【AI 提問教學】好提問的黃金公式：R-S-T 框架完整指南（角色 / 情境 / 任務）

為什麼 AI 提問需要框架？

許多人在第一次使用 ChatGPT 或其他 AI 工具時，常常會有一個共同的疑問：「為什麼它給的答案總是不準、甚至答非所問？」其實問題並不在於 AI 不夠聰明，而是我們的提問方式過於模糊。AI 的運作就像一面鏡子，它會依照你輸入的訊息進行生成；如果你只下達一個籠統的指令，例如「幫我寫一份履歷」，AI 也只能依照最普遍的模式輸出，結果往往和你的需求差距甚大。

想像一下，當你請朋友幫忙時，如果只說「幫我寫點東西」，對方一定無法知道該從哪裡著手；但若你能清楚說明「以科技公司 HR 的角度，幫我改寫一份申請 AI 實習的履歷摘要」，對方的回應就會更精準。同樣的道理也適用於 AI 對話。

因此，要讓 AI 成為真正的生產力助力，關鍵在於 結構化提問。透過「R-S-T 框架」（角色 Role、情境 Scenario、任務 Task），我們可以把需求拆解得更明確，讓 AI 進入正確的角色、理解背景，再根據具體任務提供貼近需求的回答。這不只是「問問題」的技巧，更是從新手邁向高手的第一步。

什麼是 R-S-T 框架？

如果把 AI 想像成一位助理，那麼要讓它發揮最大效用，就必須先告訴它「你希望它扮演誰」、「它處於什麼情境」、以及「你要它完成什麼任務」。這正是 R-S-T 框架的核心精神：

• R（Role 角色）：設定 AI 的身份或角度，幫助它用正確的思維來回應。例如，你希望它是「10 年經驗的軟體工程師」、還是「專精於市場行銷的顧問」？不同角色會大幅影響答案的深度與語氣。
• S（Scenario 情境）：提供背景資訊，讓 AI 知道你當下的需求是什麼。情境越具體，AI 越能理解你想要的方向。像是「正在準備一場求職面試」或「需要為咖啡廳規劃社群貼文」。
• T（Task 任務）：定義要 AI 完成的具體工作。任務必須清楚、可執行，最好還能有量化的要求，例如「請幫我寫出 200 字的履歷摘要」或「請列出五個能提升轉換率的文案」。

這三個元素缺一不可。許多人之所以覺得 AI 回答空泛，通常是因為少了「角色」或「情境」，導致 AI 只能給出模糊的標準答案。R-S-T 框架的價值就在於 讓問題結構化，幫助你把「腦中模糊的需求」轉化成「AI 能精準理解的任務」。

簡單來說，R-S-T 就像是提問的導航系統。只要你能清楚告訴 AI「你要它扮演誰（R）、在哪個場景工作（S）、要做什麼事（T）」，就能大幅提升回覆的準確度與實用性。

逐層拆解：如何使用 R、S、T

學會 R-S-T 框架後，很多人會問：「我真的需要三個元素都用上嗎？」答案是，取決於你的需求精確度。以下分成單層、雙層與三層，逐步展示差異。

單層使用：效果有限

最基礎的做法是只使用其中一個元素。例如你對 AI 下達：「你是面試官。」這樣的指令雖然能稍微引導 AI 的角度，但因為缺少情境和任務，AI 仍然不知道該怎麼幫你，可能只會泛泛地描述「面試官會看哪些重點」。

雙層組合：開始聚焦

再進一步，你可以組合兩個元素，例如「你是一位 HR，請幫我修改履歷。」這樣 AI 至少知道自己是 HR（角色），任務是修改履歷（任務）。比起單層，答案會更貼近實用，但因為沒有交代情境，AI 不知道你要投遞的職位或產業，建議往往仍顯得過於通用。

三層完整：避免模糊

最理想的方式是將 R、S、T 三個元素都明確交代。例如：

• R（角色）：你是一位科技公司 HR
• S（情境）：正在審閱一份申請 AI 實習職缺的履歷
• T（任務）：請幫我改寫 200 字的履歷摘要，突出專案經驗

這樣的提問能夠清楚鎖定 AI 的身份、背景與任務，輸出的內容自然會更符合需求。

示範對比：普通提問 vs R-S-T 提問

• 普通提問：「幫我寫一份履歷。」
  • 可能的 AI 回答：一份制式化的履歷範本，缺乏針對性。
• R-S-T 提問：「你是一位科技公司 HR（R），針對 AI 實習職缺（S），請幫我改寫一份 200 字履歷摘要，強調專案經驗（T）。」
  • 可能的 AI 回答：精準聚焦於 AI 領域實習的需求，強調相關技能、專案成果，甚至提供更貼近企業需求的表達方式。

透過這樣的逐層拆解，可以發現 R-S-T 就像是一個放大鏡，能幫助 AI 聚焦在真正重要的部分。單層提問容易模糊，雙層提問能初步聚焦，但只有三層完整結合，才能讓 AI 輸出既有方向性，又能直接應用的答案。

不同領域的應用實例

R-S-T 框架最大的優勢在於「通用性」。無論你是學生、職場人士，還是創作者，都能用這個公式快速打造出清晰的提問。以下四個常見場景，能幫助你馬上理解如何套用。

學習領域

• R（角色）：你是一位大學數學老師
• S（情境）：正在幫學生準備期末考複習
• T（任務）：請出三題涵蓋微積分的練習題，並附上解答
  這樣的提問比「幫我出題」更具體，因為 AI 已被設定成「老師」，同時了解你要的範圍（期末考、微積分），最後任務明確（要三題＋解答）。

職場領域

• R（角色）：你是一位專案經理
• S（情境）：明天即將召開 sprint 規劃會議
• T（任務）：請幫我列出一份 5 項重點的會議 agenda
  如果只問「幫我寫會議重點」，AI 可能給出雜亂無章的內容；但加入角色與情境後，答案會更符合敏捷開發的需求，例如任務分工、進度檢視、風險評估等。

生活應用

• R（角色）：你是一位專業健身教練
• S（情境）：有一位學生希望在三個月內增肌
• T（任務）：請設計一週的飲食與重量訓練計畫
  這樣的問題能讓 AI 給出的建議更貼近個人化需求，而不是單純複製網路上的健身菜單。

內容創作

• R（角色）：你是一位資深文案企劃
• S（情境）：客戶是一家新開幕的咖啡廳，要在 IG 宣傳
• T（任務）：請生成五種不同風格的貼文文案（如溫馨、幽默、專業）
  這能讓 AI 的回覆不只是單一文案，而是帶有變化、可以直接拿去測試的行銷素材。

從以上例子可以看出，R-S-T 框架能快速把模糊的「想法」轉換成 AI 可執行的「任務」。讀者在學習後不妨先挑選自己最常遇到的場景，嘗試寫出一個 R-S-T 提問，就能立刻感受到 AI 輸出品質的差異。

如何讓 R-S-T 提問更有效？

雖然 R-S-T 框架已經能幫助我們大幅提升提問品質，但若想要讓 AI 回覆更精準、更符合實際需求，還可以透過三個優化技巧進一步加強。

角色具體化

很多人提問時，習慣只用「專家」這樣的籠統描述。但不同領域的專家差異極大，這樣的設定往往無法真正鎖定需求。更好的做法是具體化，例如「10 年經驗的 Python 工程師」或「曾在矽谷創業的行銷顧問」。角色越明確，AI 越能以符合專業角度的方式回應。

情境細緻化

單純說「幫我寫履歷」或「幫我準備會議」通常太模糊。若能補充背景資訊，例如「針對應徵 AI 研究實習職缺」或「明天要與跨國團隊開會」，AI 就能掌握正確的脈絡，輸出的內容也會更實用。

任務可量化

任務描述愈具體，AI 的輸出就愈容易達到可用標準。與其說「給我一些建議」，不如明確設定限制，例如「請列出五個建議」、「請用表格呈現」、「控制在 200 字以內」。量化不僅能提高可操作性，也方便你直接拿結果使用。

加碼技巧：指定語言風格與輸出格式

除了角色、情境和任務，還可以額外補充「語氣」與「格式」需求。例如「請用輕鬆幽默的語氣撰寫」或「請輸出為 Markdown 表格」，讓結果更貼近實際應用場景。

總結來說，R-S-T 框架就像是一個骨架，而這些優化技巧則是讓骨架長出肌肉的關鍵。當你能同時掌握角色的具體化、情境的細緻化與任務的量化，AI 就能成為真正可靠的合作夥伴。

常見錯誤與快速修正

在實際操作中，許多新手常犯的錯誤就是「只丟出一個模糊的需求」。最典型的例子是：「幫我寫一份履歷。」這樣的提問雖然簡單，但對 AI 來說過於寬泛，無法知道要針對哪個產業、哪種職位、甚至需要什麼格式，因此輸出的結果往往是制式化、缺乏針對性的履歷範本。

如果套用 R-S-T 框架，問題馬上會變得清晰許多。修正後的版本可以是：「你是一位科技公司 HR（R），針對 AI 實習生職缺（S），請幫我寫一份 200 字履歷摘要（T）。」在這個版本中，AI 不僅知道自己要以 HR 的視角來審核履歷，也理解了應徵的情境，最後還有明確的長度與重點要求，輸出的內容自然更貼近真實需求。

事實上，大部分的提問失敗，都是因為缺少「角色」或「情境」，導致任務變成空洞的指令。只要能養成習慣，先補足這兩個要素，再加上明確的任務描述，就能避免大多數的提問雷區。R-S-T 框架的價值，正是在於幫助我們把模糊需求轉換成可執行的任務。

結語：R-S-T 是新手最快上手的提問力

AI 的回答品質，從來都不是隨機的，而是取決於你怎麼發問。好問題 = 好答案，這句話在 AI 時代尤其真實。R-S-T 框架（角色 Role、情境 Scenario、任務 Task）提供了一個最簡單卻強大的結構化思考方式，幫助新手把模糊的想法轉化為明確的指令。

無論是寫履歷、準備會議、還是規劃生活，透過角色定位、情境設定與任務定義，你都能讓 AI 的輸出更精準、更可用。下次和 AI 對話時，不妨先在腦中快速過一遍：「我希望它扮演誰？這件事的背景是什麼？我要它完成什麼具體任務？」只要習慣這樣提問，你就會發現 AI 能真正成為你高效的合作夥伴。