當 LLM（大型語言模型）全面滲透日常與工作，多數使用者可能都曾遇過 AI 生成內容不符合預期的情況。對於一次性任務，反覆溝通或許尚可忍受；但若是常態性任務，頻繁的修正與指令微調，卻會大幅拉低工作效率，甚至產生「溝通負擔」。
過去，我們習慣以「指令－輸出」的線性邏輯操作 AI：先給予需求，若產出不理想再回頭修改。為了翻轉這個情況，以下提供兩組「反向提問提示詞範本」，讓 AI 在正式產出前先進行規劃，並向使用者反向提問、主動釐清需求。透過將任務拆解為「理解、釐清、規劃」三階段，不僅能消除與 AI 間的認知落差，更能確保產出的精準度。
兩組關鍵提示詞，讓 AI 事先幫你規劃
一、萬用型：適用於企劃、邏輯分析與策略擬定
這組提示詞要求 AI 在閱讀需求後，不急著產出結果，而是先向使用者回報其對任務的理解程度並提出疑問。
提示詞範本：
「在我要求你執行任務之前，請不要直接產出最終結果。請在閱讀完我的需求後，執行以下步驟：
我的需求：[輸入具體任務，例如：撰寫一份針對 25-35 歲受眾的永續時尚行銷企劃]
請執行以下步驟：
1. 理解摘要：用兩句話總結你對此任務目標與受眾的理解。
2. 待釐清問題：為了確保產出精準，請列出至少 3 個你認為目前資訊不足或需要我確認的關鍵點。
3. 行動指南：列出你準備採用的執行步驟、邏輯架構或使用的工具。
4. 請在回覆後暫停，待我確認或回覆上述問題後，再開始執行正式內容。
二、精準型：適用於深度報導、研究報告與事實查核
針對需要引用數據、事實或專業學理的深度報導與研究報告，要求 AI 在動筆前先建立事實檢查點。
提示詞範本：
我要撰寫[主題，例如：撰寫一篇 2026 科技趨勢]的文章或研究
在產出正式內容前，請先執行『自我查證』初步規劃：
1. 請列出你針對我的需求，預計會引用的事實或數據。
2. 請列出你計畫如何驗證這些資訊的真實性。
3. 請詢問我是否有特定的來源或標準。
4. 請先列出上述清單，待我核准後再開始撰寫全文。
實測：套用公式後，Gemini 表現有何差異？
以下使用相同任務進行測試：萬用型測試「制定 2026 年理財行動方案，並開始儲蓄，短期目標是存到 10 萬元。」；精準型測試「撰寫一篇製造業數位轉型的文章」。
一起來看套用公式前後，Gemini 的輸出表現是否有差異？
案例一、萬用型公式（理財計畫）
套用公式前：直接輸入需求，換來公版回覆
在輸入需求後，Gemini 依序會列出 5 點大眾化建議：「目標拆解：每月該存多少？」、「帳戶配置：利用 2026 高利活存工具」、「執行法則：631 理財法」、「2026 儲蓄時間表」、「小撇步：如何無痛省下這筆錢？」
因為 AI 並不了解使用者的月收支、債務或具體生活開銷，這份方案往往執行門檻高、不貼合實際情況。
套用公式後：先釐清、後執行，Gemini 變身私人顧問
套用萬用型公式後，Gemini 並沒有急著給建議，而是先回傳它的「理解摘要」並提出關鍵問題。例如：「希望達成目標的時限」、「每月可撥出儲蓄的金額為何？」、「是否有需先償還的債務？」等。待使用者回覆後，產出的方案才具客製化且可直接執行。
更令人驚豔的是，在本次實測中，Gemini 甚至自動跳出可連動 Google keep 或是 Google Calender 的選項（需使用者同意後才會啟用）。
點選同意啟用後，則可以看到本次任務的行動清單已出現在 Google keep 中。這對於 Google 生態系的使用者來說，無疑可增加計劃管理的輕鬆度，並可無縫銜接，而不需花時間將行動清單先複製、後貼上於其他軟體中。然而，若不想啟用或非 Google 生態系使用者，也可請 Gemini 直接將回覆顯示於對話框中。
小結：套用萬用型公式後，回覆更客製化且一步到位
直接輸入需求時，AI 通常會提供大眾化的「理財雞湯」，執行難度高且未必符合個人財務狀況。而在套用公式後，Gemini 會先反問使用者的月收入、固定支出及債務狀況，並根據回覆制定計畫。如此便可以省去中間來回跟 Gemini 溝通的時間。
另一值得關注的亮點是：在實測中，Gemini 展現了 Google 生態系的深度整合能力，主動提議將行動清單同步至 Google Keep 或 Google Calendar。對於 Google 使用者而言，這能讓計畫與生活應用無縫銜接，省去複製貼上的麻煩。
套用萬用型公式前、後比較
| 比較項目 | 直接輸入需求 | 套用萬用型公式 |
|---|---|---|
| AI 的回覆 | 依系統判斷，直接列出建議。 | 暫停輸出。先反問月收入、存款期間、固定支出及債務狀況等。 |
| 精準度 | 提供大眾化的「理財雞湯」，執行計畫難以適用個人。需針對不合理處請 Gemini 一一修正。 | 依照使用者的收支情況，制定合理儲蓄計劃。 |
案例二、精準型公式（製造業數位轉型）
套用公式前：讓 AI 自由發揮，容易出現資訊幻覺
當送出「撰寫一篇製造業數位轉型的文章」的提示詞給 Gemini 後，它會先直接「自由發揮」一篇文章，後才問使用者是否有修改意見。然而，這篇在未知文章的目標受眾、核心主旨等背景下產出的文章，只會淪為泛泛而談。因為 AI 試圖「猜測」你想要的深度，結果往往是內容偏離核心，甚至出現難以查證的事實。
套用公式後：建立查證機制，確立內容框架
針對提示詞的要求，Gemini 首先會列出：預計引用的關鍵事實與數據、資訊真實性驗證計畫、詢問特定來源或標準。並待使用者針對「詢問特定來源或標準」進行回覆後，才會正式生成內容。
在本次實測中，除了回覆 Gemini 提出的問題，因多加附上了可參考資料來源及兩篇文章來源，故在下圖中可見，除了結合指定來源外，Gemini 還進一步整理了預計引用的事實清單，並在與使用者進行最後確認與詢問後，才會產出正式文章。這種「先審核架構、後產出全文」的方式，大幅降低了內容出錯的風險，使用者也可針對數據內容進行查證，從而讓文章更具專業權威性。
案例二小結：套用精準型公式後，減少 AI 幻覺，提升文章權威性
若僅要求 Gemini 產出一篇主題文章，AI 往往會生成缺乏數據支持、觀點模糊的內容。但套用公式後，Gemini 會先列出預計引用的關鍵數據（如數位轉型成功率、產業增長率），並等待使用者確認文章需涵蓋的內容範疇，並主動要求提供資料來源。這不僅降低資訊錯誤的風險，也讓使用者在動筆前能先對文章框架有全面的掌控。
套用精準型公式前、後比較
| 比較項目 | 直接輸入需求 | 套用精準型公式 |
|---|---|---|
| 資訊來源 | 未提供查證來源，易產生幻覺。 | 主動提出查證資料來源及執行細節。 |
| 查證意識 | 低，隨機生成。 | 主動詢問，使用者可指定文章的撰寫框架。 |
| 精準度 | 容易偏離使用者的核心需求 | 透過反向提問，提高內容與使用者的預期。 |
從設計指令轉向審核計畫
過去我們花費大量精力研究如何寫出「完美提示詞」，試圖讓 AI 聽一次就懂；然而，現在與 AI 的協作趨勢也正朝著「雙向協作」改變：讓 AI 對我們進行「反向提問」。
一來可以指定生成內容的範圍框架，二來則是讓 AI 提出一份計劃書供我們審核、校閱及授權執行。這樣的做法不僅可以擴大思維的維度（AI 可能問出我們沒想到的問題），更確保 AI 在推進複雜任務過程中的透明度。掌握這套「先規劃、後行動」的邏輯，就能大幅減少 AI 產出不符預期的情況。
本文授權轉自FC未來商務
