你可以自由複製並販售這整篇文章。
首先，讓我說最重要的一件事。
歡迎你取用這篇文章的內容，完整複製它，並將其作為你自己的內容販售。
無論你是將其重新發布在 Note、在 Brain 上販售、納入課程教材，或是拆解成社群媒體貼文，全部都可以。不需要取得許可或聯繫我。即使你假裝這是你自己想出來的，我也完全不會抱怨。這裡包含了約 40 種技巧，所以即使每篇貼文只提取一種技巧，你也能創造出 40 篇內容。
為什麼要做到這種程度？原因很簡單：如果我不這麼做，日本人就不會意識到這項資訊的價值。
老實說，在全球的 AI 重度使用者之間，日本的提示詞被公開稱為「石器時代等級」。當我第一次聽到這句話時，心想：「這傢伙在說什麼啊？」但當我親眼看到他們日常使用的提示詞時，我啞口無言。那是徹底的敗北。
差異在哪裡？99% 的日本人把提示詞寫成「指令」。「寫一篇部落格文章」、「摘要這段文字」、「給我 5 個點子」。這些都只是命令。另一方面，全球的專業人士從第一行就將「思考過程」和「目標」傳遞給 AI。這是命令與藍圖之間的差異。
而且，還有更殘酷的現實。當你在尋找「一個好用的提示詞」時，全球玩家正在透過學術論文研究提示詞，像管理程式碼一樣管理它們，並用演算法自動優化它們。手工藝 vs. 自動優化。勝負早已分曉。這很殘酷，但這就是 2026 年的現狀。
但別擔心。你不需要天賦或英文能力來彌補這個差距。你只需要知道「模式」。就這麼簡單。
在這篇文章中，我把我之前在 Threads 上介紹過的所有提示詞技巧和知識都打包進來了。從源自研究論文的經典模式，到利用 AI 內部結構的技巧、MCP 擴展，以及使用 Claude Code 和 Codex 進行自動化——總共約 40 個項目，按章節整理。全部都附帶「複製貼上即可使用」的提示詞。你可以邊讀邊試。
當你讀完時，你會落入兩組人之一：那些把這 40 種工具變成武器的人，或是那些繼續痛苦地手寫提示詞的人。你站在哪一邊，取決於你是否把這篇文章讀到最後。
我重申一次：複製和販售都是可以的。所以，毫不猶豫地帶走吧。讓我們開始。
第一章：傳遞思考過程 — 自我驗證、自我評分與分支思考
第一章是關於「將思考方式本身傳遞給 AI」的模式。日本的提示詞通常只停留在「分配角色並有禮貌地書寫」，但全球專業人士傳遞的是「如何思考」。這裡介紹的五種模式都來自研究論文。
- Chain-of-Verification (CoVe) — 讓 AI 審問自己的答案
這是一種用來消除幻覺（事實錯誤）的模式。一般的提示詞讓 AI 一次性回答，但 CoVe 建立在「讓 AI 驗證自己的答案」這個概念上。你讓它產出草稿，將該答案中的風險轉換成驗證問題，根據證據回答每個問題，最後呈現一個修正了矛盾的最終版本。整個流程在一個提示詞內完成。
當用於研究或文章任務時，輸出會完全不同。事實錯誤明顯減少，對於需要高可靠性的工作非常有效。
可複製貼上的提示詞
針對以下主題，請在一個回應中完成以下步驟：(1) 首先，提供一個草稿答案。(2) 將該答案中可能出現事實錯誤的風險轉換成 5 個驗證問題。(3) 根據證據回答每個問題。(4) 呈現一個修正了矛盾的最終版本。主題：[ ]
- Self-Refine — 扮演創作者、評論者與修訂者
這個模式讓 AI 在單一提示詞內依序扮演三個角色。首先，讓它作為創作者寫出初稿。接著，讓它作為嚴格的編輯為自己的作品評分。最後，讓它根據該評分作為修訂者寫出最終版本。
關鍵在於指定具體的評估標準。透過指定「說服力、獨特性、邏輯性、可讀性、遺漏」這五個標準，評分就不會寬鬆，修訂的準確性也會提高。你只需一個提示詞就能感受到品質提升了一個層級。
可複製貼上的提示詞
針對以下主題，請在一個回應中執行所有三個步驟：(1) 寫出初稿。(2) 作為嚴格的編輯，根據 5 個標準評分：說服力、獨特性、邏輯性、可讀性、遺漏。(3) 根據評分寫出修訂版本。主題：[ ]
- Tree of Thoughts (ToT) — 分支思考答案
這個模式不是直線式地產出答案，而是將多種方法發展成「分支」，並讓 AI 選擇最佳的一個。想像一下，將人類「有 A 計畫、B 計畫、C 計畫……」的思考過程直接放入提示詞中。
這改變了腦力激盪和策略規劃的維度。因為不執著於單一方向，意想不到的觀點就會浮現。
可複製貼上的提示詞
針對以下主題，請使用以下步驟回應：(1) 將 3 種不同的方法發展成分支。(2) 評估每個分支的優缺點。(3) 選擇最有希望的分支，並深入探討該分支，提供最終答案。主題：[ ]
- Skeleton-of-Thought (SoT) — 先有骨架，再填血肉
這是一種思考方法，先列出標題層級的「骨架」，然後再充實每個部分。在撰寫長文時，如果從頭開始寫，後半段常常會失去動力或結構崩潰。如果先鞏固骨架，這種崩潰就不太可能發生。
這對於長篇文章創作或提案撰寫來說是革命性的。由於先有了骨架的「藍圖」，在充實內容的過程中就不會迷失方向。
可複製貼上的提示詞
針對以下主題，請遵循以下步驟：(1) 平行列出 5 個文章標題骨架。(2) 將每個標題作為獨立的任務進行充實。(3) 最後，將所有內容整合成一篇連貫的文章。主題：[ ]
- Meta-Prompting — 讓 AI 自行演化提示詞
這有點進階。不是改善提示詞的內容，而是要求 AI「自行演化這個提示詞」。你讓它創建多個改進版本，為每個版本寫下意圖和「為什麼有效」，最後選擇最強大的一個。
只要每個月對你常用的主要提示詞應用一次這個方法，你的提示詞資產就會自動成長。把它想像成一個防止你儲存的提示詞過時的系統。
可複製貼上的提示詞
請為以下提示詞創建 5 個效能顯著提升的改進版本。對於每個版本，請寫下「意圖」以及「為什麼有效」的原因。最後，選擇單一最強大的版本，並說明選擇理由。目標提示詞：[ ]
這五個模式的共同點在於，它們傳遞的是「思考程序」而非「指令」。自我驗證、自我評分、分支思考、骨架平行化、自我演化。你是否能將這些融入一行提示詞中，決定了 AI 只是一個方便的工具，還是一個「自主研究員」。
第二章：逆向設計 — 以結果為優先的設計
如果第一章是關於「如何讓它思考」，那麼第二章就是關於先決定「什麼才算贏」的心態。日本人把腦力花在「要丟什麼進去」，而全球專業人士則是從「目標」開始寫。以下是五個來自官方文件的逆向設計提示詞。
- 輸出優先規範 — 先固定最終模板
大多數人會說「寫一篇部落格文章」。但這會導致輸出不一致。在逆向設計中，你先建立最終的輸出模板，然後讓 AI 填空。你先決定框架：標題幾個字、引言要包含什麼、內文有幾個標題……等等。
輸出變異性急遽下降，品質趨於穩定。這種穩定性在撰寫大量相同主題的文章時特別有效。
可複製貼上的提示詞
請完美填寫以下模板。標題：[40 字以內，包含數字] / 引言：[3 個讀者痛點，各一句] / 內文：[3 個 H2 標題 + 各 300 字] / 結論：[1 個行動提案] / 行動呼籲：[15 字以內]。主題：[ ]
- 預先填充 — 指定 AI 回應的開頭
這是一種指定 AI 回應「開場白」的模式。Claude 被迫從那個接續開始寫，從而鎖定了輸出的方向。開場的問候語和不必要的廢話消失了，格式走樣的情況也幾乎不再發生。
這很微妙但很有效。它能防止那種讓你忍不住想說「所以，結論是什麼？」的回應。
可複製貼上的提示詞
你的回應必須以以下句子開頭：「以下，我將根據要求提供結構化的回應。首先，最重要的一點是……」
- 負面限制 — 列出具體的「禁止事項」
如果你模糊地寫「不要這樣做」，AI 不會遵守。像「讓它自然一點」這種模糊的禁令很難執行。但如果你具體列出，它就會遵守。禁止敬語、禁止開場問候、禁止特定詞語……用條列式列出。
AI 常見的通用模式會顯著減少。當你想要去除文字中那種「明顯是生成的」感覺時，這是必備技巧。
可複製貼上的提示詞
請創建以下內容。但是，請嚴格遵守以下禁令：(1) 禁止使用敬語。(2) 禁止重複使用三個字的複合詞。(3) 禁止使用「關於……」、「……是很重要的」等表達方式。(4) 禁止開場問候。(5) 禁止使用簡單的條列式清單。如果違反，請全部重寫。目標：[ ]
- XML 結構化標記 — 使用標籤分隔資訊
使用標籤分隔資訊可以提高 AI 的閱讀準確性。目標、背景、限制條件、參考範例、輸出格式。不要將這些作為一大塊文字丟進去，而是用標籤將它們區分開來。專業人士不丟文字，他們丟藍圖。
可複製貼上的提示詞
我將按以下結構組織提示詞。請根據每個標籤內的內容回應。<goal>要達成的目標</goal> <context>背景資訊</context> <constraints>禁止事項</constraints> <examples>參考範例</examples> <output_format>輸出格式框架</output_format>
- 角色堆疊 — 分三層疊加角色
大多數人只停留在「你是一位文案撰稿人」。專業人士則分三層疊加角色，而不只是一個。一個作家角色、一個編輯角色，以及目標讀者角色。透過賦予同一個 AI 這三個角色，你可以在一次對話中同時執行從讀者角度出發的寫作 → 編輯 → 重新修正的循環。
因為多個視角同時運行，說服力會增加。然而，這種「角色」方法有一些注意事項，我們將在第十章討論。
可複製貼上的提示詞
請同時扮演以下 3 個角色：(1) 頂尖文案撰稿人（作家）。(2) 嚴格的總編輯（編輯）。(3) 目標讀者，30 多歲的上班族（接收者）。在一個回應中，從讀者的角度執行寫作 → 編輯 → 重新修正。主題：[ ]
逆向設計的精髓很簡單。如果第一行沒有「目標」、「禁止事項」和「格式框架」，AI 就已經迷失了。這就是從入口開始寫和從出口開始寫的差別。
第三章：將 AI 作為「軍團」運作 — 多 Agent 操作
從這裡開始，心態轉變了。與其榨乾一個 AI，不如為 AI 分配多個角色，並將其作為一個「軍團」來運作。只用一個 AI 作戰，就像帶著一件武器上戰場。全球專業人士已經進入了從參謀本部指揮的階段。
請注意，這些模式不需要設定多個 AI 帳號。你可以在同一個對話中透過「切換角色」來重現它們。
- 路由模式 — 放置一個分類器
這是一種軍事風格的組織，由一個「分類器」AI 先接收輸入，然後將其路由到適當的「專家」。大多數人把所有東西都丟給一個 AI，結果得到一個平庸的答案。專業人士則放置一個接待員，將任務傳遞給專家。
與其讓一個 AI 假裝全能，不如轉向專業化，這樣準確性會提高。
可複製貼上的提示詞
你是「路由協調員」。閱讀以下請求，並將其分類為：(1) 研究、(2) 寫作、(3) 分析 或 (4) 程式碼。為該分類創建一個 5 行的系統提示詞，並使用它再次執行該請求。請求：[ ]
- 平行化 — 平行解決相同問題，進行多數決
這個模式涉及從多個角度平行解決相同任務，並透過多數決來決定結論。與其問一位專家，不如讓五位專家用不同的方法回答，並採用獲得最多支持的結論。就是這個概念。
幻覺會減少。當你想把重要的決策交給 AI 時，安全感會完全不同。
可複製貼上的提示詞
針對以下問題，首先從 5 位使用不同方法的獨立專家的角度，各提供一個答案。接著，比較這 5 個方案，將獲得最多觀點支持的結論作為最終答案，並說明選擇理由。問題：[ ]
- 評估者-優化者 — 完全分離創作者與評估者
由同一個人進行的自我評估難免會變得寬鬆。如果你將行動者和判斷者分開，判斷就會變得嚴厲。你在一個提示詞內重現這個過程。作為創作者創造最佳答案，完全切換角色成為嚴厲的評估者來評分，然後回到創作者角色製作最終版本。
這與第一章的 Self-Refine 類似，但這裡的重點是明確說明「完全切換角色」。
可複製貼上的提示詞
針對以下主題，首先作為「創作者 AI」創造最佳答案。接著，完全切換角色，作為「嚴厲評估者 AI」，為該答案打出滿分 100 分中的分數，並列出 5 個扣分原因。最後，回到創作者角色，根據評估創建最終版本。主題：[ ]
- 多 Agent 辯論 — 讓贊成方、反對方與主持人辯論
這是一種模式，多個 AI 進行辯論，然後由一個整合者得出結論。贊成方和反對方交鋒，中立的 moderator 總結他們的觀點。極端和思考停滯會消失，從而得出平衡的結論。
這在「難以決定的問題」上特別有效，例如策略規劃或決策制定。
可複製貼上的提示詞
針對以下主題，請扮演：(1) 贊成方 AI、(2) 反對方 AI 和 (3) 中立主持人 AI。讓 (1) 和 (2) 各辯論 3 輪，然後讓 (3) 整合他們的觀點，提供最終結論和理由。主題：[ ]
- 自我驗證輸出 — 在輸出前審問自己
這是一種模式，創作者在最終提交前，以不同的角色「審問」自己的輸出。由於很難看到自己寫作的缺陷，你強迫自己改變視角。你依序切換三個角色——全球競爭對手專家、目標讀者、嚴厲老闆——並讓每個角色列出問題。
最近的 AI 模型正朝著「在輸出後自行驗證再報告」的方向發展。把這個模式想成是從提示詞端預先因應這個趨勢。
可複製貼上的提示詞
請以完全不同的角色重新閱讀以下輸出。依序切換 (1) 全球競爭對手專家、(2) 目標讀者 和 (3) 嚴厲老闆 的角色，從每個角度列出 3 個問題，最後呈現一個最強的改進版本。輸出：[ ]
軍團運作的本質在於你是否能立足於「AI 不是單一單位來使用的東西」這個前提。分配角色並指揮。光是這樣，來自同一個 AI 的結果就會改變。
第四章：將上下文設計成「環境」 — 4 層次思考
到目前為止，我們討論的是「提示詞的內容」。但在全球 AI 設計師的世界裡，提示詞被視為一個更大結構的「底層」：提示詞 → 上下文 → 意圖 → 規格。大多數人仍然停留在第一層。本章介紹五種方法，幫助你爬到更高的層次。
- 書擋放置法 — 將重要限制放在開頭和結尾
當你將長文本傳遞給 AI 時，放在中間的資訊往往會被忽略。這就是「中間是盲點」的現象。因此，始終將重要的限制放在兩個地方：開頭和結尾。想像一下，像書擋一樣把重要的東西夾在兩端。
這對於撰寫長提示詞的人很有效。一個常見的失敗是，指令很長，但限制條件只在內文中寫了一次。
可複製貼上的提示詞
在以下請求中，請在處理之前，將重要的限制條件重新陳述在提示詞的兩個地方——「開頭」和「結尾」。基於上下文中間的資訊容易被忽略的前提來建構它。請求：[ ]
- 金髮姑娘高度 — 系統提示詞的「恰到好處」高度
系統提示詞有一個最佳「高度」。太低（用詳細的 if-else 邏輯綁定）會導致僵化；太高（只有抽象哲學）則什麼都決定不了。目標是中間的高度。這是將「金髮姑娘原則」應用於提示詞的概念。
訣竅是分三層設計：永不改變的原則、情境判斷的框架、以及個別任務的自由度。牢記這三點來撰寫，可以避免僵化和抽象。
可複製貼上的提示詞
我將按以下 3 層來固定對你的指示：(1) 不變原則（為什麼/永不改變）。(2) 情境判斷框架（何時/依情況而定的分支規則）。(3) 個別任務的自由度（什麼/交由你判斷）。以「恰到好處」的高度設計，避免僵化和抽象。
- 即時上下文注入 — 只在需要時傳遞需要的內容
僅僅因為上下文視窗很大，並不代表把所有資料都塞進去是好的；這實際上可能會降低準確性。專業人士首先只傳遞「目錄、摘要和索引」，並讓 AI 在需要時檢索必要的章節。想像一下，不是把圖書館裡所有的書都堆在你的桌子上，而是只去借你需要的那一本。
處理大量資料的正確方法是「動態呼叫」，而不是「全部塞入」。
可複製貼上的提示詞
我不會一次性輸入以下大量資料。在第一階段，請只閱讀「目錄」、「每章 100 字摘要」和「索引」。如果有需要詳細資訊的章節，請在檢索之前明確向我提出請求，並僅將該章節加入工作上下文。
- 意圖編碼 — 先闡明判斷標準
與其每次從頭解釋你或你組織的「價值觀、優先級和權衡判斷標準」，不如一次闡明並傳遞它們。只要把它放在開頭，AI 就會開始像「你的 Agent」一樣運作。它變成了一個不只等待指令，而且在迷失時能夠自行朝正確方向傾斜的 AI。
可複製貼上的提示詞
作為以下工作的前提，我將闡明我的判斷標準：(1) 優先級 [A > B > C]。(2) 絕對禁止 [X, Y, Z]。(3) 模糊情況下的預設判斷 [D]。當判斷迷失時，請始終回到這些標準再做決定。
- 規格層 — 站在創造「規格」的一方
4 層結構的頂端就是這個「規格」。將品質標準和業務規則固定為結構化文字（規格），並使其成為每次上下文的起點。從一個寫提示詞的人，變成一個創造規格的人。當你站在這裡的那一刻，工作的可重現性會瞬間提升。
可複製貼上的提示詞
未來的工作將參考以下「規格（Markdown 結構化格式）」作為每次對話的起點。如果需要規格之外的判斷，請不要猜測，務必與我確認。[在此貼上你的規格]
本章的核心思想是從「用一行提示詞競爭」轉變為「將整個上下文設計成一個環境」。這是在一個層次上作戰和在四個層次上作戰的差別。
第五章：與 AI 內部機制對齊 — KV 快取的結構設計
這一章有點技術性。但了解這個會改變 AI 的「速度」、「成本」以及「使用限制如何消耗」。
在 AI 內部，有一個稱為「KV 快取」的機制在運作。簡單來說，AI 會在內部保留已處理過的內容，當同樣的內容再次出現時，它可以重複使用。相反地，如果你以無法重複使用的方式使用它，它每次都會從頭開始重新計算。
「很快就達到使用限制」、「隨著對話變長，回應變慢」或「API 帳單比預期高」。這些問題的原因通常不是提示詞的內容，而是「放置方式」與 AI 的內部機制不同步。
- 穩定前綴優先 — 將靜態內容固定在開頭
快取「僅對從開頭就完全匹配的部分」有效。因此，將不變的內容（前提、參考資料、規則）固定在開頭，並將每次都會變化的內容（今天的問題）放在結尾。只要每次都在開頭放置相同的前提，快取就會開始運作。
可複製貼上的提示詞
我將固定後續工作的前提：(1) 我的行業 = [A]。(2) 目標 = [B]。(3) 禁止事項 = [C]。(4) 輸出格式 = [D]。請在每次對話開始時、進入主要主題之前，重新宣告這些前提。
- 錨點文件模式 — 只在開始時投入一次資料
你是否每次都在重新貼上大量的參考資料或指南？那是浪費。只在開始時將資料作為「錨點」投入一次，並讓後續的問題僅參考那些資料。
可複製貼上的提示詞
我將把以下資料作為本次對話的核心參考：[在此大量輸入參考資料]。從現在開始，請你回答我的所有問題時，都參考這些資料。不需要重新呈現這些資料。
- 會話連續性 — 在同一個對話串中持續進行相關工作
每次你開啟一個新的對話，AI 都會從頭重建其內部快取。每天開啟 10 個新對話，與每天在一個長對話串中持續進行一次，這兩種方式會影響使用限制的消耗速度以及輸出品質。頻繁開啟新對話是「快速達到使用上限」的原因之一。
操作指南：
始終在同一個對話串中持續進行相同主題的工作。如果對話串變得太長，請在開頭建立一個「截至目前為止的摘要」，並以此摘要作為核心參考繼續進行。
- 差異編輯模式 — 修正時只指示差異部分
當你想要改善輸出時，重新貼上整段文字是不行的。重新貼上所有內容會清除寶貴的快取，並從頭開始重新計算。只指示差異部分：「只有這部分」、「把這部分改成那樣」。
可複製貼上的提示詞
當我想要修正先前的輸出時，我不會重新貼上整段文字。我只會指示差異部分，例如「只有 [ ] 這部分」或「把 [ ] 改成 [ ]」。我不會重新呈現前提或參考資料。
- 快取感知的子 Agent 設計 — 統一子 Agent 的開頭部分
即使在執行如第三章所述的大規模協同作業時，統一每個 Agent 系統提示詞的「開頭部分」（角色定義、前提、規則）也能讓快取更容易被命中。只在最後個別修改任務內容。光是這樣就能提升大規模協同作業的效率。
可複製貼上的提示詞
在執行多 Agent 作業時，完美統一所有 Agent 系統提示詞的開頭部分（角色定義、前提、規則）。只在最後個別修改任務內容。
本章的精髓在於「用結構競爭，而不只是內容」。你把東西放在哪裡，和你寫了什麼一樣重要。
第 6 章：打造提示詞的「外部」— Harness 與 Agent
進入 2026 年，全球的 AI 開發者不再只競爭「提示詞的內容」，而是開始設計「提示詞的外部」。這個外部就稱為「Harness」。首先，讓我們來整理一下整體輪廓。
什麼是「Harness Agent」？
你平常使用的 ChatGPT 或 Claude 其實並不是一個「AI Agent」。它只是一個「大腦單元」。AI Agent 指的是在該大腦上附加各種零件，使其變成「能自行運作的機器」的狀態。
一個 Agent 大致由以下元素組成：
- 模型（身體）： Agent 的「智能」。也就是 LLM 本身。只有大腦，它能做出判斷，但無法行動。
- Harness： 提供給模型的指令集（系統提示詞）和護欄（不該做的事）。例如，「超過一定金額的付款必須先獲得人類確認」這類安全閥。可以把它想成是決定 Agent「個性」和「判斷標準」的層級。
- 工具（手和腳）： Agent 接觸真實世界的介面，例如發送電子郵件、操作行事曆、讀寫檔案和網路搜尋。沒有工具，AI 可以讀取收據，但無法提交報銷。
- 環境： Agent 運行的「場所」。即使是同一個 AI，根據它運行的環境不同，能做的事情也會有很大差異。
- Agent 循環（自行運作週期）： 所有這些元素協同工作，持續運行「計畫 → 行動 → 觀察結果 → 調整 → 重複」的循環。如果需要人類確認，它就會停下來。一個一問一答的聊天機器人與一個能自行運作的 Agent 之間的決定性差異就在這裡。
這五個元素結合起來，就是「Agent 的完整型態」。接下來，我將介紹五種高度設計這個外部（即 Harness）的技巧。
- 執行循環 — 融入觀察、思考、自我批評與行動的循環
這是 Harness 的核心。在執行任務時，明確要求它在每一步都遵循「觀察 → 思考 → 自我批評 → 行動」的循環。這與一次性「請求」的運作維度截然不同。
可複製貼上的提示詞
在執行以下任務時，請在每一步都先依序寫出以下 4 個階段，然後再繼續進行：(1) 觀察：用 3 行描述當前狀態。(2) 思考：下一步必要的行動及其理由。(3) 自我批評：該行動的一個盲點。(4) 行動：修正後的最終行動。任務：[ ]
- 上下文壓縮 — 階段性地壓縮長對話
隨著對話變長，上下文會開始崩潰。為了防止這種情況，每隔一定輪數，就強制將過去的互動壓縮成固定格式。這是在處理長篇任務時，防止上下文「腐化」的必要設計。
可複製貼上的提示詞
從現在開始，每當對話超過 10 輪時，就強制將過去的互動壓縮成「3 個已確認事實 + 2 個待辦事項 + 1 個接下來最重要的行動」的格式，並從該壓縮版本開始執行新的指令。
- 戰術手冊記憶 — 累積可重複使用的「模式」
這是一種設計，旨在將策略累積為可重複使用的「模式（戰術手冊）」，而不是每次都從頭生成。每一次互動都會成為「資產」。
可複製貼上的提示詞
在執行以下任務後，務必以 Markdown 項目符號列表輸出「本次學到的 3 個通用規則」。從下次開始，我會在開頭提出這些規則，請你在工作前先將其作為戰術手冊閱讀。
- 自我修改循環 — 讓 AI 重寫自己的使用說明書
這是一種模式，讓 Agent 自己撰寫「自我指令模板」，以便下次做得更好。你可以創造一個狀態，讓 AI 在每次使用時都持續更新自己的使用說明書。
可複製貼上的提示詞
在執行以下任務後，請為你自己輸出一個「自我指令模板（改良版）」，以便下次能以更高精度執行。同時，說明改良的意圖和目標。從下次開始，我將使用該模板。
- 自動 Harness 優化 — 迭代改善整個機制
類似於第一章的元提示詞，但目標是「提示詞結構本身」。只要每週執行一次，你的提示詞資產就會像複利一樣進化。
可複製貼上的提示詞
請提供 5 個具體計畫，將我目前的提示詞結構提升一個層級。為每個計畫寫出目標、預期改善效果和預期風險，最後選擇最強的計畫，說明採納理由和下一個使用範例。
逐行打磨提示詞的內容很重要。但在那之外，還有一個更廣闊的世界。你是否具備 Harness 的視角，將決定你使用 AI 的方式能否提升一個層級。
第 7 章：5 個鮮為人知的秘密提示詞
本章收錄了在標準提示詞書籍中很少見的特殊模式。有些來自研究，有些應用了認知科學。這些是在日本很少被分享的切入角度。
- 問題重構 — 在回答前先將其重構成中立問題
AI 有一種「迎合使用者（過度順從）」的習慣。它會預測你是否同意或不同意你的陳述，然後回傳一個討好的答案。作為抑制這種情況的方法，有報告指出，在回答前先將你的陳述重構成「中立問題」，比直接命令「不要討好」更有效。
當你想要聽取意見，但只得到「您說得完全正確」這類回應時，試試這個方法。
可複製貼上的提示詞
在回答我以下的陳述之前，請務必先將我的陳述重構成「中立問題格式」。在拒絕表達對原始陳述的同意或不同意之後，請邏輯性地回答。陳述：[ ]
- 口語化取樣 — 讓它輸出多個方案及其機率
AI 傾向於在每次問同一個問題時給出相似的答案（輸出多樣性崩潰的現象）。對策是一種模式，讓它輸出多個答案方案及其「應該被選擇的機率」。從機率分佈中選擇一個方案，可以引出一般提示詞無法產生的想法。
可複製貼上的提示詞
針對以下主題，請生成 5 個不同的答案方案，並附上各自的「被選擇機率（%）」。總機率必須是 100%。最後，根據該機率分佈，選擇並呈現一個方案。主題：[ ]
- 反事實定錨 — 先讓它輸出相反的答案
這是一種應用認知心理學中「定錨效應」的模式。透過讓 AI 先輸出與其直覺想給出的答案「完全相反的答案」，來打破趨向平庸解決方案的慣性。一個可預測的答案會突然變得深刻。
注意：「反事實定錨」是我自創的術語。其底層原理（定錨效應）是真實的認知科學，但這個特定模式是應用。
可複製貼上的提示詞
在回答以下問題之前，先產生一個與你直覺想給出的答案「完全相反的答案」。寫出 5 個理由說明為什麼那個相反的方案可能是正確的。最後，在經歷過該驗證後，提供最終答案。問題：[ ]
- 自我預先驗屍 — 先列出失敗原因
「預先驗屍」是一種著名的思考方法，在開始前先思考「如果這個專案失敗了，原因是什麼？」。我們將其應用於 AI 任務執行。讓它在執行前先列出失敗模式，並以避開這些模式的方式執行。對於長篇任務很有效。
注意：原始的預先驗屍方法是真實的，但將其應用於 AI 是我自己的用法。
可複製貼上的提示詞
在執行以下任務之前，先列出「如果此任務以最低品質結束，5 個假設的原因」。為每個原因寫一行規避措施，並在嚴格遵守所有這些規避措施的情況下執行任務。任務：[ ]
- 校準信心提示 — 讓它陳述信心水準
AI 最大的弱點是「即使錯了也充滿自信地說話」。為了阻止這種情況，使用一種模式，要求它必須為每個陳述附帶一個「信心水準（0-100%）」。幻覺會變得可見，判斷資訊的可靠性也變得容易得多。
可複製貼上的提示詞
在回答以下問題時，請為每個陳述附帶一個「0-100% 的信心水準」。將低於 50% 的標記為「猜測」，只有 70% 或以上的才標記為「事實」。同時，為每個信心水準提供一行依據。問題：[ ]
無論你是把它們當作標準技巧來學習，還是當作來自論文和原理的秘密技巧來操作，大多數資源都是免費的。差距從那些注意到這一點的人開始拉開。
第 8 章：給 AI 裝上「手和腳」— 你應該安裝的 MCP
到目前為止，我們討論的都是提示詞。本章要討論的是給 AI 裝上「手和腳」。
MCP（模型上下文協議）是一個開放的通用標準，用於將 AI 連接到外部服務和資料。簡單來說，它是一種為 AI 添加「接觸真實世界的窗口」的機制。安裝它，Claude 就會從一個聊天機器人變成一個「有手有腳的 Agent」。
由於 MCP 是開放標準，一旦你在 Claude Code 或 Codex 中設定好，就可以攜帶到相同的環境中。在這裡，我選了四個對內容創作者真正有用的 MCP。
- Supadata MCP — 一鍵提取影片逐字稿
這是一個可以一鍵從 YouTube、TikTok、Instagram 和 X（原 Twitter）影片中提取逐字稿的 MCP。海外內容研究、競爭對手影片分析和趨勢掌握會變得快得多。即使是沒有字幕的影片，也可以透過自動轉錄功能來處理。
使用範例：
從以下 YouTube/TikTok/X 影片 URL 中提取逐字稿，並將其總結為 5 個要點。URL：[ ]
你可以告別觀看海外爆紅影片到最後這種耗時的任務了。
- Firecrawl MCP — 將網站轉換為乾淨的 Markdown
這是一個能將任何網站轉換為 AI 容易閱讀的乾淨 Markdown 格式的 MCP。它甚至可以處理使用 JavaScript 渲染的頁面。讓 AI 閱讀競爭對手的文章、登陸頁面或新聞網站，以輸出結構分析或改進建議，會變得更快。
使用範例：
使用 Firecrawl 將以下 URL 轉換為 Markdown，並分析該文章中訴求的結構和弱點。URL：[ ]
那些每次都手動複製貼上的人，可以在這裡找回他們的時間。
- Google Knowledge Graph MCP — 直接存取實體資訊
這是一個讓 AI 可以直接存取 Google 搜尋結果右側出現的「資訊面板」來源資料的 MCP。你可以提取關於真實人物、地點、組織和概念的結構化資料。在事實查核和人物/組織資訊驗證方面，準確度會改變。這對資訊發布者來說是一條生命線。
使用範例：
使用 Google Knowledge Graph 獲取關於「[人物/組織名稱]」的資訊，然後檢查我文章中的事實關係。
- Memory MCP — 給 AI 永久記憶
AI 有一個弱點是「每次對話歷史都會從頭重置」。Memory MCP 解決了這個問題。專案決策、你的偏好以及在過去互動中學到的規則，在會話結束後仍然會保留。
使用範例：
將以下偏好、前提和進行中的專案資訊註冊為 Memory MCP 中的永久記憶。從下次開始，請在開始工作前先參考這些內容。
你越是在每次會話中重新貼上相同的前提，就越能感受到它的效果。隨著會話重複，Claude 會成長為一個「了解你的夥伴」。
有了這四個 MCP，你就同時擁有了「輸入（影片、網頁、實體資訊）」和「記憶」。將使用前三個 MCP 收集到的資訊，透過 Memory MCP 累積到 AI 中。當這四個 MCP 協同工作時，效果會比單獨使用它們更大。
第 9 章：使用 Claude Code 與 Codex 實現自動化 — 5 個要點與陷阱
如果你只是「隨便跑跑」Claude Code 或 Codex 的自動化，那你損失可大了。本章介紹五個透過自動化獲得成果的要點，以及它們各自的陷阱。
- 始終插入計畫模式
自動化的生命線是不要讓它突然執行。在計畫模式中，讓它在獲得你的批准之前，先具體化要編輯的檔案名稱、函式名稱和步驟順序。務必插入這個步驟。
陷阱：跳過計畫模式，直接跳到並行執行。沒有計畫閘門的並行化，只會高速大量產出錯誤的交付物。只有在方向正確時，速度才有價值。
- 持久規則寫在設定檔中，每次的指令寫在提示詞裡
把「每次都要遵守的永久規則」塞進每個提示詞裡，是典型的初學者錯誤。將持久規則寫在設定檔中（Codex 用 AGENTS.md，Claude Code 用 CLAUDE.md），並只在提示詞中放入「本次的指令」。
陷阱：設定檔變得太大。如果超過大小限制，內容會被截斷。如果檔案變大，標準做法是按目錄層級拆分。
- 子 Agent 應該是「專門化 + 限制權限」
為子 Agent 分配「1 個功能 = 1 個專門角色」，並只給它們最低限度必要的工具。
陷阱：子 Agent 預設繼承父 Agent 的所有工具權限。由於它們從完整權限開始，如果你不明確限制，可能會導致意外。此外，子 Agent 在運行多個模型和工具時會消耗更多 Token。由於並行化 = 成本增加在結構上是無法避免的，所以只把它縮小到值得運行的任務。
- 「不要過度安裝」是 MCP 的正解
我在第 8 章介紹了 MCP，但過度使用是禁忌。你添加的 MCP 越多，每個訊息的上下文就會膨脹，從而壓縮使用限制。停用你不使用的 MCP。這是基本原則。
陷阱：把所有東西都 MCP 化，然後插上 10 個或 20 個。除了壓縮上下文之外，安全風險也會增加。將其縮小到每天真正使用的 3-5 個是安全的。
- 將重複性工作打包成「技能」
對於你反覆使用的工作流程，不要每次都複製貼上提示詞，而是將其打包成一個技能。Claude Code 和 Codex 都有機制，可以將重複性工作總結到定義檔中，並一致地呼叫它們。
陷阱：每次都不進行技能化，而是複製貼上提示詞來操作。變異會累積，精神負擔也會持續增加。任何有 2-3 個具體使用範例的工作流程都已經準備好可以技能化了。以在 Claude Code 和 Codex 中使用相同技能為前提來編寫它們，可以確保即使切換工具也不會產生成本。
自動化的精髓在於「把所有東西丟給」AI 還是「系統化」的區別。插入計畫模式、整理設定檔、限制權限、最小化 MCP，並將重複性工作技能化。在運行之前先設定好這五個機制。光這樣就能決定自動化是「加速」還是「失控」。
第 10 章：已經過時了 — 你應該停止的提示詞習慣
最後一章是關於減法，而不是加法。我將介紹三個在日本長期被認為「正確」，但在最新的研究和規格中被重新審視的習慣。
- 什麼都加上「你是個……的專家」
賦予角色 persona 的提示詞是經典不敗。然而，最近的研究指出它們「並非萬能」。雖然專家 persona 在安全和審核任務中有效，但報告顯示，在事實辨識和推理方面，它們反而傾向於降低準確度。
換句話說，persona 不是一個「通用模板」，而是一個「需要選擇應用場景來使用的精準技巧」。在安全判斷、道德判斷或審核時可以加上它。但對於事實查證、分析、程式碼生成或推理任務，不要無謂地加上它。只要意識到這個區別，準確度就能提升一個層級。
- 機械式地加上「逐步思考」
「逐步思考」和「讓我們逐步思考」長期以來也被視為最強的提示詞。然而，最近的模型正在進化，模型本身會判斷何時以及要思考多少。每次都要寫「思考」的技術必要性正在消失。
未來的操作應該專注於闡明任務的目的、限制和預期格式，而不是機械式地附加思考指令。而對於需要推理的複雜任務，則開啟模型自身的思考功能，將判斷留給 AI。這與新一代模型更相容。
- 手寫提示詞並憑直覺微調
這可能是最重要的一點。許多日本人將提示詞當作「藝術品」來手寫，並透過選詞和直覺來微調。與此同時，全球的專業人士將提示詞視為「程式碼」。他們設計、進行版本控制、測試，並使用評估標準（eval）進行評分來優化。
為什麼會有這麼大的差異？原因很簡單。手寫的直覺無法檢測出「一個對 90% 輸入有效的提示詞，在 10% 的情況下會災難性地失敗」。因此，他們首先為「什麼算是正確答案」創建一個評分卡，並根據它來衡量提示詞。
你今天就可以開始的「評估思維」第一步：
(1) 將同一個提示詞執行 5 次，觀察輸出的差異。(2) 寫下良好輸出共有的 3 個條件（這就是一個簡單的評估）。(3) 在詞彙層級創建多個版本的提示詞，並進行比較，直到它們滿足這 3 個條件。
順帶一提，即使是意義相同的詞彙，輸出也會改變。AI 對「Calculate」和「Compute」的反應有微妙的差異。手寫的直覺無法控制這種詞彙層級的差異。這就是為什麼將你的大腦切換到「測量並改善」的模式是有價值的。
我在第 1 章到第 9 章中介紹了許多可以添加的技巧。但那些成長的人，也會決定要「停止」什麼。
結語 — 提示詞已成為「思考的藍圖」
到目前為止，我一口氣介紹了大約 40 種技巧和知識。最後，我想將我在這篇文章中想要傳達的重點總結為一件事。
提示詞不再是「指令」。它們是「思考的藍圖」。
在第 1 章，我們傳遞了思考方式本身。在第 2 章，我們從終點逆向推導。在第 3 章，我們將 AI 作為一個軍團來運作。在第 4 章到第 6 章，我們設計了提示詞的外部 = 上下文、內部結構和 Harness。在第 7 章，我們使用了秘密技巧；在第 8 章，我們用 MCP 給了 AI 手和腳；在第 9 章，我們設定了自動化機制；在第 10 章，我們放下了舊習慣。
它們的共同點是，它們寫的是「如何讓它思考和行動」，而不是「要輸出什麼」。指令 vs. 藍圖。這個區別決定了 AI 是停留在「一個方便的工具」，還是變成一個「能自行運作的夥伴」。
這裡介紹的技巧既不需要天賦，也不需要英文能力。你所需要的，只是從今天開始，用稍微不同的結構來寫你的提示詞中的一行。複製一個你感興趣的模式並試試看。這將是你的第一步。
感謝你閱讀到最後。我希望這篇文章能成為一個催化劑，將你與 AI 的關係提升一個層級。
在此諮詢 AI 👇
