【AI工具地圖】還在用 2024 年的 Prompt 寫法?Claude 工程主管分享 3 個進階技巧

AI 回答很專業,卻沒有真正解決問題?從高度、深度、廣度重新設計提示詞,附月報、問卷、新手指南及通用 Prompt,可直接複製使用。

Share
【AI工具地圖】還在用 2024 年的 Prompt 寫法?Claude 工程主管分享 3 個進階技巧
【AI工具地圖】還在用 2024 年的 Prompt 寫法?Claude 工程主管分享 3 個進階技巧

你可能也試過:「你是一位資深分析師,請幫我分析...。」AI 的語氣變得專業,卻不代表它真的用了分析師的工作方法。問題未必在於角色設定,而是我們沒有說清楚要達成什麼成果、用哪些方法,又該如何驗證。角色提示詞並不是完全無效,改寫文案、調整語氣時仍可能有用;但如果要處理較複雜的工作,只有角色身分就不夠了。真正重要的是 AI 有沒有依據資料行動、完成原本交辦的工作,以及留下能夠檢查的結果。

Anthropic 工程經理 Felix Rieseberg 在 2026 年 10 月的文章〈How to be more ambitious〉提出速度、高度、深度、廣度四個方向,其中後三項特別值得用來改善 Prompt。以下用三個自行設計的工作案例,整理成可直接套用的寫法。

Anthropic 工程經理 Felix Rieseberg 在 2026 年 10 月的文章〈How to be more ambitious〉提出速度、高度、深度、廣度四個方向

01|高度:修好這次,也預防下一次

高度是把目光從眼前的單一動作,拉到真正想要的長期成果。但要注意:提高目標,不代表把原本交辦的工作換掉。必須先完成這次的任務,再延伸到根本原因與預防機制。

例如月報數字出錯,一般只會請 AI 修改報表;更高一層的目標,是「修正本月報表後,降低下個月再次算錯的機率」。原始交付物仍是正確的月報。你可以要求它先列出錯誤欄位、原始數據、計算方式和修正結果,再比較這次與上次的報表,找出是公式引用錯誤,還是資料更新時間不一致。這樣一來,修正報表不會被「做一套新制度」取代,反而有清楚的完成順序。

一般 Prompt
幫我找出月報數字錯誤,並修正。
改良 Prompt|可直接複製
我會提供本月報表、原始資料與計算規則。請先完成原始任務:找出錯誤數字,逐項核對來源,提供修正版及修改紀錄,不要覆蓋原檔。完成後,再追查錯誤是否來自公式、日期區間、重複計算或欄位對應,分開標示已證實原因和待查事項。最後提出下個月可使用的檢核清單與測試案例。若資料不足,說明還缺什麼;不要宣稱已完成未執行的檢查。

關鍵不只是把目標寫得更大,還要提供原始數據、計算規則與必要的工具權限。沒有資料,AI 最多只能提出排查方向,無法確認問題真的已修好。實際操作時,也可以要求它將輸出拆成三份:第一份是「本次已修正事項」,方便你確認交付內容;第二份是「可能的根本原因」,標示每項判斷來自哪份資料;第三份才是「下次避免重複發生的檢查步驟」。若 AI 只能給出建議、無法操作檔案,就應明確說明限制,由你決定後續是否採用。

高度是把目光從眼前的單一動作,拉到真正想要的長期成果

02|深度:讓 AI 使用專業方法,而不只是扮演專家

以前我們可能會寫:「你是一位資深 UX 研究員,幫我檢查問卷。」

但這樣的提示詞,可能只是讓 AI 用更專業的語氣回答,並不代表它真的採用了研究人員的工作方法。

這也是 Felix 提到的「深度(Depth)」:不要只指定 AI 的專業身分,而是讓它使用該領域真正的方法、工具與驗證流程。

不過,這裡有一個問題:如果我本來就不懂問卷研究,怎麼知道研究員會使用哪些方法?

其實不需要先把這些方法全部學會。我們可以讓 AI 先協助探索專業方法,再判斷哪些適合目前的任務。

例如今天想檢查一份使用者問卷,可以這樣寫:

一般 Prompt
你是一位資深 UX 研究員,請幫我檢查這份問卷是否專業。

改良 Prompt|可直接複製

我想檢查一份使用者問卷,但我對專業問卷研究的方法不熟悉。
請先幫我了解:
專業研究人員通常會用哪些方法檢查問卷品質?請找出最適合這項任務的 3~5 種方法。
用容易理解的方式說明每種方法的用途、操作方式,以及適用限制。
如果可以搜尋網路,請提供可靠的研究資料或專業指引,讓我確認這些方法的依據。
接著使用適合的方法,逐題檢查我的問卷,提出修改建議並說明理由。
最後告訴我哪些問題已經能從問卷判斷,哪些還需要透過實際前測或受訪者回饋來驗證。
我的研究目標:[填入目標]
目標受訪者:[填入對象]
問卷內容:[貼上問卷]

這樣做的差異是,AI 不只會給你一份修改結果,還會先告訴你專業人士如何處理這類問題,以及為什麼使用這些方法。

假設它指出某題有「誘導性提問」的問題,你就可以進一步理解什麼是誘導性提問、為什麼會影響研究結果,以及該如何修改。

當然,AI 找到的方法仍可能不完整或不適用,因此需要核對資料來源,並透過真實測試確認結果。你不需要先成為專家,才能使用專業方法;但至少要知道 AI 採用了什麼方法,以及如何判斷它是否可靠。

只單單給AI擬定角色,是完全不夠的,深度沒有出來,產出的內容會不夠好

03|廣度:借用其他領域的解決方式

廣度不是讓 AI 同時扮演很多職業,而是從其他領域找出能實際使用的方法。原文提到一個技巧:把任務的「名詞」改寫成「想完成的動作」,就比較容易跳出既有形式。

例如「做一本新手指南」是交付物;「讓第一次使用的人能自行完成設定」才是想達成的動作。為了做到這件事,可以借用遊戲的新手教學、公共空間的指標導引,或無障礙設計的清楚提示方式。但指南還是要寫,不能因為改用「完成設定」當目標,就直接略過原本的文件。這和高度一樣,是讓 AI 多理解任務目的,而不是自行換一個交付物。

一般 Prompt
幫我寫一份產品新手操作指南。
改良 Prompt|可直接複製
請先依我提供的產品設定流程、畫面與常見問題,完成一份新手操作指南。目標是讓第一次使用的人,能在不詢問客服的情況下完成初次設定。請進一步借用三種具體方法:遊戲新手教學的循序引導、公共空間導引的路徑提示,以及無障礙設計的易懂文案與錯誤回饋。逐項說明這些方法能改善哪個使用者卡點,再整合成指南架構與各步驟文案。最後提出三個可實際測試的操作任務。

跨領域方法不一定全都適合。例如遊戲化獎勵未必適合正式的金融服務,但循序揭露資訊、提供即時回饋,可能就很實用。假設新手要完成帳號設定,遊戲教學能啟發「一次只介紹目前需要的操作」;空間導引能啟發「讓使用者知道現在在哪一步、下一步往哪裡走」;無障礙設計則提醒我們,不要只用顏色表達錯誤,訊息也要清楚說明如何修正。把這些方法變成具體畫面和文案,才是跨領域思考的價值。重點是取用方法,而不是模仿不同專家的語氣。

提供給AI多種工具的使用內容,讓廣度變多

一段通用 Prompt,先檢查你的任務,讓 AI 幫你升級工作方法

看完高度、深度、廣度三種寫法,你可能會想:如果我不知道哪種方法適合自己的工作,甚至不清楚這個領域有哪些專業方法,該怎麼辦?

其實不需要先具備專業背景,可以先讓 AI 根據你的任務,探索適合的方法,再協助你執行。

這段通用 Prompt 會讓 AI 從三個方向分析你的需求:

  • 高度: 除了完成原本的任務,還能如何改善長期成果?
  • 深度: 這個領域的專業人士會使用哪些方法?哪些適合目前的問題?
  • 廣度: 其他領域有哪些值得借用的解決方式?

可複製 Prompt:

我目前想完成一項工作:
任務: [描述你想完成的事]
預期交付物: [例如報表、企劃書、問卷、網站]
目前擁有的資料: [列出檔案、背景資訊或可使用的工具]
請先理解我的原始需求,不要自行更換或省略原本要完成的工作。
接著,從以下三個方向幫我改善執行方式:
1. 高度|從眼前任務延伸到長期成果
除了完成原本交辦的工作,還能進一步改善什麼問題?
請先保留原始交付物,再提出可以延伸的目標、執行步驟,以及如何驗證成果。
2. 深度|探索並使用專業方法
我可能不熟悉這個領域的專業知識。
請先找出這個領域有經驗的專業人士,通常會使用哪些方法、工具或檢查流程。
挑選最適合目前任務的 3~5 種方法,用容易理解的方式說明用途、操作方式與限制。
若能查詢外部資料,請提供可靠的參考來源;無法查證的內容請明確標示。
接著說明如何將這些方法實際應用到我的任務中。
3. 廣度|借用其他領域的方法
除了這個領域的既有做法,其他產業或專業領域是否有值得參考的解決方式?
請提出 2~3 種跨領域方法,說明它們如何改善目前的工作,以及哪些部分不適合直接套用。
最後,請幫我整理:
三個方向各自適合的改良方案。
每個方案需要的資料、工具及執行步驟。
哪些部分可以直接執行,哪些需要進一步驗證。
根據目前的需求與資源,推薦最適合優先採用的方式。
確認方案後,請協助我完成原本的任務,不要只停留在提出建議。

這段 Prompt 的用途,是先協助你找到更適合的工作方式。

例如你想製作一份行銷企劃,AI 可能會從高度建議加入後續成效追蹤;從深度找出常用的市場研究與成效評估方法;從廣度提出其他產業值得借鑑的企劃方式。

你可以先比較這些建議,選擇真正有幫助的方向,再讓 AI 繼續執行。這樣既不需要事先熟悉所有專業術語,也能避免為了追求更進階的 Prompt,反而讓工作變得複雜。


使用前的三個提醒

第一,提供足夠的背景和原始資料,但公司機密與個資應先依資安規範處理。

第二,AI 是否真的能讀檔、改檔或自動執行,取決於工具與授權;不能把建議當成已執行。

第三,先設定可檢查的完成標準:報表看數字來源、問卷靠前測、新手指南用真實使用者測試。實務上還有一個容易忽略的地方:請 AI 明確分開「資料顯示的事實」、「根據資料做出的推論」與「尚未驗證的建議」。這樣才不會把看似有邏輯的回答,誤以為已經有證據支持。

所以,比起一直要求 AI「像專家一樣回答」,更值得做的是讓它先完成工作,再依成果、方法與其他領域的經驗,把事情做得更好。

Source

Felix Rieseberg,〈How to be more ambitious: A tutorial for humans with models〉