和 AI 對話時，你有沒有這種經驗：同一個問題，換個問法，答案品質天差地遠？這不是運氣，而是提示工程（Prompt Engineering）。這篇文章整理自「The Complete Prompt Engineering for AI Bootcamp」課程，用「幫產品命名」這個貫穿全文的情境，帶你看懂撰寫 Prompt 的五個原則——從最陽春的提問，一路進化到能穩定產出高品質結果的專業提示詞。每個原則都同時示範文字模型（ChatGPT）與圖像模型（Stable Diffusion）的用法。
先從最陽春的提問開始：Naive Prompt
在談原則之前，先看一個「沒有任何技巧」的提問長什麼樣子。這是老師 Demo 的起點：
Can I have a list of product names for a pair of shoes that fit any shoe size?
ChatGPT 當然會給你一份清單，但你幾乎無法控制結果：命名風格隨機、格式不固定、每次重跑都不一樣，也難以判斷好壞。這就是我們的基準線（baseline）。接下來的五個原則，就是把這句話一層一層地升級。
原則 1：給予方向（Give Direction）
描述你想要的風格，或參照一個相關的角色（persona）。觀察別人怎麼做，決定要模仿什麼、又要在哪裡創新。
🔤 文字模型：ChatGPT
只要在 Prompt 裡指定一位「以某某人的風格」，命名的調性立刻不同。共用的 Prompt 樣板長這樣：
Brainstorm a list of product names for a {product_description},
in the style of {famous_inventor}.
Return the results as a comma separated list, in this format:
Product description: A shoe that fits any foot size
Product names: [list of 3 product names]
把 {famous_inventor} 換成不同人物，結果的差異一目了然：
| 變因（風格人物） | 產出結果 |
|---|---|
| Elon Musk | ShoeX, MarsFit, The Shoe Company |
| Walt Disney | Enchanted Slippers, Magic Step, Whimsoles |
| Marc Jacobs | Morph by Marc, The Marc Jacobs Flexible Shoe, FlexForm Oxfords |
🎨 圖像模型：Stable Diffusion
圖像生成同樣適用。共用的圖像 Prompt 樣板：
{product_type}, {style_details}, designed by {artist}.
product photography, extremely detailed, studio lighting, 35mm, dslr
把 {artist} 換成 Salvador Dali、Van Gogh 或《神奈川沖浪裏》（Great Wave），同一雙鞋就會呈現超現實、後印象派或浮世繪等截然不同的視覺風格。
💡 何時使用：當結果太平淡、缺乏個性時，先給方向。陷阱：風格參照太籠統（例如只寫「creative」）幾乎沒用，要具體到人物或流派。
原則 2：指定格式（Specify Format）
定義要遵守的規則，以及回應的結構。因為某個 Prompt 的輸出，往往會成為下一個任務的輸入，格式一致才好串接。
🔤 文字模型：ChatGPT
只要在 Prompt 中指定輸出格式，同一批命名就能以不同結構呈現，方便後續程式讀取：
| 指定格式 | 回應 |
|---|---|
| 編號清單 | 1. iFitShoe 2. iAdapt 3. iUniversalStep |
| JSON | {“product names”: [“iFitShoe”, “iAdapt”, “iUniversalStep”]} |
| YAML | product names: – iFitShoe – iAdapt – iUniversalStep |
🎨 圖像模型：Stable Diffusion
對圖像來說，「格式」就是拍攝／呈現的形式。把 {style_details} 指定成 Model Shoot（模特兒棚拍）、Streetwear（街頭風）或 Vogue Magazine（雜誌封面），就能鎖定整體構圖與質感的走向。
💡 何時使用：結果要餵給程式、資料庫或下一個步驟時，務必指定格式。陷阱：只說「用表格」還不夠，最好把欄位、順序、範例一併寫清楚。
原則 3：提供範例（Provide Examples）
放入一組多樣、且做對了的測試案例。加入範例能提升可靠度，但範例太多反而會綁死創意，要拿捏平衡。
🔤 文字模型：ChatGPT
給 ChatGPT 幾個「示範答案」，它就會照著模式延伸。例如用不同品牌前綴當作範例：
| 範例前綴 | 延伸產出 |
|---|---|
| Apple ___ | Apple UniFit, Apple FlexWalk, Apple OmniFit |
| Mini ___ | iFit Mini, OmniSneak Mini, Flexform Mini |
| Air ___ | AirSnug, AirFit, AirSoleFlex |
🎨 圖像模型：Stable Diffusion
圖像也能用「參考案例」引導。把產品描述指定為 Wool Shoes（羊毛鞋）、Crocs（洞洞鞋）或 Platform Heels（厚底高跟鞋），模型就會朝這些既有品類的外型去生成。
💡 何時使用：任務有固定模式、或前面幾招都不夠穩定時。陷阱：範例過多、過於相似，會讓輸出變得單調而失去創意。
原則 4：評估品質（Evaluate Quality）
找出錯誤、為回應評分，測試到底是什麼在驅動表現。有系統地嘗試不同組合，找出它在哪裡成功、又在哪裡失敗。
🔤 文字模型：ChatGPT
不要只看單一結果，而是刻意改變一個變因，觀察輸出如何變化：
| 調整變因 | 觀察到的回應 |
|---|---|
| 品質（Quality） | Flex iFit, iShoe, OmniStep |
| 長度（Length） | iShoe, Adapt-a-Step, iSneakers, iFlex |
| 格式（Format） | 整段行銷文案：「Innovative and revolutionary, these shoes are designed to adapt to any foot size…」 |
🎨 圖像模型：Stable Diffusion
圖像模型有個關鍵參數 CFG Scale（提示詞遵循強度）。固定 Prompt，只改這個值：CFG 3 較自由發揮、CFG 7 平衡、CFG 14 則嚴格貼合提示詞。透過這種對照，就能找出最適合的設定。
💡 何時使用：當你要把某個 Prompt 正式上線、需要穩定品質時。陷阱：一次改太多變因，就無法判斷是哪一項真正影響結果——一次只動一個。
原則 5：分工拆解（Divide Labor）
把任務拆成多個步驟，串接起來完成複雜目標。一個 Prompt 的輸出，可以成為下一個 AI 或人工任務的輸入。
🔤 文字模型：ChatGPT
複雜任務不必一次做完，而是拆成一條「工作鏈」，每一步呼叫不同能力：
| 步驟能力 | 產出 |
|---|---|
| 檢索（Retrieval） | 列出相關產品：Nike ID、Zeba Stretchable Shoes、Reebok Adjustable Shoes、Dr. Comfort Orthopedic Shoes、Superfeet Shoe Inserts、Vibram FiveFingers… |
| 函式呼叫（Function Calls） | 查詢網域是否可註冊 → 「iFitShoe.com is available on GoDaddy!」 |
| 圖像生成（Image Generation） | 把選定的名稱與概念，交給圖像模型產出產品視覺 |
🎨 圖像模型：Stable Diffusion
圖像流程同樣能拆解——先決定場景，再生成。把背景設定為 New York（紐約街景）、Spaceship（太空船）或 Festival（音樂節），就能把同一項產品放進完全不同的情境中呈現。
💡 何時使用：單一 Prompt 塞不下整個任務，或每個環節需要不同工具時。陷阱：拆得太細會累積誤差，記得在每個交接點驗證輸出品質。
實戰示範：把五個原則疊在同一個 Prompt 上
老師在課堂 Demo 中，用一份試算表把上面五個原則逐層堆疊在同一個任務上——「一雙能適應任何腳掌尺寸的鞋子」。看著同一個 Prompt 從陽春進化到專業，最有感：
下面把每一步的實際 Prompt 也附上，方便你直接複製套用：
0️⃣ Naive Prompt（基準線）
Can I have a list of product names for a pair of shoes that fit any shoe size?
1️⃣ ＋給予方向：加入 seed words 界定方向
Product description: A pair of shoes that can fit any foot size Seed words: adaptable, fit, omni-fit Product names:
2️⃣ ＋指定格式：要求逗號分隔清單、固定版型
Brainstorm product names as a comma separated list. Product description: A pair of shoes that can fit any foot size Seed words: adaptable, fit, omni-fit Product names:
3️⃣ ＋提供範例：先示範幾組正確答案，再讓它接手
Product description: A refrigerator that dispenses beer Seed words: beer, drink, bar Product names: iBarFridge, iFridgeBeer, iDrinkBeerFridge Product description: A watch that can tell accurate time in space Seed words: astronaut, space-hardened, elliptical orbit Product names: iNaut, iSpace, iTime Product description: A home milkshake maker Seed words: fast, healthy, compact Product names: iShake, iSmoothie, iShake Mini Product description: A pair of shoes that can fit any foot size Seed words: adaptable, fit, omni-fit Product names:
👉 ChatGPT 產出：iFitShoe, iAdaptStep, OmniFitWalk
4️⃣ ＋評估品質：請它為結果打分數
Please rate the product names for "A pair of shoes that can fit any foot size" based on their catchiness, uniqueness, and simplicity. Rate them on a scale from 1-5, with 5 being the highest score. Respond only with a table containing the results.
5️⃣ ＋分工拆解：把「命名」和「評分」拆成前後兩步，最終輸出評分表
| Product Name | Catchiness | Uniqueness | Simplicity |
|---|---|---|---|
| iFitShoe | 4 | 3 | 4 |
| iAdaptStep | 3 | 4 | 3 |
| OmniFitWalk | 5 | 5 | 3 |
結語：五原則速記
寫 Prompt 不是碰運氣，而是一套可以刻意練習的技能。下次結果不如預期時，照這五個原則逐一檢查：
- 給予方向—有沒有指定風格或角色？
- 指定格式—輸出結構夠明確、好串接嗎？
- 提供範例—給了幾個做對的示範嗎？
- 評估品質—有沒有一次只改一個變因來測試？
- 分工拆解—複雜任務是否該拆成多步驟？
把這五招疊起來用，你就能把一句陽春的提問，變成穩定產出高品質結果的專業提示詞。