Prompt 工程框架大全：5 種框架寫出穩定好用的 AI 指令

寫 Prompt 最痛的不是「寫不出來」，而是「同一個提示詞，昨天輸出很漂亮，今天卻整個走鐘」。這篇文章把零散的提示技巧整理成 5 種可疊加的工程框架——角色設定、Few-shot、Chain-of-Thought、輸出格式與護欄——讓你的 AI 指令從「碰運氣」變成「每次都穩定可交付」。 適合會用 ChatGPT、Claude 但結果時好時壞的工作者，以及準備把 AI 放進正式流程的團隊。讀完你會得到一套可以直接複製貼上的 Prompt 模板、一張「哪種任務該用哪種框架」的決策表，以及一條把單一 Prompt 養成自動化流程的進階路徑。

為什麼需要 Prompt 工程框架？

大多數人寫 Prompt 是「用聊天的方式許願」：丟一句「幫我寫一封催款信」，然後祈禱結果可用。這種方式在玩玩看的階段沒問題，但只要你想把 AI 放進真實工作——客服回覆、合約摘要、報表生成——就會撞到三道牆。

第一道牆是不穩定。同一個指令跑十次，可能有八次符合預期、兩次離題，而你沒辦法事先知道是哪兩次。對外服務時，那兩次就是客訴與信任崩盤的來源。第二道牆是無法交接。提示詞寫在某個人腦袋裡，他請假，整條流程就停擺；沒有版本、沒有文件，新人接手等於從零摸索。第三道牆是無法規模化。手動一句一句調，永遠停在「一次處理一件事」，沒辦法接成自動化的 Workflow，更別說一天處理上千筆。

框架要解決的，就是把「許願」變成「規格」。當你把角色、範例、格式、護欄明確寫進 Prompt，AI 的自由發揮空間被收窄，輸出自然落進可預測的區間。換個角度說，框架是用「事先寫清楚」換「事後不用收爛攤」。這也是企業在做 AI 落地時最先要補的基本功——模型再聰明，底層 Prompt 不穩，整個系統就是建在流沙上。把這套基本功練熟之後，你自然會走向更系統化的 Prompt 優化方法，用數據而不是直覺去調指令。

核心概念：5 種框架各自管什麼

不要把這 5 種框架想成「五選一」，它們是五個可以疊加的零件，各自負責輸出品質的不同面向。下面這張表是整篇文章的地圖：

可以把寫 Prompt 想像成訓練一位新進員工：角色設定是告訴他「你是誰、負責什麼」；Few-shot 是給他看幾份合格的成品；Chain-of-Thought 是要求他「思考過程寫給我看」；輸出格式是規定「交件要用公司表格」；護欄則是員工手冊裡那條「遇到不確定的事，先問不要自己亂決定」。一個能獨立作業的好員工，這五件事缺一不可。

值得先點破一個觀念：這五個框架裡，角色與護欄是「長期穩定」的部分，最適合寫進 系統提示詞 一次設定好；而 Few-shot、思考鏈、輸出格式則比較貼著「這次任務」，常常每個任務微調。把穩定的放系統層、把易變的放任務層，是讓 Prompt 好維護的第一個分層原則。

實際教學

我們用一個真實任務貫穿全部步驟：讓 AI 把客戶來信自動分類，並產出標準化的處理建議。這是台灣很多客服、業務團隊都會碰到的場景。

Step 1：設定角色與任務（Role）

角色設定不是叫 AI「假裝」成某個人，而是用身分把它的知識範圍與語氣框定下來。差的寫法是「你是助理」；好的寫法要包含身分、專業、服務對象、本次任務四個資訊。

你是一位有 8 年經驗的 B2B 客服主管，熟悉台灣中小企業的採購與付款流程。
你的任務：閱讀一封客戶來信，判斷它屬於哪一類問題，並給第一線客服可直接照做的處理建議。
語氣：專業、簡潔、不卑不亢，使用台灣商業書信慣用語。

光是把角色寫清楚，輸出的語氣與專業度就會明顯上一個檔次。這是投報率最高的一步。如果你發現同一個角色會被反覆用在很多任務上（例如整個客服團隊都共用），就該把它從單次 Prompt 抽出來，固定寫進 系統提示詞，避免每次重打、也確保全團隊口徑一致。

Step 2：給 Few-shot 範例

Few-shot 的意思是「給少數範例讓 AI 模仿」。它對「我講不清楚但我看得出對錯」的任務特別有效——分類、抽取、特定格式的文案。關鍵是範例要涵蓋邊界情況，不要三個範例都是同一種好球帶。

範例 1（單純詢問）
輸入：「請問你們的報價單還在效期內嗎？我想再確認一次。」
輸出：{ "類別": "報價確認", "急迫度": "低", "建議": "回覆現行報價單效期，並主動詢問是否需要重新報價。" }

範例 2（帶情緒的客訴）
輸入：「上次出貨又少了兩箱，這已經第三次，到底有沒有在管？」
輸出：{ "類別": "出貨異常客訴", "急迫度": "高", "建議": "先致歉並承諾今日內查明，轉倉管確認，48 小時內補出並回報。" }

兩個範例就把「冷靜詢問」與「情緒客訴」兩端定錨好了，AI 處理中間地帶時會更準。範例的數量、排序與多樣性其實是一門學問——放錯範例反而會把模型帶歪。想把這一招用到極致，完整的選例策略整理在 Few-shot 範例提示法。

Step 3：加入思考鏈（Chain-of-Thought）

思考鏈是要求 AI 先把推理過程寫出來，再給結論。研究與實務都顯示，對需要判斷、計算的任務，這一步能大幅降低跳步出錯。寫法很簡單，就是在指令裡加一句：

在輸出最終 JSON 之前，請先在 <思考> 標籤內，逐步分析：
1. 這封信的核心訴求是什麼？
2. 是否帶有情緒或急迫訊號？
3. 對照範例，最接近哪一類？
分析完再輸出 JSON。

如果這個 Prompt 是給真人看的（例如客服當參考），保留思考過程很好。如果是要接進系統、只需要 JSON，就讓它「內部思考、只回傳結論」，避免下游程式還要去剝雜訊。思考鏈還有不少進階變體，例如讓模型先列多種可能再自我評比、或用「先拆解子問題」的方式處理複雜稽核，這些在 思考鏈提示法 有更深入的拆解。

Step 4：鎖定輸出格式（Output Format）

這是「能不能上線」的分水嶺。只要結果要被程式接走，就必須鎖死格式。最好的做法是直接給一份 schema，並明令「只輸出 JSON、不要任何多餘文字」。

只輸出以下 JSON，不要加任何說明或前後文字：
{
  "類別": "報價確認 | 出貨異常客訴 | 付款問題 | 技術支援 | 其他",
  "急迫度": "高 | 中 | 低",
  "建議": "字串，限 60 字內，可直接複製給客服"
}

用列舉值（enum）限定欄位可選範圍，是讓輸出穩定的關鍵小技巧——AI 不會自己發明第六種類別。如果下游是正式系統、不容許任何格式飄移，光靠 Prompt 提示還不夠保險，建議再搭配模型的結構化輸出模式做雙重保障，完整做法見 結構化輸出提示法。這一步做好，後面要把它接進工單系統或 CRM，幾乎是免改的。

Step 5：設定護欄與檢查（Guardrails）

護欄是把「不能做的事」與「出錯怎麼辦」寫死。沒有護欄的 Prompt，遲早會在某個邊界案例上幻覺、越權或洩漏。

護欄規則：
- 只能根據信件內容判斷，禁止臆測信中沒提到的事實。
- 若資訊不足以分類，類別填「其他」、急迫度填「中」，建議寫「需人工確認」。
- 禁止承諾任何具體金額、折扣或退款；涉及金錢一律標註「需主管核可」。
- 輸出前自我檢查：JSON 是否合法？欄位是否都在允許值內？

護欄是最該「寫一次、到處生效」的部分。與其在每個任務 Prompt 裡重抄一遍，不如把通用的禁止事項與失敗處理規則集中寫進 系統提示詞，任務 Prompt 只補該任務專屬的限制。把這五步疊起來，你就有了一個可上線、可交接、可規模化的 Prompt，而不是一句碰運氣的許願。

進階：更深入的一層

把五框架疊好、能穩定產出單一任務之後，許多人會卡在下一關：真實工作很少是「一個 Prompt 一次搞定」。一份合約要先摘要、再抽關鍵條款、再比對風險、最後產出建議；一篇文章要先擬大綱、再寫稿、再潤飾、再做 SEO 檢查。硬把這些塞進一個巨無霸 Prompt，結果就是模型顧此失彼、護欄互相打架、token 爆量又難除錯。

進階的解法是換一個層次思考：不要把 Prompt 當「一句指令」，而是當「一個有單一職責的函式」。每個 Prompt 只做好一件事，再用 Prompt 串接（Prompt Chaining） 把它們接成一條鏈，前一步的結構化輸出，剛好餵成下一步的輸入。這正是為什麼 Step 4 的「輸出格式」如此重要——只有當每一節的輸出都是乾淨、可預期的結構，串接才接得住。

下面這張表，是「單一 Prompt」進化到「Prompt 系統」的對照，幫你判斷自己現在站在哪一層、下一步該往哪走：

再往上一層，當你連「怎麼寫這些 Prompt」都想自動化時，就會碰到讓 AI 幫你寫 Prompt 的技巧——也就是 Meta Prompting（後設提示）：你給模型任務目標與評分標準，讓它先產出一版 Prompt、再自我批改。對於要大量產出同類指令的團隊，這是省時又能保品質的一招。順帶一提，本站的 Prompt 產生器 背後就是這套思路的具體化，你可以直接拿來生成符合上述五框架的指令草稿。

範例：完整 Prompt 與 Workflow

下面是把 Step 1 到 Step 5 全部組合起來、可以直接複製使用的完整 Prompt：

# 角色
你是一位有 8 年經驗的 B2B 客服主管，熟悉台灣中小企業的採購與付款流程。

# 任務
閱讀一封客戶來信，分類並給出第一線客服可照做的處理建議。

# 範例
輸入：「報價單還在效期內嗎？想再確認。」
輸出：{ "類別": "報價確認", "急迫度": "低", "建議": "回覆現行報價單效期，並詢問是否需重新報價。" }

輸入：「出貨又少兩箱，第三次了！」
輸出：{ "類別": "出貨異常客訴", "急迫度": "高", "建議": "致歉並承諾今日查明，轉倉管，48 小時內補出。" }

# 思考步驟（先在 <思考> 內完成，不輸出給下游）
1. 核心訴求？ 2. 是否有情緒或急迫？ 3. 最接近哪一類？

# 輸出格式（只輸出此 JSON，無多餘文字）
{
  "類別": "報價確認 | 出貨異常客訴 | 付款問題 | 技術支援 | 其他",
  "急迫度": "高 | 中 | 低",
  "建議": "限 60 字內"
}

# 護欄
- 禁止臆測信中未提及的事實。
- 資訊不足時類別填「其他」、建議填「需人工確認」。
- 涉及金額一律標註「需主管核可」。
- 輸出前自我檢查 JSON 合法性與欄位值。

# 待處理信件
{在此貼上客戶來信}

把這個 Prompt 包進自動化後，整條流程的文字版流程圖長這樣：

客戶來信進信箱 ↓ 系統擷取信件內文 ↓ 帶入上方 Prompt 呼叫 AI ↓ AI 內部思考並輸出 JSON ↓ 程式驗證 JSON 格式與欄位值（不合法→退回重跑一次→仍失敗→轉人工）↓ 依「急迫度」分流（高→即時通知主管 / 中低→進客服佇列）↓ 客服採用「建議」回覆 ↓ 結果回寫 CRM 並累積成下一輪 Few-shot 範例

注意流程圖裡那段「驗證失敗的處理分支」——這正是護欄從 Prompt 內延伸到系統層的體現。好的自動化，失敗路徑跟成功路徑一樣被認真設計過。 這就是一個從單一 Prompt 長成 Workflow 的標準路徑，而把這幾節 Prompt 真正接起來的膠水，就是 Prompt 串接。

常見錯誤

避開這幾個坑，你的 Prompt 穩定度會立刻提升一大截：

• 把所有規則塞成一大段文字。AI 會漏讀。請用標題、條列、分區塊（角色／範例／格式／護欄）切開，可讀性對 AI 跟對人一樣重要。
• Few-shot 範例都選好球帶。三個範例都是簡單情況，AI 就學不會處理客訴、模糊、空白等邊界，正式上線一遇到怪信件就崩。如何配置才不會偏，見 Few-shot 提示法。
• 要求 JSON 卻不給 schema。只說「請給我 JSON」，AI 每次欄位名稱都不一樣，下游程式根本接不住。一定要附上明確結構與列舉值，必要時走 結構化輸出。
• 沒寫「不確定時怎麼辦」。沒有這條，AI 寧可編一個答案也不會說「我不知道」，幻覺就是這樣來的。
• 用否定句下指令。「不要太長」不如「限 60 字內」；「不要太正式」不如「用 LINE 對話的口吻」。給明確正向的目標，比禁止模糊的東西有效得多。
• 把多步任務硬塞進一個 Prompt。一個巨無霸 Prompt 同時要分類、抽取、潤飾、檢查，往往哪一項都做不好。該拆成多節、用 Prompt 串接 接起來。

最佳實務

• 照任務難度疊框架，不要一次全上。簡單任務角色＋格式就夠，複雜任務才加思考鏈與護欄，避免 Prompt 臃腫又燒 token。
• 把好的輸出回收成新的 Few-shot 範例。讓 Prompt 隨著真實案例持續進化，這是最便宜的「微調」。
• 版本化管理 Prompt。像管程式碼一樣記錄每次修改與效果，團隊才能協作、出問題才能回溯。把可複用的存進 Prompt 資料庫，需要新指令時也可用 Prompt 產生器 快速起草。
• 用數據而非手感調整。別只靠「感覺變好了」，固定一組測試輸入、量化通過率，按 Prompt 優化 的方法做 A/B，才知道改動到底有沒有效。
• 上線前用「對抗測試」。故意丟空白、亂碼、惡意指令、超長文字去打它，看護欄擋不擋得住，而不是只測理想輸入。
• 跨模型上線務必各自實測。同一份 Prompt 在不同模型的格式服從度不同，落地細節對照 ChatGPT 寫法 與 Claude 寫法，別假設「在 ChatGPT 行得通，換 Claude 就一定行」。

實際案例：台中精密機械商的客服分流

一家台中的精密機械零件供應商，每天進約 200 封客戶來信，混雜詢價、催單、客訴、技術問題。導入前後對比如下：

導入前：3 位客服人員每天上午幾乎都在「讀信、判斷、分派」，平均一封信從進信箱到被正確分派要 18 分鐘；急件常因淹沒在信海裡被延誤，每月平均 6 件客訴升級到主管層；新進客服要 2 個月才抓得到分類手感。

導入後：團隊用上述五框架 Prompt 搭一條自動分流 Workflow，信件一進來就自動分類、標急迫度、產出建議草稿，客服只需審核與微調。成效：

• 單封信處理時間從 18 分鐘 → 約 4 分鐘（含人工審核），降幅約 78%。
• 急件辨識後即時推播主管，客訴升級從每月 6 件 → 1 件。
• 新人因為有 AI 給的分類與建議當鷹架，上手時間從 2 個月 → 約 2 週。
• Prompt 與護欄寫成文件後，整套邏輯不再綁在某個資深客服身上，請假也不再卡流程。

值得補充的是這家公司的第二階段：他們把「分類」與「草擬回信」拆成兩個 Prompt，用 Prompt 串接 接起來——第一節輸出結構化 JSON，第二節只負責根據類別與急迫度把回信寫得有人味。拆開後，光是「回信語氣」這一節就能單獨做 優化 與 A/B，再也不用每次都動到分類邏輯。這也呼應了前面「進階」段落的核心：單一 Prompt 求穩，系統靠串接求強。

關鍵不在用了多厲害的模型，而在把客服主管的判斷邏輯，用框架翻譯成一份可執行、可稽核的 Prompt。這也是 AI 落地最務實的一條路。

免責聲明：本文範例涉及付款、報價等情境僅為技術示範，不構成任何法律、財務或合規建議。實際導入涉及客戶資料與金額處理時，請依貴公司法遵與資安政策審核。

結論

Prompt 工程框架的本質，是把「靈感式的許願」升級成「工程式的規格」。記住這條疊加順序：角色設定定身分、Few-shot 定風格、Chain-of-Thought 定正確率、輸出格式 定可用性、護欄 定安全。簡單任務取前兩個，要上線的全套疊好，你就能把 AI 從「玩具」變成團隊裡可交付、可規模化的「同事」。

把單一 Prompt 寫穩之後，下一步是兩條路：往深，用 Prompt 優化 把每一節調到最佳；往廣，用 Prompt 串接 把多個指令接成能上線的流程。需要現成材料時，Prompt 資料庫 與 Prompt 產生器 都能直接拿來起步。從今天起，別再許願——開始寫規格。

❓ 常見問題 FAQ

🔗 延伸閱讀

• ChatGPT Prompt 寫法完整教學
• Few-shot 範例提示法
• Chain-of-Thought 思考鏈提示法
• 結構化輸出提示法
• Prompt 串接：把多個指令接成流程