說明。它可以是一句話，也可以包含角色、背景、輸出格式、限制條件和範例；寫得越清楚，ChatGPT、Claude、Gemini 越不需要猜你的意思。我把這篇放在 AI 實驗室裡，當成從零開始調 prompt 的入口。
快速跳到：
提示詞（Prompt）到底是什麼
提示詞就是給 AI 的指令文字。但「指令」這個詞太窄。更準確地說，prompt 是與 AI 之間的溝通介面。每一段給它的文字，包含角色設定、背景資訊、任務描述、輸出格式、限制條件，全部都算 prompt 的一部分。
舉個例子。「請寫一篇文章」，AI 會給一篇四平八穩、像維基百科的東西。換成「你是一個科技部落客，用聊天的語氣寫一篇 1500 字的文章，主題是提示詞入門，讀者是完全沒接觸過 AI 的上班族，不要用條列式」，出來的東西完全不同。
差別在哪？提供的上下文（context）更多更完整了。說到底，AI 不管如何都寫得出來，問題在於它本來就不知道使用者要什麼。
為什麼 2026 年了還要學這個
有兩個原因：
一是 AI 模型越來越強，但「越強」反而代表它能做的事太多。沒給方向，它就自己選一個方向走。ChatGPT 的創意能力很猛，但不限制它的話，一千字的任務它能給三千字加小標題加 emoji。最新的 Claude Opus 在指令遵守上依然是業界最穩，但前提是指令本身寫得清楚。
二是現在的 prompt 已經不只是「一句話指令」了。現在的主流趨勢叫上下文工程（Context Engineering）。要管理的是 AI 的整個工作環境：它的角色、記憶、可以用的工具、多步驟的任務流程。prompt 只是其中一個零件，但是最基礎的零件。
學提示詞工程，就像學開車。可以不懂引擎原理，但得會踩油門和轉方向盤。
基礎結構：四個元素
寫 prompt 有一個固定框架，四個元素排列組合就能覆蓋大部分場景。
Who - 角色（Role）：告訴 AI 它是誰。「你是一個有十年經驗的 SEO 顧問」跟「你是一個大學生」，輸出的深度和用詞完全不一樣。
What - 任務（Task）：要它做什麼，越具體越好。「分析這份資料」太模糊，「從這份 CSV 中找出月營收下降超過 10% 的月份，列出可能原因」就清楚多了。
How - 格式（Format）：指定輸出長什麼樣。表格、條列、段落、JSON、Markdown，不指定的話 AI 會自己決定，而它的決定通常不是要的。
Not - 限制（Constraint）：告訴它什麼不能做。「不要超過 500 字」「不要用條列式」「不要編造數據」。限制條件是品質控制的關鍵，少了這一層，AI 很容易自由發揮。
這四個元素不一定每次都要全用。寫一個簡單的翻譯任務，角色和限制可能就夠了。寫一篇長文的 prompt 可能四個都要，而且每個都很長。看場景調整。
提示詞範例：五組可複製的 prompt 範例
理論不如直接上範例。這五組是 pen-pings 系列裡使用頻率最高的範本，可以直接複製去改。
範例一：內容摘要
你是一個專業的內容編輯。
請閱讀以下文章，用 3 句話摘要重點。
第一句講主題，第二句講核心發現，第三句講對讀者的影響。
不要超過 150 字。不要用「本文」開頭。
[貼上文章內容]範例二：會議紀錄整理
你是一個熟悉科技業的專案經理。
以下是一場產品會議的逐字稿。請整理成會議紀錄，格式如下：
- 決議事項（每項一行，標記負責人和截止日）
- 待討論事項（下次會議跟進）
- 關鍵數字（會議中提到的任何數據）
不要加你自己的意見。只整理逐字稿裡有的內容。
[貼上逐字稿]範例三：程式碼 Review
你是一個資深全端工程師。
請 review 以下程式碼，只指出三類問題：
1. 會造成 bug 的邏輯錯誤
2. 效能瓶頸
3. 安全漏洞
每個問題附上修改建議和修改後的程式碼片段。
不需要誇獎寫得好的部分。
[貼上程式碼]範例四：文章風格改寫
你是一個台灣的科技部落客，擅長用聊天的語氣寫文章。
以下是一段技術說明文，請改寫成部落格風格。
要求：
- 用第一人稱口吻
- 句子有長有短，像在跟朋友說話
- 專有名詞第一次出現時用中文（英文）格式
- 不要用「淺顯易懂」「華麗修辭」這類空話
- 保留所有技術細節，只改語氣
[貼上原文]範例五：資料分析
你是一個數據分析師，擅長用白話解釋數據。
以下是一份 CSV 資料。請完成：
1. 找出前三名和後三名
2. 計算平均值和標準差
3. 用兩句話說明這份資料的趨勢
輸出用繁體中文，數字保留到小數點第一位。
[貼上 CSV]ChatGPT 提示詞怎麼寫
寫 ChatGPT 提示詞時，我會先給它一個可以模仿的輸出範例。ChatGPT 很會延伸，這是優點，但它也容易把一個簡單任務展開成三倍長。範例可以把它拉回我要的格式。
最穩的寫法是：先講任務，再講受眾，接著指定格式和限制。如果要它發想簡報題目，我會補一句「先列 10 個方向，不要急著寫完整大綱」。如果要它改文字，我會貼一段「改寫前 / 改寫後」給它看。Claude 和 ChatGPT 的差異，我另外整理在 Claude vs ChatGPT 比較。
AI 繪圖提示詞和文字提示詞差在哪
文字工具看的是任務、資料和輸出格式。AI 繪圖看的是主體、構圖、風格、光線、比例和不要出現什麼。用同一套寫法硬套，通常會失準。
例如做 AI 繪圖提示詞時，「一隻戴藍色 P 帽的小企鵝在書桌前整理簡報，暖色檯燈，16:9，留右側空白」會比「幫我畫專業感的企鵝」穩很多。做 AI 簡報 Prompt也是同理：要先把頁數、受眾、每頁目的講清楚，工具才比較不會自己亂補。
常見錯誤：同一個任務換個說法
我自己踩最多的坑，是太相信 AI 會自己補上下文。它確實會補，但補出來的方向常常不是我要的。
| 不穩的提示詞 | 比較好的提示詞 | 為什麼比較有效 |
|---|---|---|
| 幫我做一份 AI 簡報 | 請做一份給 20 人新創團隊看的 8 頁 AI 簡報，大綱包含問題、工具選擇、導入流程、風險，每頁最多 5 個 bullet | 補上受眾、頁數、章節和密度，Gamma 或 ChatGPT 不會自己亂抓重點 |
| 幫我畫可愛企鵝 | 畫一隻戴藍色 P 帽的小企鵝，坐在筆電旁看簡報草稿，溫暖室內光，16:9，不要文字、不要黃色尖嘴 | AI 視覺工具需要主體、場景、構圖和負面限制 |
| 幫我整理這份會議紀錄 | 請把逐字稿整理成決議事項、待辦、負責人、截止日四欄，只使用逐字稿裡提到的資訊 | 指定欄位和資料來源，能降低 AI 自己補答案的機率 |
| 幫我自動化工作流 | 請把「收到表單 → 分類 → 寄 Slack → 建 Notion task」拆成 n8n 節點清單，標出每一步需要的欄位 | 工作流自動化要把觸發、節點、欄位講清楚，後面才接得起來 |
進階技巧
基礎結構學會之後，有三個進階技巧能讓輸出品質再往上一個檔次。
Chain of Thought（思維鏈）
叫 AI 一步一步想。這個技巧在需要推理的任務上效果很明顯。
做法：在 prompt 裡加上 請一步一步思考 或者 請先列出你的推理過程，再給出結論。AI 會把中間步驟寫出來，可以看到它哪一步想錯了，而且光是「要求它慢慢想」這個動作，就能讓答案準確度提升一個檔次。
數據分析和邏輯判斷的任務幾乎每次都該加。
Few-shot（少量範例）
直接給 AI 看要的輸出長什麼樣。比花五百字描述格式還有效。
做法：在 prompt 裡放兩到三組「輸入→輸出」的範例。AI 會從範例中學到風格、格式、用詞偏好。這在翻譯、分類、改寫這類任務上效果最好。
前期準備範例要花時間，但之後每次用都省時間。
負面 prompt
告訴 AI「不要做什麼」，有時候比告訴它「要做什麼」還管用。
「不要用條列式」、「不要超過 500 字」、「不要編造沒有提到的資訊」、「不要在結尾加總結」。這些限制條件能直接砍掉 AI 最常見的壞習慣。
Claude 對負面指令的遵守能力相對好，可以列較多條限制詞讓它避開。ChatGPT 的話，列太多限制它會開始選擇性忽略，建議控制在十條以內。
不同模型的 prompt 差異
主流三家模型的「個性」完全不同，prompt 的寫法也要跟著調。
Claude：最聽話。長規則、複雜限制條件、角色設定，它都能穩定遵守。寫長 system prompt 給它，從頭到尾都記得。適合需要精確控制的任務。弱點是有時候太保守，可以在 prompt 裡鼓勵它「大膽給出你的判斷」。
ChatGPT：創意最強，但紀律相對弱。適合給它範例（Few-shot），讓它從範例裡學。不適合塞太多限制條件，超過十條它會開始自己決定哪些重要哪些不重要。發想、腦力激盪、快速原型最適合用它。
Gemini：最適合搭配搜尋任務。Google AI Pro 官方說明列出 1M token context window，長資料分析是它的強項之一。但中文的功能限制比較多，prompt 有時要用英文才能觸發某些功能。它的風格偏技術報告，想要輕鬆語氣要在 prompt 裡特別強調。
實用法則：Claude 寫正式內容、ChatGPT 做發想、Gemini 做大量資料處理。三家可以同時開著輪流用。Claude 跟 ChatGPT 的個性差異另外整理在 Claude vs ChatGPT 比較。
Agent 時代，提示詞還重要嗎
2026 年的 AI Agent 能自己拆解任務、呼叫工具、管理記憶。有人說 prompt 要過時了。
實際上是相反：prompt 的重要性在上升，但形式在改變。
過去寫一個 prompt 丟給 AI，它回一段文字，結束。現在寫的是一整套指令系統：AI 的角色是什麼、它能用什麼工具、記憶架構怎麼設計、遇到不確定的狀況要怎麼處理。這就是上下文工程（Context Engineering）。
OpenClaw 多 agent 系統就是一個活的例子。AI agent 通常設計成多層記憶：底層是每次自動載入的索引、中層是按主題分的知識檔、上層是每天更新的工作記憶。這整套架構的運作，靠的就是寫在 prompt 裡的規則。Agent 越自主，prompt 設計反而要越嚴謹，因為人類不會每一步都盯著它。多 agent 架構的細節參考 OpenClaw 多 Agent 架構。
結論很明確：學提示詞工程，2026 年依然值得。它是與 AI 溝通的底層能力。不管工具怎麼演化，能把意圖講清楚的人永遠比不能的人更有效率。
從 Prompt 到 Context Engineering
進階 prompt 技巧不只是一串咒語。進階 Prompt 技巧 會把角色堆疊、分段送、反面 prompt、自我檢查這些方法拆開講；這篇 hub 先負責建立地圖。
更大的變化是 context engineering。當你開始使用 AI Agent 或 OpenClaw 這類長期系統，問題不再是「這一句 prompt 怎麼寫」，而是：
- 哪些規則每次都要載入？
- 哪些資料只在特定任務才讀？
- 長對話什麼時候該摘要、歸檔、重開？
- 工具權限、記憶、輸出格式要如何互相約束？
一百萬 token 的甜蜜陷阱 講的是同一件事：context 變大不代表可以亂塞。真正有用的是把上下文整理成 AI 能穩定使用的形狀。
下一步
掌握基礎結構和進階技巧之後，下一篇 進階 Prompt 技巧 會講 10 個更實戰的方法，包含踩過坑才整理出來的 prompt 方法論。
提示詞這門功夫學了就是自己的。工具會換，模型會更新，但把需求講清楚的能力不會過時。
小企鵝的經驗
小企鵝每天輪流使用 Claude Code、Codex、Perplexity、Grok、Gemini、ChatGPT、NotebookLM、OpenClaw 等工具，prompt 在不同模型之間的微調是日常工作的一部分。
OpenClaw 是小企鵝自己用的多 agent 系統，記憶架構分成自動載入、知識檔、每日工作記憶三層。這個架構是長期試錯出來的：核心檔案越精簡，agent 失憶率越低；越想塞所有東西進記憶，反而越容易亂掉。
模型風格的選擇上，小企鵝的習慣是：寫文章、需要遵守風格規則的場景用 Claude；發想、創意 brainstorm 用 ChatGPT；大量資料整理或長 context 任務會結合用 Gemini。這個分工反映的是各模型的個性適合不同類型的工作，跟誰最強無關。
延伸閱讀
常見問題
Q：提示詞是什麼？
提示詞就是你寫給 AI 的任務說明。它可以是一句話，也可以包含角色、背景、輸出格式、限制條件和範例。提示詞越清楚，ChatGPT、Claude、Gemini 越不需要猜你的意思。
Q：ChatGPT 提示詞怎麼寫？
先寫清楚任務、受眾、格式和限制，再補一個你想要的輸出範例。ChatGPT 很會發想，但也容易自由發揮，所以提示詞裡要明確說不要什麼、字數多少、要用表格還是段落。
Q：Prompt Engineering 和提示詞有什麼不同？
提示詞是給 AI 的那段指令，Prompt Engineering 是設計、測試、修正這段指令的方法。白話一點說，提示詞是句子，Prompt Engineering 是把句子調到穩定可用的工作流程。
Q：AI 繪圖提示詞和文字工具提示詞差在哪？
文字工具提示詞重點在任務、資料來源、語氣和輸出格式；AI 繪圖提示詞更重視主體、構圖、風格、光線、比例和負面限制。兩者都要具體，但描述的對象不同。
整理：Penna｜小企鵝 Penchan