提示詞工程攻略：結構化 Prompt 與對話設計

每次讓 ChatGPT、Claude、Gemini 回答同一個問題，結果總是長得不一樣——同樣是「幫我寫一封客戶道歉信」，第一次產出 200 字、第二次 800 字，語氣從正式到口語隨機切換，甚至漏掉你指定的重點。這不是模型「不聰明」，而是 Prompt 本身缺乏結構。本文從結構化 Prompt 的六大模塊出發，再到多輪對話流程設計，教你把 LLM 輸出從「隨緣」變成「可控」。

一、為什麼 LLM 輸出總是不穩定

LLM 的本質是「根據上文預測下一個 token 的機率分佈」。當 Prompt 只給一句模糊指令時，模型會在巨大的可能性空間裡自由取樣，這就是不穩定的根源。常見成因有三個：

1. 角色不明：沒有告訴模型「你是誰」，它會在不同專家人格間漂移，今天是行銷顧問、明天變詩人。
2. 輸出格式未定義：模型不知道要回 JSON、清單、Markdown 還是純文字，自然每次隨緣。
3. 成功標準缺失：沒有給「好答案」的判斷依據，模型只能用平均水準填空。

解法不是「更會聊天」，而是把 Prompt 當成一份工程規格書來寫——這就是結構化 Prompt。

二、結構化 Prompt：六大核心模塊

一個高穩定性的 Prompt 通常包含六個區塊（LangGPT、OpenAI 官方指南、阿里雲 Model Studio 文生文指南都採用類似框架）：

• Role（角色）：明確身份與專業領域，例如「你是一位 10 年經驗的港股分析師，擅長技術面與基本面結合」。
• Background（背景）：交代任務緣由、使用場景、目標讀者。
• Task（任務）：用動詞開頭的具體指令，避免「幫我做點東西」這類模糊描述。
• Constraints（限制）：列出硬性規則，例如「字數 300 字內、不可使用 emoji、必須包含數據」。
• Output Format（輸出格式）：指定結構，例如「先給結論、再列三點理由、最後附風險提示」。
• Examples（示例）：提供 1-2 個輸入輸出對，少量樣本（few-shot）能顯著拉高格式遵循率。

實測顯示，加入明確的格式說明與示例，可讓結構化輸出的遵循率從 60% 左右提升到 90% 以上（阿里雲、OpenAI 官方指南的多項實測都觀察到類似幅度）。

三、對話流程設計：把單輪 Prompt 變成系統

真實應用很少只問一輪。客服機器人、研究助理、AI Agent 都需要多輪對話，這時光靠「寫得好的單輪 Prompt」不夠，還需要設計對話流程（Dialogue Flow）。三個核心機制：

1. 意圖路由（Intent Routing）：先用 LLM 或分類器判斷用戶問題屬於哪條分支（查訂單、技術問題、退款請求），再送進對應的 Prompt 模板。OpenAI 在官方指南中推薦「使用意圖分類來識別與用戶查詢最相關的指令」，能有效避免「一個 Prompt 走天下」的混亂。
2. 上下文管理（Context Management）：長對話會把對話歷史塞滿 token，需要定期摘要、過濾或滑動視窗。例如每 10 輪總結一次前文重點，壓成 200 字內的「對話記憶」再帶入下一輪；對長文檔則用 RAG（檢索增強生成）只取相關段落。
3. 狀態機與工具呼叫：當對話涉及多步任務（先查庫存、再生成報價、最後下單），要把流程拆成節點——每個節點是一個結構化 Prompt，節點之間透過變量（用戶 ID、訂單編號、查詢結果）傳遞狀態。Function Calling / Tool Use 就是把這種流程工程化的標準介面。

四、進階技巧：Few-shot、CoT 與 JSON 強制輸出

• Few-shot（少樣本提示）：在 Prompt 中放 2-3 個輸入輸出範例，比純指令遵循率平均提升 20-30%。範例要涵蓋「正常情況」與「邊界情況」，例如分類任務中既要給標準案例，也要給模糊案例。
• Chain-of-Thought（思維鏈）：要求模型「先一步步推理，最後再給結論」，對數學、邏輯、多步規劃任務特別有效。變體包括 ReAct（推理 + 行動交錯）、Self-Ask（讓模型自己追問子問題）。
• JSON / Schema 強制輸出：透過 response_format: { type: "json_schema" }（OpenAI）、Structured Output（Google Gemini）或正則校驗，把輸出鎖死在結構化格式。這一步是從「可控」走向「可串接 API」的關鍵——下游程式不用再寫一堆 if-else 解析自由文字。

五、常見陷阱與排查清單

即使按上述框架寫，仍可能踩坑。以下是 5 個最常見的失敗模式與對應排查動作：

1. 指令衝突：同時要求「簡潔」與「詳細說明」——刪除其一，或拆成兩個層級（如「總結一句話，再分點展開」）。
2. 示例污染：示例本身有錯，模型會學到錯誤模式。示例要經過驗證，並明確標註「這是正確輸出」。
3. Token 溢出：把整本 PDF 塞進 Prompt，導致遺忘或截斷。用 RAG 只取相關段落，並設定最大上下文長度。
4. 溫度（temperature）誤用：創意任務用 0.7-1.0，數據抽取、分類任務用 0。溫度不是越高越聰明，而是越高越隨機。
5. 缺少評測：寫完 Prompt 就上線，沒有 A/B 測試。建立 20-30 條測試集（含正常、邊界、對抗樣本），每次改 Prompt 都跑一遍並記錄遵循率。

六、實戰模板：可直接複製的結構化 Prompt

把上面的知識濃縮成一個通用模板，直接套用：

# Role
你是一位 [具體身份]，擅長 [專業領域]，目標讀者是 [受眾]。

# Background
[為什麼要做這件事、用在哪個場景]

# Task
請根據用戶輸入，完成 [具體動作]。

# Constraints
- 字數限制
- 必須包含 / 必須排除的內容
- 語氣與風格要求

# Output Format
[Markdown / JSON / 清單 / 表格]

# Examples
輸入：...
輸出：...

把這份模板保存下來，每次寫新 Prompt 時填空——這本身就是「對話流程設計」的第一步：把隱性經驗變成可複用資產。當 Prompt 有了結構、對話有了流程，LLM 才會從「偶爾驚豔的玩具」變成「每天能交付的生產工具」。