Agent 老是聽錯需求？10 組讓它一次做對的提示詞範例

Agent 把事情做錯，十次有八次不是它能力不夠，是第一句話就給了它誤解的空間。它不會像同事那樣回頭問「你說的改一下是指哪裡」，它會直接挑一個它覺得合理的解讀開始做，然後你看到成品才發現方向全歪。這篇整理 10 組我們接案與內部實際在用的提示詞，每組都附「為什麼這樣講有效」，你可以直接抄去改。本文工具與規格查證於 2026 年 10 月 15 日。

共通原則只有一條，先講在前面：把「驗收標準」講出來，而不是把「感覺」講出來。話裡有可以檢查的條件，它就會照著檢查；只有形容詞，它就自由發揮。這不是我們自己的發明，Anthropic 的提示詞最佳實踐開頭就寫了一條黃金法則：把提示詞拿給一位不清楚脈絡的同事看，他會困惑的地方，模型也會困惑。文件還建議把模型當成「很聰明、但剛報到的新同事」，你講得越精確，結果越好。下面十組，本質上都是在幫那位剛報到的同事把話講清楚。

開工前：把需求釘死的四組

1. 反向面試。「先不要動手。針對這個需求，把所有模糊的地方列成問題問我，一次全部列出來，我回答完你再開始。」這招把「它猜」變成「它問」，一次擋掉大半誤解。社群爆紅的 grill-me 就是把這件事做成一鍵，我們之後有專文拆解。

什麼時候該用：需求是口頭講的、還沒寫成文件，或者這件事做錯要重來的成本超過半天。會卡在哪：它有時一口氣丟十幾個問題，其中一半翻一下專案檔案就有答案，等於把查資料的工作推回給你。我們的做法是在那句後面再補一句「能從現有檔案或對話紀錄找到答案的不要問我」，問題數通常掉到三到五個，而且每一個都是真的要你拍板的決定。grill-me 的作者 Matt Pocock 在 GitHub 上的 skills 專案（MIT 授權，查證當天約 29 萬顆星）用的也是同一套設計：一次只問一題、每題附建議答案、能自己從程式碼查到的就不問。

2. 複述確認。「開始之前，用你自己的話把這個任務的目標、範圍、你打算怎麼做講一遍給我聽。」它複述歪了，你三十秒就能糾正；它做完才發現歪，你付出的是整段重來。

什麼時候該用：任何超過三句話的需求都值得。會卡在哪：它複述得很流暢，你就以為它懂了。流暢不等於正確，重點是看它複述的「範圍」有沒有多出你沒講的東西，或少掉你以為很明顯的東西。我們的做法是要求它用「目標、範圍內、範圍外、打算怎麼做」四段式複述，少一段就補問一次。範圍外那段最常露餡，它常常把你沒提到的事默默算進去。

3. 給反例。「我要 A，但不要做成 B 那樣。上次那版的問題是 C。」只講要什麼，它的想像空間還是太大；把不要什麼講出來，範圍立刻收斂。反例比正面描述更省字也更準。

反例最好的來源是上一版成品。「不要像上次那樣把所有欄位都塞進同一張表」比「表格要簡潔」好用十倍，因為它有具體的對照物。Anthropic 的文件把範例列為引導輸出格式與語氣最可靠的方式，建議給三到五個；我們的經驗是，正例一個、反例兩個的組合最省字，因為反例會自動排除一整片錯誤方向，正例只能指出一個點。

4. 指定停損點。「如果做到一半發現需要動到 X，先停下來問我，不要自己決定。」這條是給它畫紅線：哪些變更超出授權。搭配權限設計一起用，紙上一條、系統一條，雙保險。

停損點要寫的是「動作」不是「感覺」。「覺得不對就停」它判斷不了；「需要新增資料表、刪除檔案、呼叫付費 API 之前先停」它就做得到。這條在接了工具的 Agent 上特別重要，它能動的東西越多，紅線就越要寫在它看得見的地方。我們自己在排程跑的自動化裡，每一個會寫入的動作前面都有這種句子，不是不信任它，是一旦出錯沒有人在旁邊按停。

進行中：讓它不跑偏的三組

5. 要求分段交付。「先做第一部分給我看，我確認方向對了你再繼續。」大任務一次做完再驗收，錯了成本最高；切成段，每段都是一個糾偏機會。

段怎麼切：以「你看得懂的中間產物」為單位。寫文章就先給大綱，做系統就先給資料結構，做報表就先給一筆範例資料。切錯的典型是用「做到一半」當分段點，半成品你看不出對錯，等於沒驗收。另一個常見的錯是段切太細，每段都要你確認，反而比自己做還慢；一般的經驗是三到四段，第一段一定要是最容易看出方向對不對的那一段。

6. 讓它標注不確定。「你不確定的地方直接標出來寫『不確定』，不要用看起來很有把握的語氣猜。」AI 的預設是流暢優先，這句話給它「承認不知道」的許可，幻覺會少很多。

Anthropic 在降低幻覺的官方文件裡把這招列在第一條：明確給模型「說我不知道」的許可，就能大幅減少錯誤資訊。同一份文件還有兩個進階做法，處理長文件時先要它逐字引用原文、再根據引用做分析；做完之後要它替每一個主張找到支持的引述，找不到就撤回那句話。這三招我們在整理長文件時會一起用，效果比單獨用任何一招好。原理層的說明見用 Tool Use 與邊界設定根治幻覺那篇，文件最後也提醒，這些技巧能大幅降低幻覺但不能完全消除，關鍵決策還是要自己驗證。

7. 給量的標準。「標題控制在 25 字內」「列 5 點，每點一句話」「預算上限是三萬」。所有能量化的都量化，「精簡一點」「專業一點」這種形容詞，十個人有十種解讀，AI 也一樣。

下面這張表是我們把常見的形容詞翻譯成可檢查條件的對照，右邊那欄才是它真的能執行的東西：

寫設計需求時這張表特別好用，AI 網頁設計提示詞那篇有整套視覺上的版本，從配色到間距都翻成了數字。

驗收時：抓出問題的三組

8. 逐項驗證。「把我原本的要求逐條列出來，每一條後面寫你做了什麼、在哪裡可以驗證。」整批一起驗會被做對的部分蓋過去，逐條對才會露出漏掉的那項。

這招跟前面提到的「替每個主張找引述、找不到就撤回」是同一個邏輯，只是對象從事實換成需求。我們的經驗是，它列出來的清單裡最值得看的是「在哪裡可以驗證」那一欄，寫得出具體位置的通常真的做了，寫「已處理」「已完成」沒有位置的，八成就是漏掉或做得不完整的那一項。

9. 自我挑錯。「假設這份成品有三個問題，會是哪三個？」它挑自己毛病的能力意外地好，常常第一個就講中你心裡那個疙瘩，順便省下你組織批評的力氣。

要注意的是，它挑出來的三個不一定是你最在意的三個，但幾乎每次都有一個是你沒想到的。挑完之後不要直接叫它全部修，先判斷哪些是真問題，不然它會為了「修問題」把原本對的地方也改掉。

10. 換角色重看。「用一個第一次看到這東西的客戶的角度重讀一遍，哪裡會看不懂？」寫的人有盲區，AI 也有；換視角指令能把它從「作者模式」切到「讀者模式」，抓出的問題跟第 9 組不重複。

角色要具體。「客戶」太籠統，「第一次用這套系統、用手機看的門市店長」才逼得出真的盲區。角色越像真實讀者，它模擬出來的困惑就越接近上線後會收到的客訴。

十組速查表

把十組按階段整理成一張表，印下來貼在螢幕旁邊的那種：

組合起來的樣子

實務上不是每次十組全上。小任務用 2 加 7（複述加量化）就夠；大案子開場用 1（反向面試），中途 5 加 6，收尾 8。我們自己的習慣是把常用組合寫進 Skill 變成固定流程，不用每次重打，做法見 Skills 入門；要更完整的需求訪談流程，需求訪談與 AI 規劃那篇有接案場景的版本。

為什麼寫成 Skill 比存在筆記裡好：Anthropic 的 Agent Skills 文件把 Skill 定義成放在檔案系統裡、需要時才載入的指令包，跟一次性的提示詞最大的差別就是「寫一次、之後自動用」。文件特別強調 description 欄位要同時寫「它做什麼」和「什麼時候該用」，因為模型是靠這段文字判斷要不要啟用。換句話說，你把「反向面試加停損點」寫成一個 Skill，描述寫「接到口頭需求、還沒寫成文件時使用」，之後只要情境符合它就會自己先問再做。把這種判斷從個人習慣變成團隊共用的檔案，就是把老鳥的判斷挖成 Skill那篇在講的事。

讀者常問的三個情境

一般對話的 ChatGPT 或 Claude 也適用嗎

適用，而且前七組在一般對話裡一樣好用。差別在 Agent 會動手，它誤解之後不只是回你一段錯的文字，而是改了檔案、發了信、建了資料。所以在 Agent 上，第 4 組停損點跟第 8 組逐項驗證的權重要拉高；在一般對話裡，第 2 組複述跟第 7 組量化就夠應付大多數情況。

中途發現它已經偏了，是重開還是拉回來

先判斷偏在哪一層。偏在「理解」，例如它把改首頁理解成改全站，那就重開，因為後面每一步都建立在錯的前提上，拉回來的成本比重來高。偏在「執行細節」，例如方向對了但用錯元件，那就用第 3 組給反例拉回來。判斷的方法很簡單，要它用第 2 組重新複述一次目標，複述還是錯的就重開。這也是為什麼我們建議大任務一開始就複述，少一次重開省下的額度，遠超過複述那幾句話的成本，AI 額度老是不夠用那篇算過這筆帳。

同一套指令每週都在重打，是誰的問題

是流程的問題，不是提示詞的問題。我們在GPT-6 Astra 評測那篇寫過，四小時設完 CRM 也四小時燒完一週額度，燒掉的額度裡有一大半就是重複講同一件事。同一句話打超過三次，就該變成 Skill；團隊裡每個人下的指令品質落差很大，就該有一份共用的範本。提示詞能解決溝通問題，解決不了流程問題，把流程固定下來，正是我們 AI 自動化開發在幫企業做的事。

延伸閱讀

• 10 組 AI 網頁設計提示詞：讓它一次改到對
• Claude Skills 是什麼：把常用指令變成檔案
• Agent 接工具總覽：權限與紅線
• 用 Tool Use 與邊界設定根治 AI 幻覺
• AI 額度不夠用？五個下指令的習慣