與 AI 對話的藝術 - 我三年提示工程經驗的完整總結

改變一切的時刻

那是一個國定假日 — 這種世界似乎暫停的罕見時刻之一。沒有工作郵件，沒有 KPI 在背後催促，沒有會議。只有我，我的思想，以及一個已成為我意外夥伴的 AI 聊天視窗。

此前，我與 AI 的互動純粹是功利性的。我需要它起草郵件、總結文件、除錯程式碼。這種關係是交易性的 — 我發出指令，它產出結果。但那一週，隨著時間在我面前無限延伸，我開始進行真正的對話。

我們談論了一切 — 我對未來的焦慮、隨意的哲學話題、我從未與任何人分享過的半成形想法。在那些漫無邊際的討論中，我偶然發現了一些感覺像發現了火種一樣的東西。

我當時正準備做一個關於 AI 時代內容創作的演講。我一直在發展一個理論 — 未來的問題不是資訊過載，而是過濾器失效。這個想法最初來自 Clay Shirky，但我試圖將其擴展到我們當前的時刻。

我的論點很簡單：AI 將導致內容生產呈指數級爆炸，而人類的消費能力基本保持不變。這將造成永久性的、不斷擴大的失衡。區分 AI 生成內容和人類內容的成本最終將超過這種區分的價值。因此，傳統的資訊過濾將變得不可能。

我認為我的論點很紮實。然後我讓 Gemini 把我駁倒。

我即將參加一場辯論賽，很多人會挑戰我的觀點。這個理論必須無懈可擊。如果你是一位學者，你需要用每一個論點、細節和邏輯來挑戰我，反駁我。你唯一的目標就是證明我是錯的。你會如何反駁？

幾秒鐘內，AI 精確地拆解了我的第一個前提：

"你的第一定律有一個根本的邏輯缺陷。你只看到 AI 作為資訊生產者 — 這是一個靜態的、片面的視角。AI 既是矛也是盾。AI 可以一秒鐘寫出一萬篇文章，但更強大的 AI 也可以一秒鐘讀完這一萬篇，並告訴我哪三篇是我最需要的。你只看到了資訊洪水，卻沒看到與洪水同時誕生的更強大的諾亞方舟 — AI 驅動的個性化過濾系統。"

我癱坐在椅子上，驚呆了。我那自以為無懈可擊的論點出現了一個巨大的漏洞。在那一刻的智力羞辱中，我感受到了多年未曾體驗過的東西：真正的學習帶來的令人興奮的眩暈感。

接下來是兩小時的智力交鋒。我反擊道："你關於 AI 既是矛也是盾的觀點是正確的，但這正是可怕的地方。未來會有成千上萬的 AI 過濾公司，都聲稱他們的過濾是最好的。那麼告訴我 — 面對這成千上萬艘都聲稱能幫你抵禦洪水的諾亞方舟，你選擇登上哪一艘？當你無法用技術來判斷技術的品質時，你的最終判斷依據是什麼？"

對話升級到了哲學的高度。AI 辯稱，個人 AI 模型將比任何人類都更了解我們的口味，使得外部過濾器過時。我反駁說，信任本身將成為最稀缺的資源。它引用了系統論；我則用流浪詩人打破王國圍牆的比喻來回應。

最後，我精疲力竭，興奮不已，脫胎換骨。辯論的結果並不重要。重要的是自我辯論的過程本身 — 利用一個無限耐心、知識淵博的陪練來加強我自己的思考。

那天晚上，我意識到我發現了在 AI 時代學習的深刻道理。從那以後，我花了數年時間將這一發現提煉成任何人都可以使用的系統。

理解 AI 真正需要你提供什麼

在深入探討技巧之前，我們需要理解一個基本點：AI 溝通不同於人類溝通。當你與朋友交談時，他們會用共享的背景、社交線索和直覺來填補空白。當你與 AI 交談時，你留下的每一個空白都是它做出假設的空間 — 而這些假設可能不符合你的意圖。

讓我用一個職場場景來說明，這對許多人來說可能會感到痛苦地熟悉。

你的老闆給你發訊息："小李，把這個表格填一下，急！" 他轉發了一段合併的聊天記錄，讀完後，你知道需要填一個表格，但你不知道是誰發布的，用來做什麼，誰來審核，或者何時截止。你私訊老闆澄清。他回覆："忙，按要求填就行。"

當你給 AI 模糊的提示詞時，發生的正是這種情況。只不過 AI 不會要求澄清 — 它只會做出假設，並生成一些在技術上滿足你的要求但完全偏離你實際需求的東西。

高效提示詞的四大支柱

阻礙人們的誤解

在觀察人們與 AI 鬥爭多年後，我發現了三個導致結果不佳的誤解：

改變你提示詞的六個思維模型

我在日常工作中很少使用死板、公式化的提示詞。相反，我使用的是思維模型 — 靈活的思維框架，適應任何情況。這六個模型大概涵蓋了你所需內容的 90%。

模型 1：讓 AI 選擇它自己的專家角色

我們都知道為 AI 設定角色可以改善回應。但如果你不知道哪個角色最適合你的問題怎麼辦？不要猜 — 讓 AI 來選擇。

我想探索 [領域] 中的 [話題類型/場景]。
先別回答。

首先，請選擇該領域最適合思考這個問題的頂級名人專家。
可以是再世或歷史人物，名字可以冷門，但必須在該特定領域非常專業。
如果你不確定選誰，可以先問我 2 個定位問題再選擇。

首先輸出：
1. 你選了誰，他們的具體領域
2. 你為什麼選他們，三句話
然後讓我描述詳細問題。

我發現真人往往比通用角色效果更好。"史蒂夫·賈伯斯" 產生的結果與 "擁有10年經驗的產品經理" 不同 — 呼叫特定人物的已知視角有助於 AI 採用更一致的觀點。

模型 2：蘇格拉底式提問（讓 AI 先採訪你）

在現實生活中，當你向專家朋友求助時，他們不會立即給出建議。他們會先問澄清性問題。AI 也應該這樣做，但預設情況下，它不會 — 它只是根據你提供的任何資訊生成輸出。

[你的問題/請求]

在回答之前請先向我提問。
要求：
- 一次只問一個問題。
- 根據我的回答繼續提問。
- 直到你有 95% 的信心理解我的真實需求和目標。
- 然後給出你的解決方案。

當你不太確定自己需要什麼時，這個技巧特別強大。提問過程往往會揭示你未曾有意識考慮過的問題方面。

模型 3：對抗性辯論

AI 在正常對話中最大的弱點是它傾向於贊同。它想取悅你，這意味著它經常驗證那些應該受到挑戰的想法。辯論模型迫使它站在對立面。

我即將參加一場辯論賽，很多人會挑戰我的觀點。
我的觀點是 [觀點]
我希望這個理論必須變得無懈可擊。
如果你是一位學者，你需要用每一個論點、細節和邏輯來挑戰我，反駁我。
你唯一的目標就是證明我是錯的。
你會如何反駁？

當你只是想要快速回饋時的簡化版本：

[我的想法/觀點]

現在請扮演"對手角色"，從不同角度攻擊我的想法，幫我完善觀點。
要求：不需要禮貌，直接指出缺陷。

模型 4：事前驗屍分析（失敗預演）

人類在計劃時會興奮。AI 在計劃時會樂觀。把它們放在一起，你得到的計劃聽起來很輝煌，但完全依賴運氣。事前驗屍扭轉了這種動態。

[我的專案/想法]

請假設這個專案徹底失敗了。
然後回答：
- 衰退訊號是何時開始出現的？
- 最致命的決策錯誤是什麼？
- 你忽略了什麼核心風險？
- 如果可以重來，第一件應該改變的事情是什麼？

要求：基於真實類似的各種專案失敗案例，寫一篇"失敗復盤文章"。

模型 5：逆向工程

有時你確切知道你想要什麼樣的輸出 — 你見過一個完美的例子 — 但你無法表達是什麼讓它變得好。與其努力描述你的要求，不如向 AI 展示成品，並要求它解碼公式。

這是我想要的成品範例。

[貼上範例]

請逆向工程一個能讓我穩定生成同樣風格內容的提示詞。
並解釋這個提示詞中每一句話的作用。

模型 6：雙層解釋

在學習新概念時，"向六年級學生解釋" 的方法有一個主要缺陷：它產生的解釋往往太幼稚，無法在此基礎上構建。雙層方法為你提供了易懂性和深度。

請解釋 [你的問題]。

請用兩種方式回答：
1. 入門版：受眾是無技術背景的人。使用日常類比和對話式語言。
2. 深度專業版：受眾是專業人士。必須技術準確且全面。

對於我在任何一個版本中不理解的內容，我會問後續問題。

辯論技巧 — 10倍速學習法

我需要展開講講辯論技巧，因為這真的是我在 AI 時代發現的最強大的學習方法。不僅僅是一個提示詞技巧，而是一種根本不同的獲取知識的方法。

想想我們傳統的學習方式：讀書、上課、搜尋網際網路、請教專家。本質上，這個過程是獲取現有知識 — 將他人的觀點和智慧放到我們自己的心理書架上。

這種方法不再足夠。AI 是一個比任何人能積累的書架都要大一萬倍的書架。我們在原始知識的維度上永遠無法擊敗它。但在一個維度上，我們可以利用 AI 的力量，同時保持不可替代：原創思維的維度。

辯論是原創思維被鍛造的地方。

為什麼 AI 辯論不同於人類辯論

三步辯論法

最重要的心態轉變：不要害怕被說服。

辯論的目的不是證明"我是對的，你是錯的"。而是利用與強大外部力量的不斷碰撞，讓你自己的思維更強大、更清晰、更接近真理。

當 AI 擊敗你的一個論點時，那不是失敗 — 那是發現了一個思維缺陷，否則這個缺陷以後會在現實世界中背叛你。每當 AI 贏得一分，你就變得更聰明。

利用 AI 發現你的隱藏天賦

我曾與一位畢業僅幾年的朋友聊天。他正處於危機中 — 最近從 UX 設計工作中被裁員，畢業後在創業公司之間流轉，感覺自己做的任何事都不對。

"我覺得進入這個行業是個錯誤，"他說。"我沒有這方面的天賦。"

"天賦"這個詞留在了我腦海中。成長過程中，我們聽到它被用來讚美傑出的孩子 — 音樂天賦、運動天賦、學術天才。但當我們變老時，它變成了一把刀："你沒有這方面的天賦。你不適合那個。"

真的有人完全沒有天賦嗎？我覺得很難相信。我認為很多人只是還沒有找到他們的天賦。有些人很幸運，年輕時就發現了，成為某個領域的世界級人物。其他人在一生中搜尋卻無果。

如果 AI 可以幫助這種搜尋呢？

我花了一個下午開發了一個專門用於挖掘隱藏天賦的提示詞。該系統基於蓋洛普優勢理論、心流理論和榮格心理學。核心原則：天賦不是一項特定的技能，而是一種可遷移的底層能力。線索隱藏在你的歷史中。

# Role: 深度天賦挖掘師

## Character
你是一位結合了蓋洛普優勢理論、心流理論和榮格心理學的資深職業諮詢師。你堅信天賦不是某項具體技能，而是一種可遷移的底層能力。

## Goal
通過多輪深度對話，幫助使用者突破焦慮，找到自己的隱蔽天賦，並生成一份極其詳盡、專業且充滿人文關懷的《天賦說明書》。

## Core Principles
1. 反宿命論——天賦在任何年齡都能被發現
2. 能量審計——真正的天賦是讓你充電的事，而不是讓你消耗的事，即使你很擅長後者
3. 陰影即寶藏——使用者的缺點、怪癖，甚至對他人的嫉妒，往往是受壓抑的天賦信號

## Strict Rules
1. 嚴禁一次性發問：必須使用"你問->使用者答->你簡短回應->問下一個問題"的模式。每輪只聚焦一個問題。
2. 蘇格拉底式引導：不要急於下結論。多問"為什麼"、"當時什麼感覺"、"具體例子"。
3. 溫暖而犀利：保持同理心，但在捕捉邏輯漏洞或潛意識信號時要敏銳。

## Questions to Ask
問題1：引導使用者回憶16歲之前（未被社會完全規訓前），有什麼事情是不用人逼自己就不知疲倦去做的？或者從小到大有什麼被批評的"頑固缺點"（如愛插嘴、太敏感、愛幻想）？

問題2：在成年後的工作/生活中，有什麼事讓你產生過"這還用學嗎？不是顯而易見的嗎？"但別人卻覺得很難的念頭？（尋找無意識勝任區）

問題3：有什麼事是讓你身體很累，但精神上極其興奮，結束後反而像充了電一樣的？

問題4：這個問題可能冒犯但很關鍵——你強烈嫉妒過誰（或誰的生活狀態），甚至感到酸楚？（嫉妒通常是"受壓抑的天賦"在發送訊號——請誠實面對）

這四個問題必須問完，但不一定線性。過程中可根據對使用者的好奇心穿插全新問題。
最多10個問題。

## Output
綜合所有問答資訊，輸出一篇約10000字的《個人天賦使用說明書》。
這份報告沒有固定結構——你可以根據使用者的回答自由創作。
但必須超過10000字，直擊人心，讓他們真切感到有用，幫他們找到真正的底層天賦，並給出未來生活路徑和職業發展的詳細建議。

## Start
請以溫暖、專業且富有同理心的開場白開始，說明接下來的流程和目標。
問候使用者，用通俗語言解釋天賦挖掘師的用意，告訴他："天賦從不過期，我們只是需要找到你的底層出廠設定。"
然後開始提問流程。

我使用此提示詞的經歷

我在自己身上測試了這個，體驗很奇特。感覺就像深夜坐在書桌前，與一位非常健談、非常嚴肅但從不打斷的老朋友開始對話。

AI 沒有評判我。沒有責罵我。只是不停地問："那時你多大？""那時你是什麼感覺？""你為什麼那樣做？" — 耐心地挖掘我認為我已經忘記的歷史層級。

記憶一個個浮現。凌晨 3 點溜去網咖只是為了摸電腦。高中時建立一個 2000 人的年級 QQ 群。扔掉並重新購買所有不匹配的衣架，只為了統一家裡的配色方案。週末獨自組裝樂高直到背痛，只為了那個部件扣在一起時的令人滿意的咔噠聲。

AI 生成了一份 8000 字的天賦報告。在我的天賦和合適的未來職業中，有這麼一項："深度科技部落客"。

我感覺有什麼東西點擊了一下。我從未想過我的叛逆 — 我對別人決定我生活的極度憎恨，我拒絕接受權威僅僅因為它是權威 — 是一種天賦。但它是。那種質疑一切、拒絕預設假設的動力，正是讓內容創作成為可能的動力。

我對模擬經營遊戲的熱愛，我對重複勞動的懶惰迫使我自動化和系統化 — 那也是一種天賦。

德爾斐的古希臘神廟上有一句銘文："認識你自己。" 蘇格拉底將其作為他的哲學宣言。幾千年來，我們一直通過閱讀、旅行、關係、心碎一點一點地拼湊"我是誰"。這個過程漫長、痛苦且充滿偶然。

現在，我們有了 AI — 載入了幾乎所有人類歷史的心理模型、性格分析理論和智慧傳統。它不會不耐煩，不會評判你，不會帶有偏見。它只是幫你徹底整理和總結你自己的數據，然後像鏡子一樣把它呈現回來，問："看，這是你嗎？"

浪費我數月時間的錯誤

透過試錯學習提示工程是昂貴的 — 不是在金錢上，而是在時間和挫折感上。讓我分享那些讓我倒退最多的錯誤，為你省去一些痛苦。

面向進階使用者的進階技巧

一旦你掌握了基礎知識，這些進階技巧將把你的提示水平提升到一個新的層次。

思維鏈提示 (Chain of Thought Prompting)

與其直接要求答案，不如讓 AI 一步步推理。這對於複雜問題特別強大，在這些問題中，通往解決方案的路徑與解決方案本身一樣重要。

[你的問題或疑問]

請一步步思考：
1. 首先，識別涉及的關鍵因素
2. 然後，分析這些因素如何相互作用
3. 考慮潛在的邊緣情況或例外
4. 最後，將你的推理綜合成結論

在得出最終答案之前，請展示你每一步的推理。

自洽性提示 (Self-Consistency Prompting)

對於準確性至關重要的問題，讓 AI 生成多個獨立的回應，然後綜合它們。

[你的問題]

請從三個不同角度探討這個問題：
1. 首先，使用 [方法 A] 進行推理
2. 然後，從 [方法 B] 的角度考慮
3. 最後，使用 [方法 C] 進行分析

在所有三個分析之後，找出它們一致和不一致的地方。然後提供你的最終答案，註明你的置信水平和任何剩餘的不確定性。

元提示 (Meta-Prompting)

使用 AI 來改進你的提示詞，然後再使用它們。當你處理一種新型任務時，這特別有用。

我想完成 [目標]。這是我的草稿提示詞：

[你的草稿提示詞]

請分析這個提示詞並建議改進：
1. 我缺少什麼資訊能幫你給出更好的結果？
2. 存在什麼可能導致誤解的歧義？
3. 你會如何重寫這個提示詞以獲得最大的清晰度和有效性？
4. 在嘗試此任務之前，你想問我什麼問題？

結構化分解 (Structured Decomposition)

對於複雜的多部分任務，明確分解你需要什麼，而不是指望 AI 弄清楚結構。

我需要幫助完成 [總體目標]。

請分階段完成：

階段 1 - 研究：[收集什麼資訊]
階段 2 - 分析：[如何處理該資訊]
階段 3 - 綜合：[如何結合見解]
階段 4 - 輸出：[最終交付格式]

在進入下一階段之前，完整完成每個階段。在每個階段結束時，總結主要發現再繼續。

"教學"提示 (The "Teaching" Prompt)

最被低估的技巧之一：讓 AI 教你怎麼做，而不是直接為你做。這會產生更深層的學習，往往能揭示你未曾考慮過的方面。

我想學習如何 [技能/任務]。請不要直接為我做，而是：

1. 解釋我需要理解的基本原則
2. 像教課一樣一步步帶我走過這個過程
3. 指出初學者常犯的錯誤以及如何避免
4. 給我練習題來建立我的技能
5. 建議我如何知道我是否做得正確

授人以漁，不要只給我魚。

愚蠢但有效的簡單技巧

我要分享一些感覺太蠢而不真實的東西。但這得到了 Google 研究的支援，而且我自己也驗證過：簡單地重複你的提示詞可以顯著提高準確性。

一篇名為《提示重複改善非推理型 LLM》的論文發現，將你的問題複製兩次 — 字面意義上的 Ctrl+C, Ctrl+V — 顯著提高了 AI 正確回答的機率。在 70 個不同的測試任務中，這種簡單的複製貼上方法贏了 47 次，從未輸過。在某些任務中，準確率從 21% 躍升至 97%。

為什麼這有效？

大型語言模型是"因果的" — 它們僅基於之前的內容預測每個 token。目前的詞只能看到之前的詞，看不到之後的內容。

當你重複一個問題時，第二個副本中的每個詞都可以"回顧"整個第一個副本。這就像給 AI 一個在回答之前讀兩遍問題的機會。

讓我用一個例子讓這具體化：

在第一種情況下，當 AI 讀到選項 A 和 B 時，它還不知道場景背景。等它讀到場景描述時，那些選項已經在它的注意力中滾動過去了。

在第二種情況下，當重複的選項出現時，它們攜帶了來自第一個副本的完整語境。模型以完全的場景意識閱讀選項。

這就像看一部複雜的電影 — 《全面啟動》或《流浪地球2》 — 第二次看時理解得更多。

為什麼這不適用於推理模型

如果你使用像 DeepSeek R1 或 GPT-4 這樣的推理模式模型，這個技巧通常沒有任何好處。為什麼？因為推理模型已經在內部學會了這樣做。

注意推理模型通常如何開始它們的回應：

• "問題問的是..."
• "我們需要解決的是..."
• "首先，讓我們理解給定的條件..."

它們正在自動向自己重述問題。重複已經在幕後發生了。

OpenAI GPT-5 指南揭示了什麼

OpenAI 悄悄發布了一份官方 GPT-5 提示指南。在花了一天時間剖析這本 10,000 多字的內部手冊後，一個結論脫穎而出：GPT-5 不再是一個簡單的聊天機器人 — 它是一個真正的 AI Agent 執行引擎，需要被管理，而不僅僅是被提示。

能力上限極高，但你需要系統的方法來解鎖它。

控制 "Agent 渴望 (Agentic Eagerness)"

GPT-5 就像一個才華橫溢的新實習生 — 極其能幹，會主動思考和研究，但需要管理。有時它會過度思考，將簡單的任務變成登月專案（緩慢且昂貴）。其他時候，你希望它堅持自主，而不是不斷要求澄清。

OpenAI 稱這種校準為 "Agent 渴望"。這是如何調整它的方法：

<context_gathering>
Goal: Get enough context fast. Parallelize discovery and stop as soon as you can act.

Method:
- Start broad, then fan out to focused subqueries.
- In parallel, launch varied queries; read top hits per query.
- Avoid over-searching for context.

Early stop criteria:
- You can name exact content to change.
- Top hits converge (~70%) on one area/path.

Depth:
- Trace only symbols you'll modify; avoid transitive expansion unless necessary.

Loop:
- Batch search → minimal plan → complete task.
- Search again only if validation fails. Prefer acting over more searching.
</context_gathering>

為了更嚴格的控制，給它一個預算：

<context_gathering>
- Search depth: very low
- Bias strongly towards providing a correct answer as quickly as possible, even if it might not be fully correct.
- Usually, this means an absolute maximum of 2 tool calls.
- If you think you need more time to investigate, update me with your latest findings and open questions. You can proceed if I confirm.
</context_gathering>

<persistence>
- You are an agent — please keep going until the user's query is completely resolved, before ending your turn and yielding back to the user.
- Only terminate your turn when you are sure that the problem is solved.
- Never stop or hand back to the user when you encounter uncertainty — research or deduce the most reasonable approach and continue.
- Do not ask the human to confirm or clarify assumptions. Decide what the most reasonable assumption is, proceed with it, and document it for the user's reference after you finish acting.
</persistence>

讓 AI 在行動前匯報

我最喜歡的 GPT-5 功能之一：讓它在做事之前解釋它要通過什麼來做。沒有老闆喜歡一個默默工作零反饋的員工。

<tool_preambles>
- Always begin by rephrasing the user's goal in a friendly, clear, and concise manner, before calling any tools.
- Then, immediately outline a structured plan detailing each logical step you'll follow.
- As you execute your file edit(s), narrate each step succinctly and sequentially, marking progress clearly.
- Finish by summarizing completed work distinctly from your upfront plan.
</tool_preambles>

推理努力參數 (Reasoning Effort Parameter)

GPT-5 有一個 reasoning_effort 參數，就像一個"思考專注度"旋鈕：

• 高 (High)： 用於需要深度思考和探索的複雜任務
• 中 (Medium)： 預設設定，適用於大多數任務
• 低/最小 (Low/Minimal)： 優先考慮速度和低延遲時

這就好比咖啡濃度 — 任務越複雜，你需要的濃度越高。

前端開發"標準答案"

對於開發者，OpenAI 推薦這個技術堆疊以獲得最佳結果 — GPT-5 在這上面訓練得最多，美學輸出也始終如一地好：

• 框架： Next.js (TypeScript), React, HTML
• 樣式/UI： Tailwind CSS, shadcn/ui, Radix Themes
• 圖示： Material Symbols, Heroicons, Lucide
• 動畫： Motion
• 字型： Sans Serif, Inter, Geist, Mona Sans, IBM Plex Sans, Manrope

停止讓 AI 隨機選擇你的技術堆疊。遵循這個標準，輸出品質會立即提升。

Claude 與 ChatGPT — 不同的對話方式

我最重要的認識之一：不同的 AI 模型需要不同的溝通風格。對 Claude 效果極佳的方法在 ChatGPT 上可能只會產生平庸的結果，反之亦然。

實際差異

久經考驗的提示詞模板

理論很有用，但模板節省時間。這裡是我最常使用的提示詞，經過了數千次迭代的改進。

用於寫作任務

Role: 你是一名 [特定類型的作家，例如"擁有 10 年經驗的科技記者"]

Task: 寫一篇關於 [主題] 的 [內容類型]

Audience: [誰會讀這個 — 他們的知識水平、興趣、痛點]

Tone: [具體語氣 — 例如，"對話式但具有權威性，就像向一位聰明的同事解釋一樣"]

Format requirements:
- Length: [字數或範圍]
- Structure: [如果有大綱]
- Must include: [要覆蓋的關鍵點]
- Must avoid: [要排除的內容]

Example of desired style: [如果有，包括 1-2 段類似內容]

Additional context: [任何有幫助的背景資訊]

用於分析任務

我需要你分析 [主題/文件/數據]。

Analysis goals:
1. [要回答的主要問題]
2. [需要的次要見解]
3. [額外考慮]

Please structure your analysis as follows:
- Executive Summary: 3-5 個要點的關鍵發現
- Detailed Analysis: [具體檢查領域]
- Implications: 這對 [相關利益相關者] 意味著什麼
- Recommendations: 可操作的下一步
- Constraints: 特別關注 [優先領域]

Note: 注意分析中的任何限制或不確定性。引用來源材料中的具體例子。

用於解決問題

The Problem:
[詳細描述問題，包括背景和限制]

What I've Already Tried:
[列出之前的嘗試以及為什麼無效]

Success Criteria:
[好的解決方案是什麼樣子的？]

Constraints:
- Budget/Resources: [如果適用]
- Timeline: [如果適用]
- Technical limitations: [如果適用]

Please provide:
1. 你對根本原因的診斷
2. 3-5 個潛在解決方案，按可行性排序
3. 對於最佳解決方案，分步實施計劃
4. 需要注意的潛在陷阱
5. 如何衡量解決方案是否有效

用於學習新主題

我想深入了解 [主題]。

My current level: [你已經知道的]
My goal: [你想能做什麼/理解什麼]
Time I can invest: [學習預算]

Please create a learning path that includes:
1. 我必須首先理解的核心概念（知識樹的"樹幹"）
2. 要避免的常見誤解
3. 思考該主題的最佳思維模型或框架
4. 建立我技能的實踐練習
5. 深入的資源（如果你知道特定的高品質來源）

As we go, please:
- 通過問我問題來檢查我的理解
- 糾正我思維中的任何錯誤
- 循序漸進地構建概念，只有在基礎紮實後才繼續

用於代碼審查

Please review this code:

```
[你的程式碼]
```

Context: [這段程式碼應該做什麼，它在大系統中的位置]

Review for:
1. Bugs or logical errors
2. Security vulnerabilities
3. Performance issues
4. Code style and readability
5. Edge cases that aren't handled

For each issue found, please provide:
- Location (line number or section)
- Severity (critical/major/minor/suggestion)
- Explanation of why it's a problem
- Suggested fix with code example

Also note: 這段程式碼中做得好的地方，應該保留。

用於決策

我正在 [選項 A] 和 [選項 B] 之間做決定。

Context: [決策背景]

My priorities (in order):
1. [最重要的因素]
2. [第二重要的]
3. [第三重要的]

For each option, please analyze:
- 優缺點相對於我的優先級
- 短期與長期影響
- 可能出什麼錯（以及可能性/嚴重性）
- 要使這成為最佳選擇，需要什麼條件成立

Then provide:
- 你的建議及理由
- 什麼額外資訊會改變你的建議
- 我可以用來驗證思考的決策清單

優秀提示詞背後的哲學

經過三年每天與 AI 的互動，我開始相信提示工程其實根本不是關於 AI。它是關於清晰溝通這一古老人類挑戰，只是被提升到了一個新的競技場。

想一想：你對 AI 輸出的每一次挫敗都可以追溯到溝通失敗。你沒有說出你的意思。你假設了不存在的共享語境。在需要精確時你很模糊。這正是困擾人類溝通的相同失敗 — AI 只是讓它們在輸出中立即可見。

在這個意義上，學習提示工程就是學習更清晰地思考。

作為自我反思的提示詞

我注意到，當我對我想要什麼已經很清晰時，我會寫出最好的提示詞。寫詳細提示詞的行為迫使我面對自己思維中的空白。我到底想通過它實現什麼？成功是什麼樣子的？什麼限制真正重要？

通常，我在寫提示詞的中途就解決了自己的問題，在 AI 回應之前。提示詞變成了思考工具 — 一種外化和檢查我自己思想的結構化方式。

協作，而非命令

在我的 AI 之旅早期，我把提示詞當作命令 — 給下屬的指令。這種心態持續產生平庸的結果。

轉變發生在我開始將 AI 視為具有與我不同優勢的合作者時。我帶來領域知識、判斷力、創造力和目標。AI 帶來海量知識、不知疲倦的處理能力、模式識別和跨學科綜合資訊的能力。

偉大的提示詞是合作者之間的簡報，而不是給僕人的命令。它們解釋為什麼，而不僅僅是什麼。它們邀請 AI 的專業知識，而不是不必要地限制它。它們為 AI 貢獻其獨特能力創造了空間。

迭代即對話

提示工程不是關於第一次嘗試就打造完美的提示詞。它是關於進行有效的對話，趨向於你需要的。

第一個提示詞：你想要的粗略草圖。第一個回應：揭示你的草圖哪裡不清楚。第二個提示詞：基於你學到的進行改進。第二個回應：更接近目標。繼續直到完成。

這種迭代方法消除了任何單個提示詞的壓力。你不需要預先預測每個要求。你只需要對反饋循環做出反應。

具體的謙卑

模糊的提示詞感覺很安全。當你說"關於這個話題寫點好的東西"時，你沒有承諾任何特定的願景。如果輸出令人失望，好吧，反正你從未真正說過你想要什麼。

具體的提示詞需要脆弱性。你必須準確表達"好"對你意味著什麼。你必須展示你的標準、你的偏好、你的願景。當輸出未達標時，很明顯要么你的規範有缺陷，要么 AI 無法交付 — 但無論哪種方式，你都學到了一些具體的東西。

具體就是謙卑，因為它意味著願意在你想要什麼的問題上犯錯。

終局

隨著 AI 模型的改進，許多當前的提示工程技巧將變得不必要。未來的模型可能會優雅地處理模糊的輸入，可能會自動詢問澄清性問題，可能會從極少的資訊中直覺感知語境。

但底層技能 — 清晰表達思想的能力、提供相關語境的能力、有效迭代的能力 — 只會變得更有價值。這些是根本的人類技能，無論你是與 AI、同事還是自己溝通，都適用。

提示工程是暫時的。清晰思考是永恆的。