Claude Prompt 教學：用長文與推理優勢把產出品質拉高 3 倍

這篇解決什麼問題？ 很多人把 Claude 當成「會聊天的搜尋框」，結果產出零散、格式跑掉、處理長文件就崩。本篇教你用三個 Claude 專屬技巧——XML 標籤結構、長文脈絡管理、思考鏈推理——把同一個任務的產出品質穩定拉高。誰適合讀？ 需要用 AI 處理合約、報告、客服、研究資料的企業團隊與內容工作者。讀完你會得到？ 一套可複製的 Prompt 範本、一張 Workflow 流程圖、一個進階的脈絡管理層，以及兩個台灣企業導入的真實成果對照。

為什麼 Claude 的 Prompt 要特別寫？

市面上多數 Prompt 教學是針對 GPT 系列寫的，直接搬到 Claude 上常常事倍功半。原因在於 Claude 的訓練方式讓它對「結構」與「脈絡」格外敏感：

• 它特別吃 XML 標籤。 Claude 把 <document>、<instructions> 這類標籤當成明確的內容邊界，分隔得越清楚，誤讀越少。這是 Anthropic 官方在訓練階段就強化的偏好，不是民間迷信。
• 它的長文能力是核心優勢。 20 萬 token 起跳的脈絡視窗，意味著你可以一次丟整份合約、整本手冊進去，而不是切成碎片。但長文也帶來新問題：資訊埋在中段容易被忽略（業界稱「中間遺失，lost in the middle」），需要靠結構來「定位」。
• 它的推理需要被「啟動」。 Claude 有很強的逐步推理能力，但你不引導，它常常為了快而跳步。一句「先思考再回答」就能換來明顯更紮實的結果，這背後的原理就是 思考鏈推理 Chain of Thought。

如果你已經熟悉 ChatGPT Prompt 教學的基本功，這篇就是補上 Claude 的差異化打法；想橫向比較三大模型的指令偏好，Gemini Prompt 教學是另一塊拼圖。若你還沒建立一套通用的指令骨架，建議先讀 Prompt 工程框架，再回來套用 Claude 的專屬技巧。

核心概念：把 Prompt 當成「交辦工作的工單」

寫 Claude Prompt 最好的心智模型，是把它想成「交辦給一位能力很強、但完全不認識你公司的新進顧問」。你不會只丟一句「幫我看一下這個」，而是會給他角色、資料、範例和驗收標準。

下表對照「業餘寫法」與「專業寫法」的差別：

三個技巧構成一個金字塔：結構（標籤）是地基，脈絡（長文管理）是樓層，推理（思考鏈）是屋頂。 少了地基，後面都會塌。

要把這個金字塔變成可複用資產，固定不變的部分（角色、語氣、防幻覺規則）應該抽到 System Prompt 系統提示設計，每次只在使用者訊息裡換變動的資料。這個「固定/變動分離」的觀念，是所有專業 Prompt 工程的起點。

實際教學

Step 1：設定角色與任務框架

開頭一句話講清楚「誰、做什麼、給誰看」。這比任何客套話都有用。

你是一位台灣的資深財報分析師，要為不懂會計的中小企業老闆，把這份季報的關鍵風險整理成白話摘要。

Step 2：用 XML 標籤包裹輸入

這是 Claude 最關鍵的差異化技巧。把指令、資料、範例分開放，Claude 就不會把你的資料當成指令、或把指令當成資料。

<instructions>
分析以下財報，找出三大營運風險。
</instructions>

<report>
（這裡貼整份財報文字）
</report>

Step 3：啟動思考鏈推理

加一段引導，讓 Claude 先想再答。對於審閱、計算、比對這類任務，品質提升最明顯。

請先在 <thinking> 標籤內逐項比對數據與風險，再於 <answer> 標籤內輸出最終摘要。

這個技巧的完整理論與更多變化型，見 思考鏈推理 Chain of Thought。

Step 4：提供少量範例校準

給 1 到 3 個「輸入長這樣、輸出該長這樣」的示範，Claude 會自動對齊你的格式與語氣。範例的威力遠大於文字描述。

Step 5：指定輸出格式與驗收標準

最後把「我要什麼樣的成品」寫死，並列出驗收條件，例如「每條風險附原文出處頁碼」「全程繁體中文台灣用語」。這一步決定了結果能不能直接拿去用，而不用再人工修。

想把這套 Prompt 接進工具與資料庫，讓 Claude 自動拿到外部資料並可重複執行，請參考 部署 Claude Code 實戰。覺得每次手寫太累？也可以用 Prompt 產生器先生成草稿，再依本篇技巧微調。

進階：更深入的一層——長文脈絡的「定位」工程

前面五步足以應付九成日常任務。但當你真的把 10 萬字以上的資料一次丟進 Claude 時，會撞到一道隱形的牆：模型「看得到」整份文件，不代表它「重視」每一段。 這一節談的就是專業團隊怎麼跨過這道牆。

問題的本質：注意力不是均勻分布的。 長脈絡模型對「開頭」與「結尾」的注意力，普遍高於「中段」。一份 8 萬字的合約，最關鍵的違約金條款若剛好落在 55% 的位置，模型很可能輕描淡寫帶過。這不是 Claude 的缺陷，而是目前所有長脈絡 LLM 的共通特性。

三個定位工程技巧：

1. 資料前置、指令後置。 把長文放 Prompt 前段、把「你要做什麼」的指令放最後。模型讀到指令時，長文還在「近因記憶」裡，遵從度明顯較高。
2. 為長文加索引標籤。 不要只丟一坨文字，而是用 <section id="3.2" title="違約責任">...</section> 這種帶屬性的標籤切段。之後你就能在指令裡精準下令「逐一檢視每個 section，回報 id 與風險」，等於給模型一張地圖。
3. 要求「逐節掃描 + 回報座標」。 在規則裡寫「每找到一個風險點，必須回報它所在的 section id 與原文摘錄」。這一招同時達成定位與防幻覺：模型必須先真的「指到」原文，才能下結論。

下表把「天真長文」與「定位工程」兩種做法攤開對照：

當單一 Prompt 已經塞不下整個流程（例如要先抽取、再分類、再撰寫），就該升級成 Prompt Chaining 串接——把長文先壓縮成結構化摘要，再把摘要餵給下一支專責 Prompt。這比硬塞一個巨無霸 Prompt 穩定得多。若你的最終產物是長篇報告或白皮書，AI 長文寫作技巧會教你怎麼控制章節結構與一致性。

範例：Prompt 與 Workflow

以下是一個可直接複製的「合約審閱」Prompt 範本，把待審文件貼進標籤即可使用：

你是一位台灣的企業法務顧問，專長為審閱商務合約。
請以保護「我方（甲方）」的立場，審閱下方合約。

<contract>
（在此貼上完整合約全文。建議用 <clause id="1.1">...</clause> 逐條切段）
</contract>

<task>
1. 找出對甲方不利或風險偏高的條款。
2. 逐條說明風險，並引用合約原文與 clause id。
3. 提出具體的修改建議。
</task>

<rules>
- 先在 <thinking> 標籤內逐條分析，再於 <result> 標籤輸出。
- 合約未提及的事項，明確標註「合約未約定」，不要編造。
- 每個風險點必須回報所在 clause id 與原文摘錄。
- 全程使用繁體中文與台灣法律慣用語。
- 以表格輸出：欄位為「條款 id / 風險等級 / 原文摘錄 / 修改建議」。
</rules>

<disclaimer>
此分析為初步整理，非正式法律意見，最終以執業律師審閱為準。
</disclaimer>

對應的 Workflow 流程，可以把上面這支 Prompt 接成自動化管線：

業務上傳合約 PDF ↓ 系統抽取純文字、依條號切成 <clause> 標籤 ↓ 呼叫 Claude 執行審閱 Prompt ↓ Claude 在 <thinking> 內逐條推理、在 <result> 輸出帶 id 的風險表 ↓ 系統解析表格、依風險等級標色 ↓ 高風險條款自動通知法務主管 ↓ 法務確認後回寄修改建議給業務

這種「文件進、結構化結果出」的管線，正是 食譜書裡最常見的模式。當流程需要多階段處理（先摘要、再審閱、再潤飾建議），把單一 Prompt 改寫成 Prompt Chaining 會更好維護；每一段固定的角色設定，則統一收進 System Prompt 系統提示設計。

常見錯誤

• 資料和指令混在一起。 不用標籤，Claude 容易把合約裡的某句話誤當成你的指令執行。永遠用 XML 標籤隔開輸入資料。
• 長文件不給定位線索。 丟了五萬字卻只問「重點是什麼」，關鍵資訊埋在中段就會被略過。請明確指出「重點在第 X 節」或要求逐節處理（見上方進階段落）。
• 該推理的任務要求秒答。 計算、比對、判斷類任務不啟動思考鏈，錯誤率會明顯上升。
• 不設防幻覺規則。 沒寫「找不到就說不知道」，Claude 為了把表格填滿，可能補上看似合理卻不存在的內容。
• 把繁體中文當預設值。 沒明講「使用繁體中文台灣用語」，回覆可能夾雜簡體或中國慣用詞，後續還要人工校對。
• 把所有設定塞進每一次對話。 角色、語氣、規則這些不變的內容應抽進 系統提示，否則既浪費 token，也容易在多輪對話中漂移走樣。

最佳實務

• 範本化＋變數化。 把固定指令做成範本，待填內容用 {{變數}} 預留，方便批次套用與串接 API。需要快速產生第一版可用 Prompt 產生器。
• 長文放前面、問題放最後。 把大段資料置於 Prompt 前段、最終指令放結尾，能提升 Claude 對指令的遵從度。
• 要求引用原文。 凡是涉及事實的輸出都要求附原文出處，既降低幻覺，也方便人工複查。
• 分離「思考」與「答案」。 用 <thinking> 和 <answer> 兩個標籤，既能看推理過程除錯，又能只取乾淨答案給下游。
• 先小樣本測試再上量。 用 3 到 5 份真實文件驗證 Prompt 穩定後，再接進自動化管線批次跑。
• 把成功 Prompt 存進團隊資料庫。 累積成可複用資產，新人直接套用，這也是 食譜書的價值所在。

實際案例一：台灣某連鎖餐飲集團的合約審閱自動化

這家集團在全台有 80 多家門市，每月要簽署大量供應商、租賃與外送平台合約。法務只有 2 人，長期超載。

導入前： 每份合約由法務人工逐條看，平均耗時約 3 小時，每月積壓 40 份以上，常常拖到簽約期限，業務怨聲載道。風險條款全靠人腦記憶，曾因漏看一條自動續約條款多付半年費用。

導入後： 團隊用本篇的合約審閱 Prompt 範本，串成上面那條 Workflow。合約上傳後，Claude 先產出風險表與修改建議，法務只需「複核」而非「從零審閱」。

成果數據：

• 單份合約處理時間從 3 小時 → 約 25 分鐘，效率提升約 7 倍。
• 每月積壓件數從 40 件 → 0 件，全部當週結清。
• 上線半年內，系統揪出 3 件原本可能被忽略的高風險續約條款，估算避免約 新台幣 60 萬元的潛在損失。

關鍵不是「AI 取代法務」，而是讓法務從「逐字閱讀的勞力」升級成「判斷與決策的專業」。

實際案例二：台中某 SaaS 新創的客服知識庫摘要

一家約 30 人的 B2B SaaS 新創，累積了三年的客服對話與技術文件，總量超過 40 萬字。客服新人光是上手就要兩週，常常找不到正確答案。

做法： 他們沒有一次把 40 萬字丟給 Claude，而是改用上面進階段落的「定位工程＋串接」思路。第一段 Prompt 把每篇文件切成帶 id 的 <section>，要求 Claude 產出「問題情境 → 標準解法 → 來源 section id」的結構化摘要；第二段 Prompt 再把這些摘要組成一份分類客服手冊。整條流程就是一個典型的 Prompt Chaining 應用。

成果：

• 新人上手時間從 2 週 → 約 4 天。
• 客服首次回覆正確率（內部抽樣）從約 72% → 91%，因為每則答案都附 section id 可回查原文。
• 知識庫每季更新一次，整個摘要管線重跑只需約 1 小時，過去人工整理要 3 個工作天。

這兩個案例的共同點：真正的槓桿不在「問得多炫」，而在把可重複的指令工程化、把長資料結構化。 想把成品再往「對外發佈的長文」推一步，AI 長文寫作技巧會接續這條路。

免責聲明：本文之合約審閱範例僅為技術教學示意，所產生之內容非正式法律意見，實際應用請由執業律師複核。文中財務與效率數據為案例估算，僅供參考，不代表通用保證。

結論

寫好 Claude Prompt 的核心，不是背一堆咒語，而是掌握它的三項天賦再加一層工程：用 XML 標籤建立結構、用長文脈絡承載完整資料、用思考鏈啟動深度推理，最後用定位工程與串接把長任務拆穩。 把這些組合成範本，再接進 Workflow，你就能把零散的對話升級成可重複、可驗收、可規模化的生產線。

下一步，建議你：先把固定指令抽進 System Prompt 系統提示設計 建立穩定地基，再用 Prompt Chaining 把複雜任務拆成可除錯的小步驟，最後到 食譜書 挑一個現成範本開始改造你的第一個任務。

❓ 常見問題 FAQ

🔗 延伸閱讀

• ChatGPT Prompt 完整教學
• Gemini Prompt 教學
• System Prompt 系統提示設計
• 思考鏈推理 Chain of Thought
• 部署 Claude Code 實戰