1. 提出具體、明確的要求
提示詞如果模糊，得到的回應品質就會比較低。如果你給AI的提示詞很籠統，可能只會得到同樣籠統、充滿AI味的回答。
不要說：「摘要這份報告。」
試試這樣：「請用三段話寫一份給非技術背景CEO的高階摘要，重點放在商業風險與最重要的財務影響。」
為什麼有效：因為你明確定義了受眾、格式與目標。Claude不需要猜怎麼寫才會得高分。AI不擅長猜測，你的提示詞愈具體，成果就愈好。
2. 指定專業角色
Claude以特定「視角」運作時，表現明顯更好。這個視角本質上就是一種角色設定，只要你指定角色，AI就會立刻改變口氣、提高分析深度。
試試這樣：「你是一位有10年經驗的資深UX研究員。請檢視這個登陸頁（landing page）文案中妨礙認知的要素，並提出3個高影響力的改善建議。」
為什麼有效：因為你啟動了模型訓練數據中特定領域的知識子集，讓它從「通用助手」切換成「專業顧問」。
3. 使用「少量樣本提示」（few-shot prompting）
這是一個很多人還不知道，但非常強大的提示工程技巧。不用描述你想要的風格，直接給範例就好，就像去剪頭髮時直接拿照片給設計師一樣，AI看到例子會更準。
試試這樣：「幫我改寫電子郵件，要精簡、專業。範例：『I am writing to see if you had a chance to look at the file』 → 『Following up on that file—any thoughts?』」
為什麼有效：Claude非常擅長辨認模式，一個範例勝過千言萬語。
4. 強制使用「思考鏈」推理（chain of thought）
處理複雜問題時，最大錯誤是直接要求最終答案。AI不是這樣運作的。
你可以使用思考鏈（CoT）這種提示工程技術，引導大型語言模型按部就班地思考答案。這樣一來我們可以窺見模型背後運作機制的方式，也能提高輸出內容的真實性和準確度。
這種方法不僅能提升模型在處理複雜、邏輯導向任務時的表現，還能揭示其得出結論背後的推理過程。
試試這樣：「在給出最終建議前，先用『便條紙形式』（scratchpad）逐步分析優缺點。」
為什麼有效：這會逼模型線性思考，大幅降低幻覺與判斷錯誤，也能避免空泛的 AI陳腔濫調。
5. 指定輸出格式
如果你沒有鎖定格式，通常只會得到一大段難以使用的文字。
試試這樣：
「請用Markdown表格呈現分析結果：
A欄：潛在風險
B欄：嚴重程度（1-10）
C欄：對應策略」
為什麼有效：這樣可以把原始資料轉換成可直接使用的成果。
6. 多次對話，不要問一次就結束
AI第一次的回應只是起點，真正有價值的部分通常在後續回答裡。
試試這樣：「結果不錯，但語氣太正式。請改成像Slack傳訊給同事的風格，把字數減少30%。」
為什麼有效：不要把聊天機器人當成搜尋引擎，多一點「對話」，你會得到更精準、更清晰的結果。
（資料來源：Tom’s Guide、LinkedIn、biztech）
聚焦產業新知、管理心法，企業轉型再成長的必備讀物
聚焦產業新知、管理心法，企業轉型再成長的必備讀物
請查看您的信箱，我們將寄送驗證信給您，確保未來信件會送到您的信箱
