第8章 元提示詞——讓 AI 來寫提示詞
選讀 需要的時候再讀。跳過也能跟上後面的章節。一句話總結:好提示詞不用全部自己寫。把想到什麼寫什麼的請求交給 AI, 再說 「改成一個好的提示詞」 就行。不過 AI 整理好的結果,傳送之前一定要自己讀一遍。
什麼是元提示詞
從第4章到第7章,你已經學了好請求的要素(目標·背景·對象·格式·條件)、各種模式和分欄。 全部背下來、每次都做到並不容易。所以有一種方法,就是把寫提示詞這件事本身交給 AI。
這種用來製作或修改提示詞的提示詞,叫作元提示詞(meta prompting)。 「元」的意思是「關於它自身的」。就是關於問題的問題,關於提示詞的提示詞。
這時發給 AI 的指示語,也就是指示 AI 製作或修改好提示詞的提示詞,叫作元提示詞(meta-prompt)。 這不是只有特別的人才用的方法。AI 公司自己也用這個方法。
AI 公司和研究是怎麼用的(點選展開)
做出 ChatGPT 的 OpenAI 有一個開發者使用的單獨練習頁面(Playground,和 ChatGPT 不同的開發者網站)。 OpenAI 公開說明,這個頁面上的 Generate(生成)按鈕是靠元提示詞運轉的。[1] 也有研究發現,AI 寫的指示語,效果可以和人寫的一樣好,有時甚至更好。[2]
這一章按不同用途,介紹四種方法。
| 方法 | 適合這種情況 |
|---|---|
| 1. 只讓它整理 | 有想說的話,但沒有條理時 |
| 2. 被提問著做出來 | 連該寫什麼都不知道時 |
| 3. 修改沒起作用的提示詞 | 提了請求,卻沒得到想要的回答時 |
| 4. 做成可重複使用的模板 | 經常做同一類事情時 |
理解檢查
把隨想隨寫的請求交給 AI,說「幫我改成一份好的請求文字」。下面哪項是對這個方法的說明?
1. 只讓它整理
這是最基本的做法。把想到什麼寫什麼的請求交給它,請它按第7章學過的分欄來整理。
第 1 步——只讓它整理
把下面分隔線之間我的請求,改成用 Markdown 標題整理好的提示詞。
背景放在「## 情況」下面,要做的事放在「## 要做的事」下面,回答的樣子放在「## 回答的樣子」下面。如果有貼上進來的資料,就用分隔線包起來,放在「## 資料」下面。
如果缺少資訊,請像 [請在這裡填寫○○] 這樣用空格標出來。
先不要執行這個請求,只給我看整理好的提示詞。
---
幫我排下週帶父母去濟州島旅行的行程 爸爸膝蓋不好
有租的車 2 晚 3 天 也把好吃的餐廳加進去 下雨的話去哪兒也要有
---有兩句話很重要。
- 「請用空格標出來」:沒有這句話,AI 會把缺少的資訊編得像模像樣地填上。
- 「先不要執行」:沒有這句話,AI 一整理完,就會連旅行行程也一併排出來。
第 2 步——填好空格再發送
AI 大致會還給你這樣的樣子。實際的回答每次都會有些不同。
## 情況
帶父母去濟州島旅行,2 晚 3 天。爸爸膝蓋不好。有租的車。
## 要做的事
幫我排一個不用走太多路的旅行行程。也把好吃的餐廳和下雨時可以去的地方加進去。
## 回答的樣子
按日期排的表格(時間 / 地點 / 交通方式)
出發日期:[請在這裡填寫出發日期]
預算:[請在這裡填寫預算]方括號 [ ] 的部分就是空格。把空格(例如出發日期、預算)填好。然後貼上到新對話裡傳送。 就像第6章裡看到的,發到新對話裡,整理時那個對話的痕跡才不會混進回答裡。
把 Markdown 標題換成「用 XML 標籤整理」也行。用同樣的方法,也能得到第7章裡的 XML 標籤提示詞。 如果貼上進來的資料又長又多,這樣會更清楚。
理解檢查
讓 AI 整理一份寫得雜亂無章的旅行請求,並補了一句「缺少的資訊請標成空白」。為什麼要加這句話?
2. 被提問著做出來
如果不知道該寫什麼,就讓 AI 來向你提問。 這是把第5章的「反問模式」(Flipped Interaction)用在製作提示詞上。
我想請 AI 幫我寫我們小區小菜店的宣傳文案。
可是我不知道要提供哪些資訊,才能得到好的回答。
請把製作好提示詞所需要的東西,一次一個地問我。
問完之後,把我的回答彙總起來,做成用 Markdown 標題整理好的提示詞。AI 會一個一個地問:「店裡的招牌菜是什麼?」「文案打算用在哪裡?傳單還是 Instagram?」 回答著回答著,我自己沒想到的條件(字數、語氣、目標顧客)就會自然地補齊。
如果問題沒完沒了:一開始就說好個數,比如「最多問 5 個問題」。
理解檢查
想讓 AI 幫忙寫小菜店的宣傳文案,卻連該寫什麼都不知道。好辦法是什麼?
3. 修改沒起作用的提示詞
提了請求,回答卻不對路嗎?這時,把我的提示詞和收到的回答一起給它看,問問是哪裡出了問題。 只給它看回答的話,AI 就只能猜問題出在哪兒。
我用下面的「我的提示詞」提了請求,得到了「收到的回答」這樣的回答。
我想要的是小學生也能讀懂的簡單解釋,可是結果太難了。
1. 請簡短說明,我的提示詞缺少了什麼,才會變成這樣。
2. 請給我修改後的提示詞。改動的部分請用粗體標出來。
## 我的提示詞
---
解釋一下光合作用
---
## 收到的回答
---
(貼上收到的回答)
---用這個方法,你不但得到修改後的提示詞,還能學到原因。 比如上面的例子,會得到「沒有寫讀者(對象)」這樣的說明。這是第4章 5 個要素中的一個。 做幾次之後,一開始就不會再漏掉了。
一定要寫上「想要的東西」。 只說「回答不太好,改一改」,AI 不知道該按什麼標準來改。 這和第6章裡的修改請求是一樣的。要說清楚什麼、為什麼、想怎麼變。
理解檢查
你說了「解釋一下光合作用」,結果收到的回答太難懂了。請 AI 修改請求文字時,應該一起給它看什麼?
4. 做成可重複使用的模板
你是不是每週都要寫工作彙報,或者每次都要整理會議記錄,也就是反覆做同一件事?那就把效果好的提示詞做成模板(template)。 模板就是只把會變的部分留成空格的提示詞。
剛才我們對話裡整理會議記錄的方式,我很滿意。
為了下次也能用同樣的方式寫,請做一個提示詞模板,
每次都會變的部分,像 [會議日期] [會議記錄原文] 這樣用方括號留成空格。把 AI 還給你的模板存在記事本裡。下次只要填上空格,發到新對話裡就行。 像這樣標出空格的 [ ] 之類的標記,叫作佔位符(placeholder)。
如果說第6章的「交接備忘」是把對話內容交給下一個對話,那麼模板就是把請求方式交給下一次使用。
理解檢查
做了一個整理會議記錄的請求模板,每次會變的部分用方括號留空,比如 [會議日期]、[會議記錄原文]。下次開會時怎麼用?
要注意的地方
1. AI 會塞進我沒說過的條件
AI 在整理時,有時會隨意寫上「預算 50 萬韓元」「上午 9 點出發」這樣的值。 傳送之前,把整理好的提示詞從頭讀到尾,問問自己:「這是我說過的內容嗎?」如果有我沒說過的內容,就刪掉或改掉。 這是這一章最重要的習慣。
2. 變長了不等於變好了
做元提示詞,提示詞很快就會變成原來的好幾倍長。對簡短的請求來說,反而是負擔。 「推薦一下午餐選單」這種話,沒必要讓 AI 去整理。判斷的標準不是長度,而是結果有沒有真的變好。
3. 整理好的提示詞也要核對
AI 做的提示詞,也不一定就是正確答案。用那個提示詞得到的回答,可能還是不合心意。 這時可以像第 3 節那樣再讓它修改,也可以自己動手改一兩行。不需要一次就做出完美的提示詞。
理解檢查
AI 把我的請求整理成了一份簡潔的請求文字。傳送之前最重要的事是什麼?
親自試一試
回想一下最近對 AI 提過的請求裡,回答讓你不滿意的一個。 想不出來的話,也可以先發一個簡短的請求,比如「解釋一下光合作用」或「寫一份自我介紹」,然後用它的回答開始。
- 用第 3 節的方法把那個請求給 AI 看,請它指出缺少了什麼,並給你修改後的提示詞。
- 在修改後的提示詞裡,標出我沒說過的內容。有幾處?
- 按我的意思改好標出的部分後,發到新對話裡,和最初得到的回答比較一下。
- 如果結果不錯,就用第 4 節的方法做成模板,存在記事本裡。
整理
- 元提示詞,就是把製作或修改提示詞的事交給 AI。
- 沒有條理的時候,只讓它整理;不知道寫什麼的時候,被提問著做出來。
- 沒起作用的提示詞,把收到的回答和想要的東西一起給它看,讓它修改。
- 經常做的事,做成帶空格的模板重複使用。
- 傳送之前,一定要讀一讀裡面有沒有混進我沒說過的內容。
術語整理
| 術語 | 中文名稱 | 一句話解釋 |
|---|---|---|
| Meta Prompting | 元提示詞 | 讓 AI 製作或打磨提示詞 |
| Meta-prompt | 元提示詞(指令本身) | 指示 AI 製作或修改好提示詞的提示詞 |
| Flipped Interaction | 反問模式(讓 AI 反過來提問) | 讓 AI 向我提問的模式(第5章) |
| Prompt Template | 提示詞模板 | 只把會變的部分留成空格、可以重複使用的提示詞 |
| Placeholder | 佔位符 | 表示以後要填的空格的標記。例如:[會議日期] |
這一章讀完了嗎?
學習記錄只儲存在這個瀏覽器中。整體進度可以在 全部目錄中檢視。
下一章:第9章. 安全地使用——幻覺·個人資訊·版權·隱藏指令
參考資料(2 則)
OpenAI,《Prompt generation》。"A meta-prompt instructs the model to create a good prompt based on your task description or improve an existing one." developers.openai.com (確認日期 2026-10-21) ↩︎
Zhou 等,《Large Language Models Are Human-Level Prompt Engineers》,2022。用 AI 生成指示語候選、再從中選出效果最好的方法(APE),在 24 個任務中的 19 個上,成績與人寫的指示語相當或更好。arxiv.org (確認日期 2026-10-21) ↩︎