系統提示詞是什麼？和使用者提示詞差在哪，提示詞工程基本功
常常覺得 AI 答得不到點、同一個問題問兩次格式還不一樣？問題通常不是 AI 不夠聰明,而是你只給了「這次要做什麼」(User Prompt),卻沒先告訴它「你是誰、該怎麼做事」(System Prompt)。這兩層分工清楚,AI 的輸出才會穩定可靠。
Prompt 到底是什麼
Prompt(提示詞)就是你給生成式 AI 的一組指令或查詢,AI 根據這段文字理解你想要什麼、該怎麼回應。聽起來很簡單,但同一句話擺在不同位置,效果差很多——這就是 User Prompt 和 System Prompt 的差別。
System Prompt 和 User Prompt 差在哪裡
最簡單的分法:User Prompt 負責「做什麼」,System Prompt 負責「成為誰」。User Prompt 是針對特定任務即時下達的指令,單次性,每次對話都會重新產生;System Prompt 則是在使用者輸入前就設定好的背景,定義 AI 的角色、個性、語氣、專業領域與行事準則,長期有效,整段對話都持續生效。
| 比較項目 | System Prompt | User Prompt |
|---|---|---|
| 負責的事 | 成為誰(角色、語氣、邊界) | 做什麼(單次任務與資料) |
| 生效時間 | 整段對話持續有效 | 單次性,每次重新產生 |
| 優先權 | 一般 LLM 設計中優先權最高 | 依 System Prompt 的設定來回覆 |
| 少了會怎樣 | 同一問題每次回應格式可能都不同 | 任務本身就無法執行 |
一個常被拿來說明的例子是問天氣:如果只靠 User Prompt,AI 每次回答的格式可能都不一樣,有時條列、有時一段話;但加上 System Prompt 先規定好「請以固定格式回覆氣溫、降雨機率與建議穿著」,AI 就能提供一致而正確的回應。對企業應用來說,這個差異特別關鍵——沒有 System Prompt 的話,同一個問題換個時間問,格式可能完全不同,很難做成穩定的服務。
聊天介面的系統層設定要怎麼理解
不少聊天工具都有「持續套用在整段對話」的系統層設定功能,概念上就對應 System Prompt 的角色——先把身分、語氣、輸出習慣定好,之後每次輸入只需要補任務本身。至於每次你在對話框打的那句話,無論工具介面怎麼稱呼,角色上都是 User Prompt。想知道特定工具的系統層設定具體怎麼操作,建議直接看各家官方說明,操作介面常常更新。如果想先從提示詞結構本身練起,可以參考ChatGPT 指令怎麼下和Claude 提示詞怎麼下這兩篇的範本,再回頭對照哪些內容該放系統層、哪些該放單次任務層。
System Prompt 怎麼設計才有效
寫系統層設定不是把所有要求塞進去就好,有幾個步驟可以照著走:
- 從助理的工作開始:先說明這個 AI 典型會收到什麼請求,以及預期的角色與結果。
- 定義邊界:列出必須避免的主題、動作和內容類型;如果需要特定輸出格式,要講清楚並保持一致。
- 加上「不確定時」的政策:告訴 AI 當請求模糊不清、超出範圍、或資訊不足時該怎麼做,而不是讓它自由發揮。
- 測試、衡量、迭代:用真實或刻意刁難的提示去測,根據邊緣案例的結果反覆調整。
寫的時候要注意:指示要明確無誤,避免規則互相衝突,也別讓系統層的文字太長——太長會佔用對話的上下文空間,排擠掉使用者這次真正要給的資訊。還要記得,系統層設定影響 AI 的行為,但不保證它一定完全遵守所有規則;不同模型、不同版本的回應可能不一樣,當使用者這次輸入的內容和系統層的指令衝突時,AI 的行為也可能跟著改變。這也是為什麼系統層設定寫完之後還是要測試,不是寫一次就一勞永逸。
提示詞工程的四個核心方向
一個好的提示詞像劇本,能讓 AI 快速理解自己是誰、該怎麼思考、扮演什麼角色。整理起來,提示詞工程大概可以拆成四個方向。
一、角色設定
角色設定決定 AI 的語氣、專業度、思考角度與決策框架,是所有技巧的基礎。常見做法包括:明確定義 AI 的專業與任務風格(角色扮演)、先給背景與限制(情境設定)、讓 AI 用不同視角分析同一件事(身份切換),以及指定答題語氣與專業度。這部分通常該放在 System Prompt,因為角色是整段對話都要維持的設定,不是單次任務的內容。
二、任務拆解
把複雜任務拆成可控、清晰的步驟,能讓 AI 循序執行、降低出錯機率。常見技巧有:明確定義輸入輸出格式、要求 AI 一步步思考(Chain of Thought)、推理與行動交替進行(ReAct)、多路推理後比較挑選最佳方案(Tree of Thought),以及給幾個範例讓 AI 學習模式(Few-shot Prompting)。範例是引導輸出格式、語氣、結構最可靠的方法之一;如果提示內容比較複雜,混合了指令、背景資料、範例和變數,用類似 XML 標籤把各部分框起來,能讓 AI 更清楚地解析每一段分別代表什麼。
三、邏輯約束
透過框架、條件、規則讓輸出更一致、避免幻覺與偏題。可以用的技巧包括:指定格式化輸出(JSON、表格、Markdown)、訂標準與評分規則、限制內容邊界(不得猜測、不得編造)、設計條件式提示(不同情況用不同策略回答)、給反例(告訴 AI 不要像這樣回應),以及限制資料來源(只能依輸入內容回答,不能自己補資訊)。
四、校準與優化
這是提示詞工程最接近「溝通技巧」的一環——針對 AI 第一次的輸出做微調,形成高品質的最終版本。常見做法有:要求 AI 自我檢查邏輯與品質、一次產出多個版本讓你比較選擇、逐輪迭代修正、輸出前先做結果驗證、回答前先確認資訊來源,以及讓 AI 自問自答來校準結果。
除了這四個方向,還有一個更根本的心法:把 AI 當成「聰明但不懂你背景的新人」。背景給得夠,答案才會準——專案進度、相關文件、你想解決的真正問題,都該在 User Prompt 裡交代清楚,而不是指望 AI 自己猜。有個簡單的檢驗方法:把你寫的提示詞拿給一個對這個任務幾乎沒背景的同事看,如果他看了會困惑,AI 大概也會困惑。另外,碰到真正困難的問題(比較複雜方案、寫程式、做規劃),直接要求 AI 認真花時間思考,通常比教它「一步一步想」更有效;而寫長文章這類任務,不要指望一次問完就拿到成品,先給資料、擬大綱,大綱迭代滿意後再擴成條列重點、最後才擴寫成完整文章——在大綱階段改幾個字,遠比文章寫完再逐句改有效率。
常見陷阱
寫提示詞最容易踩到的坑,通常是這三種:
- 指令太模糊:只說「寫一封行銷信」,AI 不知道目標客群、產品優勢和語氣,只能寫出最通俗、沒什麼用的內容。
- 缺乏具體目標:說「幫我分析這份數據」,AI 可能只給籠統描述;要明確講出目標,例如「找出流失率最高的三個客群,並推測可能原因」。
- 讓 AI 自己決定格式:不指定格式時,需要條列比較的內容可能被寫成一大段文字,直接要求「用表格呈現」就能避免。
放到系統層的設計上,還要特別注意兩個雷:指令互相衝突(例如同時要求「簡短」又要「全面」卻沒講清楚哪個優先),以及系統層內容寫太長,擠掉使用者這次真正要給的資訊空間。
三個雙層提示詞範例
理論講完,實際上系統層和使用者層怎麼分工?下面三個情境可以直接參考。
範例一:客服回覆
系統層定義角色與邊界:設定這是一個客服助理,語氣要有禮貌且簡潔,只能依照提供的產品資訊回答,不能承諾退款金額或任何未經授權的保證,遇到資訊不足或超出權限的問題時,要引導顧客聯繫真人客服,而不是自己猜答案。
使用者層放這次的任務:這次顧客實際的留言內容,以及這次要回覆的具體情境。
容易出的錯是把「這位顧客」的具體問題寫進系統層——系統層該管的是「所有客服對話都要遵守的規則」,不是「這一次」的內容。把單次資訊塞進系統層,不只讓系統層越寫越長、排擠真正該有的規則空間,下次換了顧客,舊的細節還會卡在裡面造成干擾。
範例二:長文改寫
系統層定義編輯角色與風格規則:設定這是一位文字編輯,持續遵守的風格要求包括語氣、句子長短偏好、該保留還是該砍的內容類型,以及改寫後要維持的結構邏輯。
使用者層放這次要改的原文:貼上這次具體要處理的文章段落,以及這次特別想調整的地方。
如果把「這篇文章」的具體內容或這次的特殊要求寫進系統層,下一次拿別的文章來改,舊設定反而變成干擾,所以原文永遠放使用者層,系統層只放「每次改寫都通用」的規則。
範例三:資料整理
系統層定義助理角色與輸出合約:設定這是一個資料整理助手,固定輸出格式是表格或特定結構,明確規定不得編造數據、遇到缺漏資料要標示「無資料」而不是自己猜一個數字填進去。
使用者層放這次的原始資料:貼上這次要整理的數字或文字資料。
反效果的寫法是把「這批資料的內容」寫進系統層當成規則的一部分——系統層該管的是永久性的輸出格式和邊界,資料本身永遠是單次任務,屬於使用者層。
看這三個例子會發現同一個模式:系統層管「角色、邊界、格式這些每次都要遵守的事」,使用者層管「這次要處理的具體內容」。把兩者搞混,最常見的後果就是系統層越寫越肥、越難維護,而且舊任務的細節會汙染新任務的輸出。
System Prompt 不是萬能的護盾
系統層設定能大幅提高輸出的一致性,但不是萬無一失的防線。語言模型本質上依賴模式匹配,沒有辦法天生區分「授權的指令」和「惡意的指令」,這就是提示注入攻擊能得手的原因——攻擊者可能直接寫出覆蓋系統設定的句子(例如要求 AI 忽略先前指令),也可能把惡意指令藏在 AI 會讀到的資料裡,像是網頁、文件或郵件內容,讓 AI 無意間執行。因為系統層設定本身不保證模型一定會遵守所有規則,實務上還是要搭配輸入內容的過濾與驗證、持續測試邊緣案例,而不是寫好系統提示詞就完全放心。
結論
User Prompt 讓你精準指揮 AI 完成眼前這一次的任務,System Prompt 則是替 AI 注入穩定的「專業靈魂」,決定它長期表現是否可靠。從只會臨時下指令,到懂得先把角色、邊界、格式定好再談任務內容,是從「使用 AI」走向「定義 AI」的分水嶺。想再往下練結構化提示詞的具體寫法,可以參考提示詞怎麼寫的新手整理,把這篇的分層邏輯和實際範本對照著用。