近期，許多ChatGPT用戶回報，即使他們下指令的方式沒有改變，得到的結果卻越來越差。這並非你的錯覺，而是因為95%的使用者都不知道，OpenAI對其模型架構進行了根本性的改變。知名AI教學專家Jeff Su花了一個月的時間，深入研究OpenAI的官方指南，並測試了數百次，最終總結出5個能顯著提升輸出品質的指令技巧。如果你還在用舊方法，你正在浪費ChatGPT的真正潛力。

首先，我們必須理解兩個關鍵的底層變化，這是一切問題的根源。

第一個變革是「模型整合與隱形路由器」。過去，Plus用戶可以看到多種模型選項，但現在被簡化為幾個主要模型。為了處理用戶請求，OpenAI加入了一個「隱形路由器」，自動判斷該用哪個模型來回應你的指令。Jeff Su形容：「這就像打給客服，他們理論上應該把你轉接到正確的部門。但在ChatGPT的案例中，這個路由器運作得並不好。」簡單來說，如果你像以前一樣直接輸入指令，系統有時會分配給你最強的模型，有時卻是反應最快但最笨的那個。由於強大的模型運算成本更高，OpenAI其實有動機在可能的情況下，讓你使用最便宜的選項。

第二個變革是「更強的指令遵循能力」。這聽起來是好事，但其實是把雙面刃。OpenAI特別為了「AI代理人」（AI Agents）訓練新模型，而代理人需要極度精確地遵循指令。好消息是，新模型能以極高的精準度執行我們的指令；壞消息是，它不像舊模型那樣擅長「猜測」我們模糊指令背後的真實意圖。結論就是：「如果我們堅持使用舊的指令技巧，我們得到的結果只會更糟。」

技巧一：用「一句話」喚醒最強大腦 (Router Nudge Phrases)

這個技巧的執行難度極低，但效果驚人。只需在你的指令結尾加上四個字：「think hard about this」（請仔細思考這個問題），就能迫使「隱形路由器」選擇一個具有更高推理能力的高階模型。

Jeff Su進行了實測，他問了同一個問題兩次：「將現金放入低成本指數基金與貨幣市場帳戶的優缺點是什麼？」 第一次沒有使用引導詞，第二次加上了。結果天差地別。

當更高階的推理模型被觸發時，你會看到一個「思考中」的指示器。更重要的是，輸出內容會包含我們未曾考慮過的「二階效應」（second-order effects）。在加入引導詞後，ChatGPT不僅解釋了兩者的定義、優缺點，最關鍵的是提供了「如何在這兩者之間做選擇」的具體建議，這是原始回覆中完全沒有的。

專家提示：以下三個引導詞被證實能穩定觸發深度思考： * Think hard about this (請仔細思考這個問題) * Think deeply about this (請深入思考這個問題) * Think carefully (請謹慎思考)

相比之下，「This is very important」（這非常重要）這類詞語效果不佳，因為新模型是字面意義上遵循指令，「重要」是一個模糊的詞，而「仔細思考」則是一個非常明確的動作指令。

技巧二：精準控制輸出長度 (Verbosity Control)

除了推理深度，「隱形路由器」還有一個獨立的「冗長度設定」來控制輸出內容的長短。同樣地，我們可以用特定的片語來精準控制回覆的篇幅。

• 低冗長度（Low Verbosity）： 當你只需要關鍵資訊時使用。

  • 場景：向公司CMO（行銷長）用Slack匯報專案進度。
  • 指令範例：「Give me the bottom line in 100 words or less. Use markdown for clarity and structure.」（給我100字以內的結論，並使用markdown格式化以求清晰。）

• 中等冗長度（Medium Verbosity）： 當你需要重點摘要加上下文背景時使用。

  • 場景：在團隊會議上解釋為何點擊率下降，但轉換率卻上升30%。
  • 指令範例：「Aim for a concise 3 to five paragraph explanation.」（目標是寫出3到5段的簡潔解釋。）

• 高冗長度（High Verbosity）： 當你需要一份全面的文件，如專案簡報或研究摘要時使用。

  • 場景：為一個內部專案啟動會議生成專案簡報。
  • 指令範例：「Provide a comprehensive and detailed breakdown, 600 to 800 words.」（提供一份600到800字的全面詳細分析。）

Jeff Su發現，新模型在處理具體字數要求方面比舊模型精準得多。

技巧三：讓AI自己優化你的指令 (Prompt Optimizer)

這是一個中等難度的技巧。95%的使用者不知道，OpenAI有一個官方的「指令優化工具」，可以將我們寫的普通指令改寫成更適合新模型的版本。

這個工具會從三個方面持續改進你的指令： 1. 增加結構：將一大段文字拆解成邏輯清晰的區塊。 2. 消除模糊：明確指出所有論點都應基於提供的數據。 3. 加入錯誤處理：當你的指令有矛盾或缺少資訊時，它會提醒模型要求澄清。

雖然這需要註冊獨立的開發者帳戶，但Jeff Su提供了一個免費的替代方案：使用「元指令」（Meta Prompt）。你只需將以下指令模板儲存起來，將你的原始指令貼入即可： 「你是一位專門為AI語言模型（特別是ChatGPT-5）創建指令的專家級指令工程師。你的任務是接收我的指令，並將其改進得更好......這是我的初始指令：[在此貼上你的原始指令]」

這個方法之所以有效，是因為根據OpenAI的說法：「GPT-5非常擅長批判和改進自己的指令。」

技巧四：用XML三明治結構化你的需求 (XML Sandwich)

如果你使用了上面的「元指令」，你會發現優化後的指令常常帶有<task>、<context>這類奇怪的角括號。這就是XML標籤，OpenAI官方推薦用這種方式來組織你的指令。

與其將所有背景、任務、格式要求混成一大段文字，然後期望AI自己弄明白，不如用XML標籤明確地標示每一個部分。這就像給每個資訊一個貼好標籤的盒子。

指令範例（模擬產品經理面試）： <task> 扮演一位招聘經理，根據我的履歷和職位描述，問我三個最可能遇到的問題。 </task> <resume> [在此貼上你的履歷] </resume> <job_description> [在此貼上職位描述] </job_description>

這種結構化的指令能幫助ChatGPT更準確地理解任務，從而顯著提升輸出品質。

技巧五：啟動「完美主義循環」 (The Perfection Loop)

這是最高階的技巧。還記得嗎？新模型擅長自我批判。我們可以利用這一點，讓它在內部進行迭代，直到達到最佳結果為止。

做法是：不要直接接受它的第一次回覆，而是在指令中要求它先為「卓越的成果」建立一個內部品評標準，然後根據這個標準不斷自我修正，直到拿到滿分為止。

這就像你聘請一位設計師，他會先制定一份品質檢查表，然後發現自己的初稿只得了5分（滿分10分），於是重新設計；第二版拿了7分，他會繼續修改，直到產出10分的作品。我們正在讓ChatGPT做同樣的事情。

指令範例（市場分析報告）： 「撰寫一份關於企業AI產業的市場分析報告。在開始之前，請先為一份世界級的市場分析報告制定一個內部評分標準。然後在內部進行迭代和優化草稿，直到它在你的評分標準中獲得最高分為止。」

這個方法最適用於複雜的「從0到1」的任務，例如從零開始創建一份完整文件或編寫可直接上線的程式碼。

總結來說，這些技巧並非互斥，而是可以疊加使用的。你可以同時使用「引導詞」、「長度控制」和「XML三明治結構」。面對更聰明但也更「固執」的新模型，我們必須學會用更清晰、更結構化的方式與它溝通，才能真正釋放其潛力。

參考資料: https://www.youtube.com/watch?v=iRTK-jsfleg