【AI Prompt大全】別再靠運氣!讓 AI 產出精準度提升 200%

2026 Prompt Masterclass

別再靠運氣,開始「架構」。
Prompt Engineering 權威指南

掌握 R-C-T-F、C-A-R-E 與 R-I-S-E 框架。這是給專業工作者的「精準溝通」邏輯手冊。

Hello,我是 Leo。

身在 AI 快速發展的時代,我們每天都在與「不確定性」搏鬥。面對閃爍的游標,你輸入了一行指令,AI 吐出來的卻是一堆廢話。為什麼?因為你是在「聊天」,而不是在「下達指令」。

你可能遇過這種情況:「明明叫它寫一篇專業報告,它卻寫得像小學生作文。」或者「請它分析數據,結果它開始幻想不存在的趨勢。」

以前你可能覺得這是 AI 不夠聰明,或者需要運氣。現在,透過結構化的 Prompt Frameworks(指令框架),你只需要套用經過去蕪存菁的邏輯模組,AI 就會精準執行你的意志。這不是魔法,這是邏輯學。

⚡ Executive Summary: 框架懶人包

  • R-C-T-F (Role, Context, Task, Format): 最全面的萬用框架,適合報告、分析與長文寫作。
  • C-A-R-E (Context, Action, Result, Example): 強調「範例 (Example)」,適合需要模仿特定語氣或風格的任務。
  • BAB (Before-After-Bridge): 經典行銷心理學,適合撰寫高轉換率的銷售文案。
  • R-I-S-E (Role, Input, Steps, Expectation): 流程導向,適合需要多步驟推理 (Chain of Thought) 的複雜任務。

Part 1: 為什麼你需要框架思維?

你可能會問:「Leo,直接跟 AI 說我要什麼不就好了嗎?為什麼要背這些縮寫?」

可以,但「直覺式」的提問就像是跟實習生說「幫我弄個報告」,結果通常是災難。而 Prompt Frameworks 就像是給資深顧問的「專案規格書(Spec)」,它強迫你釐清上下文、目標與預期產出,大幅降低 AI 的「幻覺率(Hallucination)」。

直覺式提問 (Zero-Shot)

適合:簡單問答、翻譯、查詢。

  • 缺點:AI 容易抓錯重點。
  • 缺點:風格飄忽不定,難以標準化。
  • 結果: 像是在抽獎,品質不一。

框架式提問 (Structured)

適合:商業報告、文案撰寫、程式開發。

  • Context Control: 鎖定背景資訊,防止離題。
  • Output Shaping: 強制規定輸出的格式與語氣。
  • 結果: 可預測、高品質、可複製的專業產出。

Part 2: 重磅武器——R-C-T-F 與 C-A-R-E

在最正式的商業與學術場景中,我們需要最強大的結構來確保萬無一失。這兩個框架是 Prompt Engineering 界的「倚天劍」與「屠龍刀」。

FRAMEWORK 1 R-C-T-F (Role-Context-Task-Format)

這是最經典、最穩健的框架。它透過賦予 AI 一個「人格」,解決了語氣與專業度的問題。適合用於撰寫報告、分析數據、生成策略

R – Role (角色): 定義 AI 是誰。例如:「你是資深的麥肯錫顧問」或「你是 Python 後端架構師」。這會激活模型中特定領域的知識權重。C – Context (背景): 給予任務的時空背景。例如:「我們是一家新創 SaaS 公司,正在面臨用戶流失率過高的問題。」這讓 AI 的建議具有針對性。

T – Task (任務): 明確的動詞指令。例如:「請分析以下數據,並提出三個具體的改善策略。」

F – Format (格式): 輸出的長相。例如:「請使用 Markdown 表格呈現,並附上 Executive Summary。」

■ 什麼時候用 R-C-T-F?

當你需要「專業度」大於「創意度」時。例如要寫一封給 CEO 的 Email,或是要 AI 幫你審閱一份法律合約。這個框架能確保 AI 不會講出外行話。

FRAMEWORK 2 C-A-R-E (Context-Action-Result-Example)

如果 R-C-T-F 是理性的工程師,那 C-A-R-E 就是感性的行銷人。它特別加入了 “Example” (範例),這對於風格模仿(Style Mimicking)至關重要。

C – Context (背景): 專案的背景與受眾。A – Action (行動): 你要 AI 做什麼。例如:「撰寫一篇 Instagram 貼文。」

R – Result (結果/目標): 你希望達成什麼效果。例如:「激起讀者的好奇心,讓他們點擊個人檔案連結。」

E – Example (範例): 這是最關鍵的一步。提供一段你喜歡的文案風格給 AI 參考。AI 的 Few-Shot Learning 能力極強,給它一個範例,勝過千言萬語的描述。

■ 什麼時候用 C-A-R-E?

當你覺得 AI 寫出來的東西「少了一點味道」時。例如寫社群貼文、品牌故事,或者模仿某位名人的語氣。一定要給 Example!

Part 3: 行銷與執行——BAB 與 T-A-G

不是所有任務都需要長篇大論。有時候我們需要的是「快速執行」或「強效說服」。這裡介紹兩個更具針對性的輕量級框架。

應用一:T-A-G (Task-Action-Goal)

痛點:我就只是要一段程式碼,或是要一個 Excel 公式,不想寫那麼長的前言。

解法 (邏輯解析):

T – Task (任務): 定義單一任務。例如:Debug this Python code.
A – Action (行動): 具體動作。例如:Find the memory leak in the loop.
G – Goal (目標): 最終狀態。例如:Ensure the script runs under 100ms.

T-A-G 是最簡潔的框架,適合工程師或需要快速迭代的場景。沒有廢話,直球對決。

應用二:BAB (Before-After-Bridge)

這是經典的行銷心理學框架,用來撰寫高轉換率的銷售文案電子郵件

解法 (邏輯解析):

B – Before (現況): 描述用戶目前的痛苦。例如:「每天花三小時手動整理發票…」
A – After (願景): 描述解決問題後的美好未來。例如:「想像一下,喝杯咖啡的時間,報表自動完成。」
B – Bridge (橋樑): 介紹你的產品如何連結這兩者。例如:「這就是 AI Studio 自動化腳本能做到的事。」

當你要 AI 幫你寫 Landing Page 或推銷信時,直接指定:「Use the BAB framework to write this copy.」效果驚人。

Part 4: 流程大師——R-I-S-E

如果你需要 AI 執行一個複雜的、多步驟的任務(例如:從這份 PDF 中提取數據,整理成 JSON,然後寫一段摘要),那麼 R-I-S-E 是你唯一的選擇。

R-I-S-E (Role-Input-Steps-Expectation)

這個框架的核心在於 “Steps”(步驟)。AI 雖然強大,但它的推理能力(Reasoning)需要被引導。透過 Chain-of-Thought(思維鏈)的原理,我們把大任務拆解。

R – Role (角色): 設定專家角色。I – Input (輸入資料): 明確指出你要它處理的資料源。例如:「 標籤內的文字。」

S – Steps (步驟): 這是重點!你需要條列式地告訴 AI:
1. First, extract all email addresses.
2. Then, filter out personal emails (gmail/yahoo).
3. Finally, format the list as a CSV.

E – Expectation (預期): 設定限制條件。例如:「No explanation text, just code.」

■ Leo 的實戰經驗

在處理長文本或複雜數據清洗時,我一定會用 R-I-S-E。一旦我在 “Steps” 裡把邏輯寫清楚,AI 的準確率幾乎是 100%。如果只給模糊指令,AI 很容易會在中間步驟「偷懶」或略過細節。

總結:框架決策矩陣

這麼多框架,到底該怎麼選?這張表幫你快速決策。

框架名稱 核心特色 最佳應用場景
R-C-T-F 全面、穩健、角色驅動 專業報告、策略分析、學術寫作
C-A-R-E 強調範例 (Example) 與語氣 社群文案、創意寫作、風格模仿
T-A-G 極簡、直球對決 寫程式碼、Excel 公式、快速查詢
BAB 心理學說服結構 銷售頁 (Landing Page)、推銷信、演講稿
R-I-S-E 流程導向、思維鏈 資料清洗、多步驟複雜任務、自動化腳本

■ Leo 的建議:

  • 初學者請先從 R-C-T-F 開始練習,這是基本功。
  • 不要死背: 理解每個字母背後的「邏輯」比死背縮寫更重要。重點是你要提供 AI 足夠的資訊。
  • 你可以混合使用!例如在 R-C-T-F 的 “Task” 裡面,嵌入 BAB 的邏輯來寫文案。

Part 5: 常見問題 (FAQ)

Q: 我真的每次問問題都要寫這麼長嗎?

不用。如果是問「今天天氣如何」或「西瓜的英文是什麼」,直接問就好。這些框架是用在高價值、複雜度高的任務上。當你希望 AI 產出的結果能直接拿來用(Ready-to-use),投資時間寫好 Prompt 是絕對划算的。

Q: 這些框架適用於所有 AI 模型嗎?

是的。無論是 Google Gemini、ChatGPT (GPT-4)、Claude 3 或是開源模型,這些邏輯都是通用的。因為它們都基於 LLM (大型語言模型) 的原理:上下文越清晰,預測下一個字的機率就越準確。

Q: 如果 AI 還是聽不懂怎麼辦?

檢查你的 “Context” 和 “Example”。通常 AI 表現不好,是因為你的背景資訊給得太少,或者沒有給它範例。試著用 C-A-R-E 框架,並強化 Example 的部分。

別再盲猜,開始設計。

Prompt Engineering 不是寫程式,它是邏輯設計。掌握這些框架,你將從 AI 的使用者,進化為 AI 的指揮官。

開始領取你的懶人包

*本文由 Leo 撰寫,內容基於 2026 年最新 Prompt Engineering 實戰經驗。