寫了幾期的提示詞分享，這期來分享一下我是怎麼寫出這些 Prompt 的。
其實，這也是一段從「手工業」進化到「自動化生產」的歷程。今天就來拆解我的心法，希望能幫大家少走一點彎路。
第一階段：從「手動條列」到「AI 生產」
一開始，我也跟大多數人一樣，用最直覺的方式寫作：第一步做什麼、第二步做什麼、第三步輸出什麼。這種「條列式」寫法雖然穩當，但效率低且缺乏彈性。
直到 Gemini 的 Gem 功能推出後，我開始研究官方的寫法。當時只覺得指定角色（Persona）很麻煩，還沒意識到它的威力。直到最後，我決定直接問 AI：「到底要怎麼寫好提示詞？」
AI 給了我一套完整的架構。我利用這套架構，訓練出一個專門寫 Prompt 的 AI，我稱之為「提示詞工程師」。
這一刻，我跨過了第一個門檻：從辛苦的「製作」提示詞，變成了高效的「生產」提示詞。
第二階段：人機協作的三個關鍵心法
在這個階段，我的角色轉變為「專業指引者」，而 AI 則是負責完善架構的執行者。我發現了三個影響成敗的關鍵：
1. 專業步驟的差異：SWOT 案例
有沒有提供「專業指引」，結果天差地遠。
- 一般指令：如果你只叫 AI 做 SWOT 分析，它只會給你一個基本的四格表。
- 專業指令：當我介入指導，要求它先完成 SWOT，再依序進行 SO（優勢+機會）、WO（劣勢+機會）、ST、WT 等交叉組合分析（TOWS），並提示填寫思路。AI 就能產出深度完全不同的策略建議。AI 需要你的專業來導航，否則它只是個普通的百科全書。
2. 角色扮演的災難：課程價格案例
角色的重要性，是在一次失敗中學到的。
我曾製作一個「課程諮詢 GPT」，用來回答我的課程內容、時間與價格。但在測試時，當我問它「價格多少？」它竟然回答：「我是免費的。」
經過深度排查才發現，問題出在「角色定錨」。如果沒有嚴格限制它扮演「我的課程服務員」，它就會切換回原本的 ChatGPT 或 Gemini 視角，認為自己是免費工具。
教訓：涉及確切資料回覆（如價格、規章）時，必須嚴格定義角色與資料邊界。
3. 解決知識盲區：善用 Deep Research
如果想寫的提示詞不在我的專業範圍內怎麼辦？
例如，我想做一個 GPT 幫助高一的兒子了解「高中課程與未來職業的關係」。這完全超出了我的認知。
解決方法是：先搜尋，再生成。
我先透過 AI 的深度研究（Deep Research）功能，搜集幾份權威報告，檢視挑選後再將這些基礎資料「餵」給 AI，讓它根據這些資料生成出專業的提示詞。
第三階段：本地化與效能優化
寫好的提示詞不能直接跨平台複製貼上，必須進行「本地化」調整：
- 適應模型特性：我在 GPT 上學到的 Slash Command（指令切換），如果要給 Gemini 用，我會把要求丟給 Gemini，請它「修改成適合你自己閱讀的格式」。
- 字數與算力限制：
Perplexity：它的 Space 功能有 4000 字元的限制，提示詞必須進行高強度的壓縮。
本地部署 LLM：本地端的硬體算力不如雲端大模型。提示詞若太長，光是解析就耗盡資源。建議本地端使用的提示詞應控制在 500 字元以下，以換取執行速度。
結語：工具分享
最後，分享幾個我製作的自訂 GPT/Gem 給讀者們體驗。（溫馨提醒：雖然是我分享的 Prompt，但耗用的是您自己的 Token，別以為有便宜可佔，把額度玩光了！）
你目前的提示詞寫作，停留在哪個階段呢？
