AI 結果不對時，該補脈絡、範例還是參考格式？

AI 結果太泛、語氣不對或格式混亂時，先辨認缺口，再決定補脈絡、範例或參考格式，不必把 prompt 無限加長。

AI 結果「差一點」時，不要立刻把更多資料全部塞進去。先看它到底缺的是背景判斷、模仿樣本，還是成果長相：缺背景補脈絡，缺判斷樣本補範例，缺外觀規格補參考格式。一次只補一種，才知道什麼真的有用。

你已經寫了目標、提供材料，也說明限制，但 AI 交出的第一版還是不對。最常見的反應是再補一大段說明，附三個檔案、五個例子，最後連自己都不知道哪一段是關鍵。

問題通常不是「資訊不夠多」，而是缺少特定種類的資訊。我的建議是先從結果的錯法倒推，而不是從 prompt 的長度判斷。

先把邊界說清楚：OpenAI 與 Anthropic 的文件分別支持提供相關脈絡、具體範例和清楚格式；「缺背景補脈絡、缺判斷樣本補範例、缺成果長相補參考格式」是我為新手整理的診斷順序，不是廠商共同發布的官方三分法。

結果不懂你的處境，就補脈絡

脈絡（context）是模型完成這次任務需要知道的背景。它不是公司所有歷史，也不是把整個資料夾都丟進去。

例如你請 AI 把活動通知改寫成邀請信，它寫得很正式，但這其實是十人小組的內部讀書會。問題不在格式，而在它不知道收件者、關係與使用情境。

可以補：

這封信寄給同一個十人小組，大家彼此熟悉。
用途是提醒，不是正式公告。
語氣直接、友善即可，不需要介紹公司背景。

OpenAI 對 Codex 的建議也強調，複雜工作要提供正確脈絡與相關檔案，讓它少做假設，結果更容易審閱。OpenAI：Codex best practices Anthropic 的文件則指出，說明一項要求背後的原因或動機，有助模型理解目標並產生更貼近需求的回應。Anthropic：Prompting best practices

要避免的是把「可能相關」當成「全部要給」。如果一段背景不會改變內容、判斷或語氣，就先不要放。

結果一直誤解抽象要求，就補範例

「寫得專業一點」「分類清楚」「像我們平常的風格」對你有意義，對 AI 卻可能有很多解釋。這時候，一個好範例通常比五句形容詞有用。

假設你要它把客服訊息分成「需要回覆」「只需記錄」「應轉交主管」，但它一直把抱怨全部歸到主管。你可以提供三則自編訊息，並附上你認為正確的分類與一句理由。

範例：
「請問發票可以重開嗎？」→ 需要回覆；客戶正在詢問處理方式。
「今天已收到商品，謝謝。」→ 只需記錄；沒有待處理問題。
「若今天仍未退款，我會向主管機關申訴。」→ 應轉交主管；已有明確升級風險。

Anthropic 將範例視為引導格式、語氣與結構的可靠方法，也提醒範例應貼近真實情境、涵蓋不同情況，避免模型只學到偶然模式。Anthropic：Prompting best practices

這不表示範例越多越好。新手先提供兩三個有差異、答案清楚的自編例子即可。若你自己也說不清楚為什麼這個例子屬於某一類，AI 只會把你的模糊一起放大。

內容大致正確，但成果難以使用，就補參考格式

參考格式不是讓 AI 抄內容，而是告訴它成果要有哪些欄位、順序與粒度。

例如 AI 已經找出活動日期、地點與準備事項，卻寫成六段散文。你真正需要的是可以貼進工作文件的表格。與其說「請更有結構」，不如直接給空白骨架：

請改成以下格式，不要新增欄位：

活動：
時間：
地點：
回覆期限：
準備事項：
原文未提供的資訊：

清楚指定輸出格式與限制，是 OpenAI、Anthropic 文件都支持的基本做法。但格式只能約束成果長相，不能補足事實。如果日期本來就錯了，把它排進漂亮表格也不會變正確。

三種資料不是固定配方，而是三種修理工具

你可以用這張判斷表：

最後一列很重要。有些失敗不是提示寫法能解決。Anthropic 的提示工程說明也先要求使用者定義成功標準與實際測試方法，並明確提醒：不是每一個失敗都最適合靠修改 prompt 處理。Anthropic：Prompt engineering overview

練習：只補一種輸入，再重跑一次

找一份你最近收到的 AI 第一版；也可以沿用前一課的活動通知整理。填寫：

輸入補強卡

原本的任務：
第一版哪裡不符合需求：
這個缺口比較像：脈絡／範例／參考格式／不是輸入問題
我只補的這一項：
為什麼它和缺口直接相關：
重跑後改善了什麼：
仍然沒有改善什麼：

完成的標準不是第二版完美，而是你能說清楚：我看見哪一個缺口、因此補了哪一種資料、結果發生什麼變化。

如果補完後仍有差距，下一步不是刪掉全部內容重來，而是把第一版與期待之間的差距寫成可執行回饋。保留正確部分，指定要改的地方，會比重新抽一次答案更容易控制。

參考資料

• OpenAI：Codex best practices
• Anthropic：Prompting best practices
• Anthropic：Prompt engineering overview