Google公布AI提示萬用公式!掌握「21字黃金法則」:先穩80分基本功再求好
Google公布AI提示萬用公式!掌握「21字黃金法則」:先穩80分基本功再求好

一直以來都會看到很多進階、但很複雜的 LLMs(大型語言模型)的使用心得分享。然而,在我看過的眾多 prompt 教學當中,只有 Google 針對 Workspace 的教學我讀完後真的記得住。不是因為它多麼深奧或創新,而是是因為它夠簡單。

Google 的教學文件主要是應用在 Gemini for Workspace,但我認為適用於所有 LLM。該教學之所以讓我印象深刻,是因為它的「最高指導原則」非常符合我追求「極簡」的需求。整份文件長達 68 頁,舉了 11 種生產力情境的範例。然而,我覺得只要謹記以下原則就夠:

  • 使用自然語言就好,想像是在跟人說話。
  • 講話要具體,且反覆說明你的需求。
  • 務必用動詞來清楚表達任務需求。
  • 盡可能提供充足的背景資訊。
  • 用語簡潔,不要太複雜或用太多行話。
  • 不要覺得自己是在下指令,而是在「對話」。
  • 不要用一個 prompt 執行多個任務,拆開來。

為什麼掌握這些原則很重要?因為絕大多數的人做不到。 Google 提供了一個關鍵數據:最有效的 prompt 平均是 21 個字,但多數人的 prompt 都少於 9 個字。 換句話說,光是「能把話講清楚」可能就已經是前四分之一(甚至更高)的使用者了。

除了原則以外,Google 還教會我一個「必殺絕招」:在真正給出 prompt 以前,先用 LLM 作為 prompt 編輯器,再把它改寫後的 prompt 貼去執行。例如:

請將 [原始 prompt 文字] 寫成一個厲害的 prompt(power prompt),並附上修改建議與解釋。

甚至可以把這個步驟更往前一個階段,在請 LLM 改寫 prompt 以前,先問它:

[原始 prompt 文字] 這是我的需求,你有什麼問題想問我,以便你改寫一個更好的版本?

最後,Google 也給了一個通用的最佳解公式,它認為一個有效的提示最好包含四個組成:

  • 角色設定:要 LLM 調度哪些領域知識
  • 任務:你想完成什麼目標
  • 背景:任務的起源/目標的限制/涉及的人士...等
  • 格式:輸出類型、編排格式

面對日新月異的生成式 AI 技術,只學 Google Gemini、甚至只學 Workspace 情境下的應用肯定不夠。但究竟怎樣才足夠?我認為回答這個問題以前,應該 先定義「需求情況」 。在一般情況下,我認為以下三個能力遠比掌握什麼新技術、學習什麼新工具重要:

  • 動機:「想」做什麼。模型能力的天花板通常就是操作者本身。
  • 思考:「如何」做,包括任務拆解、流程設計、以及精準的表達。
  • 校驗:是否具備足夠的常識(或領域知識)來檢查AI生成的結果。

這讓我想起一直以來的一個中心思想:如果眼前當下沒有一定要/想/好奇的事,或必須要改善效率的任務,就會避免去「過度研究」生成式 AI 工具。

因為後來發現一個很殘酷的現實:AI 模型與工具的進化速度「遠遠超過」個人的研究速度,所以 X 上才會每天都有人說「OOO 又顛覆了整個世界」。

每個人的「過度」都不一樣,這是個動態標準。例如,不會寫程式的麻瓜跟會寫程式的巫師,在判斷一些應用方式時的標準當然就不同。我自己怎麼衡量「過度」研究?

用過度偏離自然語言的方式跟LLM溝通。理由是:如果大部分 AI 科學家的目標都是發展 AGI,那在人機互動上就不會走回頭路。

必須花大量時間(主要都發生在反覆測試)去貼近標準化目標。理由是:如果 AI 公司想賺錢,那麼肯定會把標準化輸出列為核心商業目標。我不是躺平等更好的解決方案,就是調整自己的輸出目標。

必須花大量時間縫合多種工具與方法來實現一項功能。理由是:想賺錢的人很多,產品化的速度只會更快不會更慢。

這個邏輯在 AI 工具的使用上特別明顯。與其花大量時間研究如何讓某個 prompt 達到 100 分的效果,不如先讓它穩定達到 80 分,然後等技術自然進步。畢竟,今天 Claude Opus 4 的隨便問可能就比三個月前精心調教的 Claude Opus 3 更好用。

延伸閱讀:Google免費AI課程來了!11堂任選、還送3個月Google AI Pro,註冊教學一次看

模型以「順手」為主、 牢記 21 字原則

總而言之,如今我一開始會先定義「必要性」(想做/要做/得做);若有必要,才依照個人能力與時間資源來衡量適當的投入程度。這個框架可以應用在AI工具選擇的每個層面:

  • 模型選擇: 大部分情況下,用最順手、最容易取得的就好。除非真的遇到明確的能力瓶頸,才需要去研究更強的模型。
  • Prompt 優化: 先用自然語言把需求說清楚,如果結果不滿意,再考慮是否要學習更進階的技巧。謹記 Google 文件的提醒:多數人連 21 個字的平均都沒達到。
  • 工具整合: 優先選擇單一工具能解決的方案,而非追求多工具的複雜整合。產品化的趨勢會讓好的解決方案越來越多、越來越簡單。
  • 技學能習: 直到 AGI 問世以前,需求定義、思考架構、校驗能力這三項基本功還是很重要的。但需不需要深度培養...我是已經放棄說什麼「會用 AI 的人將淘汰不會用的人」這類大師發言,每個人依照自己生活所需去發展必要的技能就好。

現在真的是個非常難做長期規劃的時代。每天都有新工具、新模型、新功能推出,每個都宣稱自己是「革命性突破」。與其說「擺爛」,我現在盡量讓自已處於一種「適度參與」的狀態:保持好奇,拒絕焦慮。

延伸閱讀:如何教生成式AI掌控搜尋效率?《哈佛商業評論》專家親授,3招搞懂指令寫法
NotebookLM再升級!新增AI「影片摘要」功能:如何使用?實測一次看

往下滑看下一篇文章
AI貫穿保險價值鏈、提升用戶體驗,國泰重新定義保險科技
AI貫穿保險價值鏈、提升用戶體驗,國泰重新定義保險科技

國泰未來保險體驗日(Cathay InsurX Day)是國泰金控攜手國泰人壽、國泰產險,所舉辦的台灣金融業首場以保險科技為主軸的產業盛會,打造產壽險對話平台,從台灣保險產業特性出發,以技術 + 場景 + 人性三大視角,重新定義台灣的保險科技。

國泰金控資深副總經理孫至德在開場致詞中,特別提到根據國泰多年的觀察,發現客戶需要的是數位結合實體的保險體驗,因此我們希望結合數位平台與業務員能力找到新的經營模式,同時運用科技讓體驗變得更方便、透明。國泰金控副總經理林佳穎也分享,國泰持續透過場景金融、數位體驗、AI賦能三大關鍵做法,期待能成為「以金融為核心的科技公司」。她強調,保險業不是單打獨鬥,需要更多跨域協作,面對充滿挑戰的未來,「我們更要Run Faster,Better Together」,才能在挑戰中找到新機會。

3.jpg
圖/ 國泰金控

過去,保險業的數位轉型多聚焦在「流程更快速」與「服務更便捷」等領域,但在生成式人工智慧(GenAI)與代理式人工智慧(Agentic AI)技術崛起後,國泰金控旗下國泰人壽與國泰產險勇於嘗試、將AI全面滲透核心業務流程,讓 AI 不再只是單點輔助,而是貫穿保險價值鏈、提升用戶體驗的關鍵。

以 AI 重塑保險全流程:國壽以 Agentic AI 提升體驗與效率

「我們的目標是以 AI 重塑保險全流程應用。」國泰人壽數據暨人工智慧發展部協理莊淑儀以理賠流程為例解釋,國泰人壽早在許多年前就透過數位與 AI 等技術協助理賠同仁加快服務與受理、登打、派件與審理的速度,例如,以 OCR(光學字元辨識)醫療文件擷取與 ICD(國際疾病分類)/手術選碼優化登打效率、以 CRSS(理賠風險識別系統)風險分級識別理賠浮濫與詐欺等高風險案件並將之派送給可以審理的同事,以及透過智能工作台與 AI 骨折判讀加快與優化審理流程等。然而,保險陪伴客戶的時間是很長的,隨著保戶年齡逐漸提高,再加上超高齡社會來臨,理賠案件數量持續攀升,需要更多 AI 與自動化強化效率與正確性。

國泰人壽的做法是在既有的 AI 基礎上,加入GenAI 與Agentic AI等技術,以 AI全面升級理賠流程。首先是以「DocAI Agent」突破傳統 OCR 覆蓋率低與高維運成本的限制,僅需一個月調校,即能快速適配不同醫院表單,維持原本的正確率並將覆蓋率由50%提升至近100%,大幅縮短登打時間。其次是透過「Abnormal Agent」打造圖形資料庫(Graph DB)建立理賠關係網,快速標示高風險關係案件提供判斷依據及建議後續的應對方式,加速理賠人員的決策。最後是藉由「Review Assistant Agent」協助整理病歷、醫療單據、診斷證明…等複雜且可能甚至上百頁的文件,並快速歸納出重點,幫助理賠人員快速找到關鍵資訊進行交叉查證,大幅節省審理時間。

莊淑儀指出,光是理賠流程,國泰人壽已打造30個以上的AI Agents,目標是協助理賠人員化繁為簡、更快完成相關工作。在善用科技提升流程體驗的思維下,國泰人壽沒有特別打造額外的AI平台,而是將AI Agent整合至現有理賠流程各個環節,讓同仁們可以在一個介面完成所有工作,兼顧便捷、好上手與效率提升。

除了理賠,國泰人壽也將 AI 應用延伸至商品知識管理,打造業務員的行動智慧助手,從保障缺口判斷、個人化商品推薦到業務員智能對練等流程,都有AI Agent協助提高同仁效率,讓客戶的保險體驗更便利且完善。舉例來說,隨著保險商品高度複雜化,國泰人壽推出「商品知識助理」,協助業務人員快速查詢 3,000 多檔的商品保單條款及規範、醫療行為理賠項目,幫助業務員更快速採取行動,也能將時間與心力投入在更有價值的保戶互動與服務。

「我們不會為了 AI 而 AI,而是建置AI Agent 生態圈,高度整合與重塑理賠、商品服務等核心流程,藉此提升用戶體驗與營運效率。」莊淑儀進一步解釋,國泰人壽不會單純以投資報酬率(ROI)評估AI成效,將以風險控管、流程優化、員工效率與客戶體驗四個構面衡量 AI 對公司影響的廣度、深度和商業價值,並勇於在新的商業模式上進行嘗試,確保每一次的 AI 投入都能為國泰帶來有意義、有實質效益的進步。

圖4.jpg
圖/ 國泰金控

從數據到智能,國泰產險以AI強化核心競爭力

國泰產險同樣積極透過數據與AI極大化競爭優勢。國泰產險督導吳香妮指出,面對火災、地震、颱風等難以預測的風險,需要數據與AI驅動的產險保護傘填補損害,把衝擊降到最低,讓生活、經濟與社會能持續穩定運轉。在具體實務上,國泰產險是從「Enrich加值服務」、「Enhance AI輔助風險決策」,以及「Empower生成式AI賦能」這三個面向切入。

台灣交通事故逐年攀升、平均1天發生1,100件交通事故,其中,大車事故發生率是小車的2.2倍,致死率比起小車高達6倍等現況後,國泰產險開始思考,除了提供大車事故後的理賠支援,還可以從事前提供哪些服務?也因此催生了業界首創的「CarTech智能車險加值服務」,透過跟運輸業者與學校等單位的合作,針對車險承保前、中、後提供相應的風險辨識、預警與防治等加值服務。國泰產險與陽明交通大學合作建立全台首個「運輸業者健檢」流程,透過駕駛行為及行車環境等多元數據建置AI模型,即時洞悉駕駛行為及風險分析,並提供運輸業者客製化的風險改善建議,實踐以數據及AI優化損害防阻。吳香妮強調,我們的目標是不僅提供理賠,更要守護客戶,提供超越價格的價值服務。

產險的核心業務之一是再保險,國泰產險的作法是運用AI及數據,化被動為主動,以AI輔助風險決策。過去再保險業務仰賴經驗法則、手動整理資料與透過國際再保險公司提供既有方案,現在則透過數據與AI驅動,主動精準拆解業務目標,以28項風險因子預測風險發生機率與損失金額,自動輸出並比較多種方案,從中探索最適合的再保險規劃。

國泰產險也將AI導入內部流程,解決長期困擾員工的報告製作痛點,包含資料查找費時、人工編寫品質不一、專業術語翻譯困難等。透過一鍵生成報告服務的三個GenAI模組,為員工省下6到7成的手動作業時間,將時間與精力聚焦在更具策略價值的工作,以新世代人機智慧協作模式提升效率與創造嶄新競爭力。

圖5.jpg
圖/ 國泰金控

從國泰人壽與國泰產險的實作,可以清楚看到:對國泰而言,AI不僅是新技術導入,更是保險價值鏈全面進化的核心動能,將以數據與AI驅動服務實踐用戶體驗的優化,持續引領台灣保險科技體驗走向新世代。

登入數位時代會員

開啟專屬自己的主題內容,

每日推播重點文章

閱讀會員專屬文章

請先登入數位時代會員

看更多獨享內容

請先登入數位時代會員

開啟收藏文章功能,

請先登入數位時代會員

開啟訂閱文章分類功能,

請先登入數位時代會員

我還不是會員, 註冊去!
追蹤我們
一次搞懂Vibe Coding
© 2025 Business Next Media Corp. All Rights Reserved. 本網站內容未經允許,不得轉載。
106 台北市大安區光復南路102號9樓