前言
對話不是輸入命令，而是邀請共構；說清楚你的世界，是協作的第一步。
這是你嗎？
庭安是一個自由工作者，因為最近正好案子比較少的關係，又有房租生活費的壓力，讓庭安被生活壓的喘不過氣。
庭安聽說ChatGPT會比跟真人訴苦還要來得更好，於是決定打開ChatGPT，在鍵盤上敲下：「我最近工作上有點煩，可以聊聊嗎？」
只見ChatGPT很快地給出答覆：「當然可以，我在這裡陪你。你想從哪個角度聊聊——是事情本身，還是你對它的感受？」其實庭安更希望的是自己可以得到一些關於自由工作者工作方向的建議，但是ChatGPT這樣的說法似乎更像是情緒上的陪伴，不太符合他的需求。
「不是說ChatGPT很能解決問題嗎？感覺也還好嘛...」庭安心中不禁這麼想著。
接著鏡頭來到阿哲，一位正在為了吸塵器的行銷文案很苦惱的行銷企劃。
他打開Gemini，想說可以跟AI來一個腦力激盪，看看人腦跟AI的創意有沒有辦法迸出新滋味。
阿哲因為有上過相關AI培訓課程的關係，所以大概知道應該要怎麼樣跟AI對話跟設定角色，於是開啟電腦以後輸入：「請你擔任一位資深的行銷文案企劃，幫我寫一篇幽默風格的行銷文案，字數在300字以內。」
正當阿哲覺得當AI給他文案內容以後，今天就可以收工下班了，沒想到AI後來給他了一個意境，最後還附上了：「你知道嗎？這款吸塵器，連你家的貓都會想要買喔！」
阿哲覺得AI的文案完全沒有呈現出他們家商品的特色，而且受眾感覺很侷限只有在養貓的貓奴們，雖然好像是幽默但似乎哪裡怪怪的。
畫面來到了小芸，他是一位正在為了畢業論文而努力的研究生。
因為要開始寫畢業論文以前，必須要向系辦提出論文計劃書，小芸的心中有大概的想法，但是還沒有把架構組織起來變成一個可以交出去的計劃書，因此相當苦惱。
於是小芸打開了Copilot，輸入：「我需要一份科技教育的論文大綱，請幫我整理五個面向，每個面向附一段說明。」
結果Copilot跑了很多像是教育科技相關的發展歷史、工具的應用、師資培訓的發展等等的資訊，看起來好像非常多的內容。
她看著那些內容，心裡卻浮現一句：「這些好像都不是我想交出去的東西。」
這些情況看起來令人困擾與挫敗，但似乎不是所有人都是如此。
好的開始，是成功的一半
有一群人，他在開始對AI提問以前，會先明白自己在這個對話過程中想要得到什麼，以及必須要先讓AI知道的前提脈絡與背景知識，甚至在提問的時候自己的最終目標是什麼。
偶然看到這一群人在使用AI的電腦畫面，他們的畫面看起來有點怪——明明一直在打字，AI卻什麼都沒回。但他們好像不急，甚至有點享受這種前置鋪陳的過程。
看似非常花時間，但這群人最後卻可以在不需要經過太多討論與修正時，得到切合自己需求的AI產出。
對於他們而言，AI好像是他們的靈魂伴侶、貼心的思考助手，AI似乎很懂他們，而且能精確地提供他們想要的內容跟資訊。
其實，這就是好的起手語的力量。
第一句話決定對話的品質
不是交派任務，而是邀請進入思維
起手語，就是跟AI對話時，打開對話框以後輸入的第一個問題。
那些能讓AI成為貼心助手的人，不是因為他們有多會使用文字提示(prompt)，或是有多會使用模板，而是因為他們懂得怎麼開口，以及清楚地拿捏甚麼情況下應該要說什麼。
很多時候，我們在使用AI時，會習慣性把起手語當成任務派送：「幫我寫一篇文章」、「請你扮演某某角色」、「給我三個建議」。
這種語言結構的本質，是命令式的，是單向的，是純粹把AI當成一個冷冰冰的工具來使用。
但真正高品質的對話，不是從任務開始的，而是從語境開始的。不是單方向式、命令式的，而是雙向的有來有往的互動，在這個互動的過程中創造高品質的結果。
這也是為什麼我們需要強調起手語的設計。
起手語本身不只是「我想要什麼」，而是「我現在在哪裡、我希望你怎麼理解我、我們要一起完成什麼」。它是一種對話空間的開啟方式，而不是任務清單的投遞口。
好的起手語像是在鋪一張地毯，讓AI能夠順著你的語境走進來。它不是「你幫我做什麼」，而是「我們怎麼一起開始」。這種設計思維，來自於對語言的理解，同時也來自於你對於這一段對話互動的期待。
而同時，問問題的方式，也決定了對話的深度。你如果只問「幫我整理五個面向」，AI會給你一份格式正確但可能無法貼合你的想法的內容。
但你如果說「我正在思考科技教育的論文方向，希望能釐清哪些面向最值得深入，請幫我整理五個切入點，並附上簡短說明」，AI就會進入你的思考脈絡，而不是只完成表面任務。
轉換你的想法，將起手語轉換成是，它是對話的邀請函。你怎麼寫這封邀請，決定了AI會不會來、怎麼來、用什麼方式陪你走下去。
起手語之於使用者：投入意願增加
好的起手語，他不只可以讓AI更懂你，從提問者的角度來看，也可以更願意讓你繼續說下去。
它是一種心理上的啟動機制，一種「我有在設計這場對話」的掌控感。
依據我們一貫在這個系列文章中最常引用的自我決定理論(Self-determination theory, SDT)[1]可以知道，一旦滿足了自主性、勝任感與連結的時候，會將人們為行為的動機轉換為高品質的動機，而更有做這件事情的意願。
當你能夠主導對話、清楚交代背景並且藉此感受到AI更貼合的回饋時，人們就會更願意投入互動與對話。讓與AI的對話之間不再只是很單純的命令式任務指派，而是開啟了一場有價值的、真正的交流。
而在價值期望理論(Expectancy-value theory, EVT)[2]中，行動的動機則是來自於期望與價值，當我們一旦認為「這個對話對於我來說會有用」以及相信對話「後續可能解決問題與煩惱」，我們就會更傾向在起手語裡面多說一點，不只是讓AI更容易對齊目標，也讓自己更相信這場對話有意義。
另外再根據Tversky和Kahneman於1981年的研究[3]顯示，對於等價的內容但是卻採用正面或是負面的不同表述，也會深深影響到人們的決策偏好，即使內容邏輯上等價，語句的表述方式仍會改變人們的認知焦點。
這也提醒了我們，在與AI展開的對話中，起手語的設計以及整個對話的節奏與氛圍，往往會影響到我們最後針對問題做下的決策。
起手語之於AI：讓他更懂你
AI看起來雖然好像可以解決很多問題，但事實上他仍然不會是你肚子裡面的蛔蟲。
你可能會期待他像是伴侶一樣，在你什麼都不需要說的時候就能清楚了解所有關於你的事情。
但就算是伴侶之間互送禮物，要能夠準確地知道你的愛好、款式、尺寸，這其實是一件太小概率的事情。
跟AI的對話也是一樣的，AI沒有辦法在你什麼都不說的時候，自動知道你在想什麼，也沒有辦法預設你想要的對話節奏、判準邏輯，他充其量只能夠根據你的語言線索，去推測你想要展開的對話空間是什麼樣子。
畢竟，如果我們已經預設好了答案的樣子，那就會很容易因為對話不符合我們的預期而失望。
Brown等人在2020年針對GPT-3的研究[4]中指出，GPT-3本身的表現會跟使用者的文字提示有關，也就是說AI本身的理解是針對你的語言驅動的，也會根據你的語言線索來推測其餘的內容。
這種理解並非來自模型本身的智慧，而是來自使用者語言的引導。
同一篇研究中也明確指出，再給足了範例或是使用者需求的時候，模型甚至能夠展現出「理解」的行為，能夠處理抽象的推理或任務。
簡而言之，語境提示的設計會直接影響AI的回覆品質，當你選擇多說一點的時候，AI的回覆就可以更貼近你的需求與期望。
而再更近一點，Zhou等人在2023的研究 [5]中同時也發現了，大型語言模型回覆的品質，會跟最一開始你怎麼跟模型對話的語句設計有關，這些策略不需要額外訓練，只靠語言設計就能提升模型的貼合度。
模糊的起手語容易讓模型偏離使用者意圖，而精準的語境設計能提升回覆的一致性與貼近度。
傳統的語言提示因為較為欠缺語境導向的提示，容易導致模型「過度泛化」或「語境漂移」而顯得不夠貼合。
這些研究也都說明了，起手語本身不僅是任務的指示，而是希望「我怎麼理解你」。
如果你願意多交代一點背景、目的，甚至你希望的風格，AI便會用你期待的那樣去理解你，也決定了它會用什麼角色、什麼語氣、什麼判準邏輯來回應你。
如果我們都已經預設好了答案的樣子，那為什麼我們不主動跟AI說呢？
Clark和Brennan在1991年的研究[6]也提醒我們，有效的對話會仰賴「共同語境(common ground)」的建立，除了語氣的設計、目的、背景的建立會影響到對話的品質以外。對話者會使用各種策略來確認彼此理解，包括重述、提問、回饋詞(像是「嗯」「喔」)，來確認雙方有達到真正的理解。
而這樣的對話過程，是一種持續的協商過程，而不是一次性的理解。
AI雖然不是人，但是他的語言模型運作仍然也是仰賴背景交代、語境鋪陳，才能讓AI的回覆更符合你要的。
深度對話不僅適用於人類，也適用於AI對話
我們之所以會期待AI可以懂我們，並且給予我們期待的回覆，這是因為我們已經習慣了人類之間的「被理解」。
但其實人類之間的理解本來也不是天生就建立的，對於從未有過交集的陌生人，我們也會透過對話的情緒與回應、自身背景的交代、更多相處的回憶，以及願意問出深一點問題的勇氣，來增加對於對方的理解。
Kardas和Schroeder在2022年的研究[7]發現，人們經常在對話中聊得太少，甚至會低估了深度對話可以帶來的愉悅感與親密感。
這個現象往往可能來自於，對「深度問題」的社會焦慮與預設擔憂，例如：「會不會太突兀？」「對方會不會不想聊這麼多？」。
提問者在使用AI的時候，可能也會有類似的擔憂，例如：「會不會太我打這麼多文字結果AI還是亂回？」「這樣會不會很沒有效率？」
但事實上，更多的背景、目的的交代，能夠讓AI更確立你心中答案的樣貌。
你願意多說一點背景、補上一句「我現在的狀態是…」，對方就更容易進入你的世界。AI也一樣。
不是錯誤，而是還沒有被照顧
也許你有在網路上嘗試找過很多「好用」的prompt，來設定角色、語氣。你也可能就是直接打開AI的視窗以後直接下指令，或是很單純憑著直覺輸入一段話。
這些方式其實都沒有錯，它們只是我們在摸索與AI建立連結的過程，一種「我試著讓你懂我」的努力。
但有時候，我們的語句看起來很完整，但是卻沒有把背後的目的卻交代清楚。
像是「請你幫我寫一篇文章」，這句話本身沒問題，但如果沒有補充背景、受眾、語氣或目的，AI可能會給出一份不太貼近的你的需求的內容。
這個時候我們心裡可能會浮現：「怎麼回得這麼表面？」但那其實不是AI的問題，也不是我們的錯，而是對話的空間還沒有被準備好。
也有時候，我們會使用角色設定：「請你扮演一位資深行銷企劃。」我們心裡想的是：「這樣你應該知道要怎麼講話了吧？」但如果沒有搭配語境與目的以及後續的對話，它可能會變成一種模仿，而不是理解。AI可能會回得很像，但我們卻覺得：「好像有點對，但又不太對。」
這些都不是錯誤，而是在提醒我們起手語的設計思維，它不只是一種技術或是可以帶入變數的模板，而是一種「我想要讓你了解我」的對話思維。
它需要我們願意多說一點、多想一層，讓AI能夠真正進入我們的世界，而不是只在任務表面打轉。
我們的做法，不是要否定這些嘗試，而是要照顧它們背後的期待。
我們相信，當起手語被設計得更貼近心理參與、更清楚語境、更有情緒線索，AI不只是回得更準，也更容易讓人感受到：「我真的有被理解。」
這不是一種更聰明的做法，而是一種更溫柔的開始。
打造好的起手語，是高品質對話的起點
我們一路走來，從使用者的心理需求、AI 的理解機制，到人類對話的深度結構，都在說同一件事：起手語不是一種技術操作，而是一種對話設計的思維。
它不是「怎麼叫AI做事」，而是「怎麼讓AI進入你的思維」。它不是「我想要什麼」，而是「我們要怎麼一起開始」。
當你願意在第一句話裡多說一點背景、多交代一點目的，你不只是讓AI更懂你，也讓自己更願意繼續問下去。你不是在操作一個工具，而是在邀請一個可以跟你一起完成任務的協作者。
那麼，問題來了，什麼叫做好起手語？我們該怎麼設計第一句話，才能讓AI回得準、回得深、回得貼近？
接下來，我們將一起進入起手語生成器的設計邏輯，拆解「好的起手語」需要具備哪些元素，並實際練習打造屬於自己的第一句話。
這不只是練習，而是一次真正的開始。準備好了嗎？我們一起走進你的第一句話。
起手語的魔術師：起手語產生器
起手語設計的前置
在前面的幾篇文章中，我們已經談過了提問的語氣，讓你初步了解自己在AI對話中語氣的主導權程度。
接著我們透過動機的辨識，目標的錨定，讓你更清楚你每一次問問題的時候都是帶著什麼樣的動機，想要得到什麼最終結果。
如果你還沒有看過我們這個系列的相關文章，建議可以先回顧以下三篇文章的內容：
【AI x learning】 從不動腦到思考迴路：為什麼使用AI前你得先學會提問
【AI x learning】 提問不只是輸入，而是內在方向的外顯：找到屬於你的起跑線
【AI x learning】 對話不是漂流，而是有坐標的前進：學會設定目標，讓 AI 真正懂你要去哪裡
這些文章能幫助你更溫柔地檢視自己的狀態，釐清動機與目標。
由於我們的起手語生成器欄位設計，其實就是前一篇「目標檢測」的延伸，這些欄位正是完成一個好起手語所需要的要素。如果你還沒有確立自己的目標或動機，可能會覺得難以下筆。
因此建議你可以先回去看前幾篇文章做檢測，再回來填寫。
慢慢來，靜下心，帶著耐心去完成，你會發現這個過程本身就是一種思考與整理。
當然，如果你已經對自己很了解，也可以直接開始使用下面的起手語產生器。
好的起手語所應該具備的要素
那麼，什麼樣的起手語才算是「好」的呢？
近幾年的研究，對於應該如何與AI對話的文字提示(prompt)有很詳細的研究，Lin在2023年的研究[9]中提出了「十個設計高品質 prompt 的原則」。
Hewing 與 Leinhos在2024的研究[10]中則提出了「Prompt Canvas」，整合了文獻中常見的要素，包含角色設定、語境交代、任務指令、格式要求、風格語氣與限制條件。
另外在2025年Do等人[11]更進一步，透過對一百五十多篇文獻的整合，提出了21項prompt屬性，並歸納為六大維度：語境、清晰度、風格、任務導向、互動性與限制條件。
我們整理了前面的三篇文章的內容，整理出了好的起手語需要同時兼顧以下幾個要素：
語境(Context)
語境是對話的背景資訊與情境設定。沒有語境，AI只能憑空猜測，很容易答非所問。
在我們的起手語產生器裡，語境是透過「動機專屬欄位」來補充的，例如問題導向型的任務成果與期限、思考整理型的混亂點與前提條件，這些都能幫助AI更快進入你的思維脈絡。
清晰度(Clarity)
清晰度指的是表達是否具體、明確，避免模糊或過度籠統。當你的起手語越清楚，AI的回覆就越能對準需求。
在我們的產生器裡，這一點透過「目標錨點句」來實現，要求你用一句話清楚交代目標，例如「今天17:00前完成十張投影片的大綱」。
即使目標錨點句簡短，前面的背景補充也能讓整體語境更完整。
角色與語氣風格(Role & Style)
角色與語氣決定了AI在對話中「以誰的身份」和「用什麼樣的口吻」來回應。這會直接影響互動的氛圍與回覆的貼近度。
在起手語產生器裡，這一點我們會透過「AI 角色」與「回覆語氣」兩個欄位來完成，你可以自由描述，例如「技術顧問，用精準直接的語氣」或「創意合作者，用溫柔但結構清晰的語氣」。
但仍須記得，角色跟語氣風格的決定會隨著對話的展開，AI從對話語言線索去做猜測而有所轉換。
任務導向(Task Orientation)
任務導向指的是讓AI明白「我要完成什麼具體任務」，沒有任務導向，AI的回覆容易流於閒聊或不聚焦。
在我們的起手語生成器中，任務導向是透過動機模組與專屬欄位來實現，例如「創作輔助型」會讓你交代創作形式、用途、風格參照，這些都是任務導向的具體化。
互動性(Interactivity)
互動性指的是prompt是否能引導AI與使用者展開對話，而不是單向的命令。前面的文獻中亦有提及，透過反覆的對話與確認，可以逐步建立理解程度，這也是在說明互動性的重要。
AI起手語生成器中未必真的能夠產生足夠的互動性，因為畢竟我們只是開口問出第一句話，但是在後續的提問節奏設計時，你會感覺到在起手語設計良好時，AI有機會帶來意料之外的啟發，陪你展開更多交流。
限制條件(Constraints)
限制條件是幫助AI收斂範圍的規範，例如「不要超過 500 字」、「不要涉及技術，只談心態」。
在我們的起手語生成器中，限制條件隱含在專屬欄位與前提條件的設計裡，例如「思考整理型」的「前提條件」，或「模糊探索型」的「不處理的範圍」，這些都能幫助AI收斂範圍，避免偏離需求。
起手語產生器小亮點
從這些研究的整理可以看到，好的起手語需要同時兼顧語境、清晰度、角色與語氣、任務導向、互動性與限制條件。
而我們的起手語產生器正是把這些要素拆解成容易填寫的欄位，讓你在不知不覺中，就完成了一個高品質的起手語。
它不是要你一次寫出完美的句子，而是透過欄位的引導，幫助你逐步把這些要素補齊。
最後生成的文字方塊，也保留了修改的空間，讓你能依照自己的需求再做調整。這樣的設計，讓起手語不再是壓力，而是一個被陪伴、被支持的過程。
當你完成填寫並按下「生成起手語」，系統會自動組合成一段完整的文字，並顯示在下方的文字方塊裡。
你可以自由修改、調整，然後一鍵複製使用。
它的亮點在於，它不是死板的模板，而是依照你的動機與目標動態生成；它幫你把心理需求轉換成語言結構，讓AI更容易理解你；它也保留了彈性，讓你能在最後一步自由調整。
另外，你也會發現生成器最後會自動加上一句「請先不要輸出，後面我會提供對話節奏。」這是因為我們下一篇文章會專門介紹和AI對話的節奏。
如果你想完整體驗，可以等到看完那篇文章再搭配使用。但如果你已經準備好了，也可以直接刪掉這句話，馬上開始。
現在你可以靜下心，放一首輕柔的音樂，開始填寫你的起手語產生器囉！
AI起手語產生器
由於起手語產生器是一個小型的互動程式，而且會根據你的動機而有不同的填寫內容，因此如果有要使用的讀者建議可以前往我的部落格喔↓
起手語的微調
當你使用起手語產生器得到最一開始的起手語時，這只是起手語的第一步，真正的對話，從你親手調整開始。
前面我們一直有強調，起手語是你跟AI對話的第一個最重要的開場白，只有「怎麼做比較好」，而沒有一個最完美的標準答案，當然也不可能100%符合你的風格與需求。
研究文獻中所提及的，好的起手語所應該要具備的語境、清晰度、角色與語氣、任務導向、互動性與限制條件都已經被照顧進去了。
但是最後的調整，仍然需要你親手完成，透過這些小小的修改，讓起手語可以更貼近你的需求，也更符合當下的狀態。
如果你覺得起手語產生器產生的語境資訊還是太少太模糊了，或是限制條件不夠，你可以試著在其中增加更多背景相關的描述，讓你的問題更具體化。像是受眾的資訊或是適用的場景，如：「這是一份要在高中演講的講稿」，讓AI可以更能聚焦提供給你的回覆，是更貼近需求的。
要如果你擔心AI的回覆風格不夠貼近你的期待，你也可以透過更細緻地微調角色或語氣來做修正，例如在起手語裡面補上一句「請用鼓勵但不說教的語氣」或是「請溫柔、不要批判的語氣」。
語氣的修正可以用在提問者與AI之間的對話氛圍指定，也可以是針對後續產出的內容像是部落格文章、講稿的語氣指定。
另外如果你發現生成的起手語沒有完全貼合你的任務需求，也可以特別強調你想要AI幫你做的事情，像是「最重要的成果是....」等句子，讓AI更聚焦在你最希望的任務。
只要在具備好的起手語的要素下，起手語本身的內容都是自由的，也只有你自己最清楚自己跟AI對話的內容應該要是什麼樣的。
所以最後的這個調整，不能是別人，只能由你來完成。微調完了以後，這就是你本次跟AI最獨一無二的，最適合你的起手語。
起手語生成器填寫範例
子寧是一個要交報告的研究生，但是他卡在了架構不知道應該要怎麼處理，報告的風格也是一個問題。
於是他動機檢測的結果中，他發現自己是屬於問題導向型以及思考整理型的雙主動機的類型，而他希望優先處理思考整理型的動機。
他的目標錨點句填寫的是：「期末報告初稿需在本週五前完成，包含三個主題段落與結論。」
AI的回覆語氣則是填寫：「清晰但不生硬，能幫助我釐清思路。」
另外在AI角色裡面則是填寫：「思緒整理師，協助我釐清架構與風格選擇。」
而在問題導向型的專屬欄位中，子寧則寫上了對應的內容：
任務目標與成果：完成一篇 1500 字的期末報告，主題是「科技與教育的交會」。
完成期限：本週五晚上 11 點前。
成功標準：教授希望看到清楚的論點架構與批判性思考。
延伸探索：常見的論文架構、如何避免論點過於鬆散。
額外好奇：有哪些常見的論文風格？我可以怎麼選擇適合自己的？
另外，在思考整理的專屬欄位中，則分別寫上了：
混亂點：我不確定要用比較式還是論證式的架構，也不確定要從教育面切入還是科技面。
決策目標：希望能選出一個清楚的主軸，並決定整體論述風格。
前提條件：不能偏離課程主題，也不能太過技術導向。
延伸探索：如何建立論述主軸、風格選擇的心理影響。
額外好奇：不同架構會影響讀者理解嗎？教授偏好哪種風格？
但是子寧發現自己還有其他想要補充的，像是「教授偏好批判性分析，但我比較擅長敘事式風格，可以協助我找到折衷方式嗎？」「我有點焦慮，希望 AI 的回覆能讓我安心，不要太複雜。」「請用條列式回覆，每點不超過 100 字。」
於是子寧選擇將這些補充的內容放置於起手語的最後，得到最後如下的起手語：
我希望你以思緒整理師，協助我釐清架構與風格選擇的身份，採用清晰但不生硬，能幫助我釐清思路的語氣，幫助我完成期末報告初稿需在本週五前完成，包含三個主題段落與結論。在這些任務中，請先從「思考整理型」開始。如果有需要，我的任務目標與成果是完成一篇 1500 字的期末報告，主題是「科技與教育的交會」。完成期限是本週五晚上 11 點前。成功的標準是教授希望看到清楚的論點架構與批判性思考。我也想延伸探索常見的論文架構、如何避免論點過於鬆散。我還想知道有哪些常見的論文風格？我可以怎麼選擇適合自己的？目前讓我卡住的是我不確定要用比較式還是論證式的架構，也不確定要從教育面切入還是科技面。我的決策目標是希望能選出一個清楚的主軸，並決定整體論述風格。前提條件是如何建立論述主軸、風格選擇的心理影響。我也想延伸探索如何建立論述主軸、風格選擇的心理影響。我還想知道不同架構會影響讀者理解嗎？教授偏好哪種風格？教授偏好批判性分析，但我比較擅長敘事式風格，可以協助我找到折衷方式嗎？我有點焦慮，希望AI的回覆能讓我安心，不要太複雜。請用條列式回覆，每點不超過100字。請先不要輸出，後面我會提供對話節奏。
其實最後的結果不是這樣的一大坨啦，只是因為文字太多了乾脆直接整併成一段，你可以自己輸入看看，丟進AI裡面喔！
小結
你不再卡在「不知道怎麼開始」，而是能自然地建立語境。你說出口的第一句，就是讓思維啟動的開關。
從第一句話開始，讓AI可以更懂你。
你不需要很完整才開口，你只需要讓AI能懂你是誰。現在就試著產生一個你自己的起手語句吧。
當你越說清楚你是誰，AI就越能帶你去你想去的地方。但請記得，起手語不是完美句型，而是思維的啟動器，只有你自己最清楚，什麼東西是最適合你的。
每個人的起手語，都是獨一無二的對話開場白，它不只是語言的開始，更是思維的邀請。
但除了最一開始的第一句話，你的對話節奏也在決定你怎麼思考。
下一章，我們將幫你找到你最自然、最符合你的提問與對話節奏。
參考文獻
[1] Ryan, R. M., & Deci, E. L. (2000). Self-determination theory and the facilitation of intrinsic motivation, social development, and well-being. *American Psychologist*, 55(1), 68–78. https://doi.org/10.1037/0003-066X.55.1.68
[2] Wigfield, A., Tonks, S., & Klauda, S. L. (2009). Expectancy-value theory. In K. R. Wentzel & A. Wigfield (Eds.), *Handbook of motivation at school* (pp. 55–75). Routledge. https://doi.org/10.4324/9780203879498
[3] Tversky, A., & Kahneman, D. (1981). The framing of decisions and the psychology of choice. *Science*, 211(4481), 453–458. https://doi.org/10.1126/science.7455683
[4] Brown, T. B., et al. (2020). Language models are few-shot learners. *arXiv preprint* arXiv:2005.14165. https://arxiv.org/abs/2005.14165
[5] Zhou, W., Zhang, S., Poon, H., & Chen, M. (2023). Context-faithful prompting for large language models. *Findings of EMNLP 2023*, 14544–14556. https://doi.org/10.18653/v1/2023.findings-emnlp.968
[6] Clark, H. H., & Brennan, S. E. (1991). Grounding in communication. In *Perspectives on socially shared cognition* (pp. 127–149).
[7] Kardas, M., & Schroeder, J. (2022). Keep talking: (Mis)understanding the hedonic trajectory of conversation. *Journal of Personality and Social Psychology*, 123(4), 717–740. https://doi.org/10.1037/pspi0000379
[8] Graesser, A. C., & Person, N. K. (1994). Question asking during tutoring. *American Educational Research Journal*, 31(1), 104–137. https://doi.org/10.3102/000283
[9] Lin, Z. (2023). Ten simple rules for crafting effective prompts for large language models. ResearchGate. https://www.researchgate.net/publication/371123456_Ten_Simple_Rules_for_Crafting_Effective_Prompts_for_Large_Language_Models
[10] Hewing, L., & Leinhos, M. (2024). The Prompt Canvas: A literature-based practitioner guide for creating effective prompts in large language models (Version 1) [Preprint]. arXiv. https://arxiv.org/abs/2412.05127
[11] Do, H., Tan, Y. S., Zhang, Y., & Salesforce Research. (2025). What makes a good natural language prompt? (Version 1) [Preprint]. arXiv. https://arxiv.org/abs/2506.06950
