提示工程死透了!解密Anthropic情境工程5大步驟:如何聰明設定,讓Claude忘不了你?
提示工程死透了!解密Anthropic情境工程5大步驟:如何聰明設定,讓Claude忘不了你?

回首 2024 年底,「提示工程師」還是 LinkedIn 上最常見的 AI 相關職稱之一;一年多後,這個詞越來越少見。但原因不是需求縮水,而是整個概念被淘汰。

這個曾被吹捧為「AI 時代最熱門職業」的工作,為何壽命只有 18 個月?

在 X(前 Twitter)上,AI 工作流程研究者 @heynavtoor 整理了一套業界盛行的新架構情境工程(Context Engineering)。Anthropic 也已於 2025 年 9 月發布完整工程指南說明這套方法論。

至於什麼是情境工程?可以參考以下兩種場景:

一般做法:每次打開 Claude,花 10 分鐘重新解釋你是誰、你的語氣偏好、這個專案的背景,然後得到一份需要大量修改的草稿。

情境工程做法:用三個 Markdown 檔案加幾個工具串接,Claude 在你還沒開口前,就已知道你是誰、你要什麼。

為什麼提示工程失效了?

提示工程有一個根本缺陷:它在每次對話後完全重置。

你花了一小時調教出完美的提示詞,得到一份好稿件,關掉視窗。隔天重新開啟,AI 對你一無所知——你的寫作風格、客戶偏好、專案脈絡,全部歸零。你只是在跑一台永遠不前進的跑步機。

情境工程改變的是根本邏輯:不是教你怎麼「問得更好」,而是設計 AI 在回應前所「看到的全部資訊」。提示工程是一個句子;情境工程是一套架構。

5 步驟打造情境工程核心組件

第 1 步:建立永久系統指令

系統指令是在每次對話開始前就載入的「常駐規則」,不是一次性的提示詞,而是永遠有效的操作手冊。在 Claude Code 中,這是 CLAUDE.md;在 Claude Cowork 中,是 about-me.md、brand-voice.md、working-rules.md 這類檔案。

三個起始檔案範本:

# about-me.md
我是 [姓名],[職稱],服務於 [公司/媒體]。
目前主要工作:[列出 2-3 項核心任務]
我的目標讀者:[描述讀者輪廓]

# brand-voice.md
語氣:[簡潔/正式/對話式]
常用詞:[你喜歡的用詞範例]
禁用詞:[你不喜歡出現的詞]
文章範例:[貼入一段你認為品質好的文字]

# working-rules.md
執行前先確認:[哪些情境需要問使用者]
預設輸出格式:[Markdown / 純文字 / 其他]
品質標準:[你認為好稿件的定義]

在Cowork或Code模式下建立這三個檔案後,每次對話就不用再從零開始。(編按:Chat模式不支援以上永久系統指令)

第 2 步:建立跨對話的記憶系統

短期記憶是 AI 在單次對話中記住的內容;長期記憶是跨對話持續存在的資訊。情境工程把記憶當作基礎建設設計,而不是附加功能。

實務做法:建立一個 project-state.md,讓 AI 在完成每個任務後,將關鍵決定與進度寫入檔案。下次對話開始時先讀取這份筆記,從上次結束的地方繼續。Anthropic 將這稱為「結構化筆記」——AI 寫給自己的進度日誌。

第 3 步:給 AI 接上工具

純文字的 AI 只能讀和寫;工具讓 AI 有了「手」。

Anthropic 於 2024 年底發布的模型情境協定(MCP)已成為業界標準,目前有 Gmail、Google Drive、Slack、GitHub、Notion 等數百個整合可用。

設定路徑:Claude 設定 → 連接器 → 選擇 Gmail 和 Google 日曆。

設定完成後,輸入「整理我今天的會議,並確認信箱裡有沒有跟它們相關的郵件」,Claude 會跨平台比對你的行事曆與信箱,產出一份需要你自己花 15 分鐘才能整理出來的簡報。

第 4 步:把你的資料接進去

AI 的訓練資料有截止日期,它不知道你的公司內部政策、Q1 業績數字、昨天收到的客戶信件。檢索增強生成(RAG)解決這個問題:在 AI 回應前,系統先搜尋你的文件庫,把相關內容拉進情境視窗。

Claude Opus 4.6 的情境視窗達 100 萬個 token,可一次載入整個專案目錄。 在 Claude Cowork 中,只需將 AI 指向你的工作資料夾,它就能讀取所有檔案。

AI 出現幻覺,與 AI 準確引用你自己的資料,差別不在於模型的好壞,而在於資料有沒有被正確地放進情境。

實務做法:建立一個專屬的知識資料夾(例如 knowledge/),把品牌語氣指南、優質稿件範例、常用數據表存進去。在 Claude CoWork 中,對話開始時說「請先讀取 knowledge 資料夾的所有內容」。

若是在 Claude Code 中,把資料夾路徑寫進 CLAUDE.md,讓 AI 每次啟動時自動載入。需要引用特定文件(如客戶簡報、財報原文)時,直接把檔案貼入對話,比用文字描述內容更準確,也更不容易產生幻覺。

延伸閱讀:Claude變身「史丹佛博士生」助理:研究生如何用9個提示,把40多篇論文變成研究報告?

第 5 步:設計動態情境組裝

靜態系統每次載入相同資訊;動態系統根據當前任務,自動組裝不同情境:寫程式時載入程式碼風格指南,撰稿時載入品牌語氣檔,開會前載入行事曆與與會者背景。

Anthropic 在 Skills 系統中稱之為「漸進揭露(Progressive Disclosure)」:Claude 不會把所有 Skill 全部載入,而是讀取說明、辨識哪些與當前任務相關,只載入需要的部分。情境不是固定的,是動態組裝的。這就是情境工程的工程性所在。

實務做法:在 Claude CoWork 或 Code 模式載入所有 Skill 之後,為每個 Skill 寫下明確的觸發時機(例如:「收到外文新聞連結時」、「說幫我寫社群貼文時」)。不確定怎麼定義的話,可以直接問 Claude:「這個 Skill 適合在什麼情境觸發?」,讓它幫你起草,再寫進記憶檔或 SKILL.md 裡。

延伸閱讀:我需要養龍蝦嗎?一張圖判斷你在哪個AI階段,ChatGPT、n8n、Agent怎麼選一次搞懂

有什麼使用限制?

技術門檻不為零。 建立 CLAUDE.md、設定 MCP 工具串接、維護跨對話記憶檔案,需要一定的工具操作能力。非技術背景的使用者可從三個基礎 Markdown 檔案開始,跳過工具串接部分,仍可顯著改善 AI 輸出品質。

品質取決於輸入的內容。 brand-voice.md 寫得越精準,輸出就越像你。沒有認真描述自己的偏好,AI 也只能猜。

複利效應建立在重複性任務上。 單次、一次性的任務,直接打提示詞就好。你越常重複的工作,越值得投資架構。

提示工程訓練你每次重頭開始;情境工程讓你每週在上週的基礎上繼續。一個不斷重置,一個持續複利。選哪條路,決定的不只是工作效率,而是你與 AI 協作的天花板在哪裡。

延伸閱讀:
同事都在用AI做事?Claude Cowork完整教學,教你一步步打造AI Agent超強工作流

怎麼用Claude Cowork做簡報?6步驟圖解、3進階用法,一次量產出可編輯的PPT

資料來源:@heynavtoor on X

本文初稿為AI編撰,整理.編輯/李先泰

往下滑看下一篇文章
從切菜到乾燥加工!宜展如何結合桃園市政府創業資源,以AI開拓農產加工第二成長曲線?
從切菜到乾燥加工!宜展如何結合桃園市政府創業資源,以AI開拓農產加工第二成長曲線?

走進蔬果加工廠,同樣是100公斤高麗菜,最後能做出多少成品?答案不見得相同。氣候、產地與品質影響原料條件,客戶要求的切法、重量與交期也各不相同。對曾任科技業研發主管十多年的宜展科技農業執行長林佑澤而言,這是與科技製造截然不同的世界。

「農業部分全部都不一致。」林佑澤以青江菜為例,即使機械手臂已經訓練好辨識特徵,面對形狀各異的蔬菜,仍難以判斷該從哪裡抓取。農產品的天然變數,卻得面對學校團膳、連鎖餐飲、航空空廚等企業客戶對品質與交期的要求。如何讓加工流程穩定運作,成為宜展投入數位轉型的起點。

從紙本、LINE到數據,先把現場經驗留下來

目前宜展一年處理數千噸蔬果、服務超過120家企業客戶,業務涵蓋採購、截切、清洗、包裝與配送。林佑澤觀察,農產加工的關鍵經驗往往掌握在資深員工手中:該買多少菜、原料損耗多少、訂單增加又該安排多少人力,都仰賴現場判斷。

「主要就是把人的經驗變成數據。」林佑澤說。過去客戶透過LINE或紙本下單,現場靠人工整理訂單、對照不同客戶的加工規格;如今宜展利用AI辨識訂單內容並匯入ERP,再依客戶、品項與規格進行標籤化派工。製程則透過QR Code記錄原料投入量與成品產出量,逐步掌握各環節的加工損耗。

接下來是整理現場的判斷依據。林佑澤透過與資深員工對談,了解採購、派工與品管的作業方式,再利用AI協助找出規則、建立SOP。AI整理出的流程仍須由現場人員逐項確認、修正,才能實際執行。

品質管理也在持續改善。傳統金屬檢測器難以辨識菜蟲、橡皮筋等非金屬異物,宜展正與技術夥伴規劃導入AI影像辨識,輔助產線末端檢查。林佑澤表示,每批農產品品質不同,比起單看良率,他更重視客訴是否減少。隨著訂單與製程資訊逐步累積,宜展也希望進一步建立需求預測、採購建議與生產排程模型,減少營運對資深員工個人經驗的依賴。

不只把菜切好,乾燥加工尋找第二成長曲線

除了改善截切本業,宜展也開始發展乾燥加工。學校團膳在寒暑假面臨需求波動,生鮮蔬果則有保存期限短、價格易受產季影響等限制。林佑澤希望藉由乾燥技術延長農產品保存期限,開拓附加價值更高的加工業務。

不過,乾燥同樣有依賴經驗的問題。傳統做法是太乾就降低溫度、縮短時間,不夠乾就反向調整。每批原料的水分與成熟度不同,反覆試做不僅增加成本,也難以維持品質一致。「品質目標沒有設定的話,前面的製程參數就不知道怎麼調整。」林佑澤將過去研發車用面板的思維帶進農產加工:先決定產品希望達到的口感、含水率與水活性,再回頭檢視原料成熟度、截切厚度及乾燥參數等條件。

團隊進一步結合不同乾燥技術、自行改造設備,並接洽桃園的設備業者合作。林佑澤曾比較其他地區的設備,最後選擇設備構造、乾燥均勻度與可靠度較符合需求的桃園業者。宜展也持續累積製程參數,希望未來透過AI找出適合不同原料的乾燥曲線,減少反覆試做。

「我們主要還是要做代工,想要做一個功能性的原料平台。」林佑澤說,果乾目前更像是展示技術能力的產品,未來希望將服務延伸至辛香料、中藥材、太空食品、超級蔬菜及寵物食品等領域。現階段宜展主要營收仍來自蔬果截切本業,乾燥事業尚未形成主要收入。未來若能建立穩定的乾燥製程與代工能力,宜展便有機會從既有蔬果供應鏈,切入附加價值更高的食品原料市場。

從彰化走向桃園,驗證營運方法能否跨區複製

隨著加工流程逐步數位化,宜展也開始思考,這套管理方法能否帶到彰化以外的場域。

參與桃園市政府青年事務局天際線加速器及Meet桃園+後,宜展擴大與桃園產業生態系的連結。林佑澤提到,天際線協助邀集不同局處了解團隊需求,並提供資源媒合機會。宜展也開始與桃園市農會及在地農民合作,增加北部原料來源。這項合作不只拓展了供應來源,更成為宜展因應極端天候、穩定供貨的重要助力。林佑澤回憶,先前中南部連日降雨,蔬菜供應受到影響,宜展便從北部調度蔬菜,以不同產區互相支援,降低天候對供貨的衝擊。此外,團隊也透過天際線資源,獲得參與日本國際伴手禮設計競賽的輔導,並成功榮獲金賞獎肯定,除了展現產品的創新與設計實力,也為宜展拓展海外市場、提升國際能見度創造更多機會。

下一步,宜展規劃以桃園大溪作為第二個驗證場域,將彰化累積的資料、SOP與加工管理經驗,轉化為可複製、可優化的營運管理模式,帶到不同產地、供應鏈及人員條件下驗證。林佑澤指出,未來若要跨區域擴張,不可能每到一個新地方,就把原有團隊整批搬過去。因此,宜展希望將資深員工的實務經驗,轉化為標準化流程與數據模型,結合AI進行生產排程、資源配置及營運決策,讓新場域能依據當地條件快速調整,降低對特定人員經驗的依賴。

從彰化到桃園,宜展接下來要驗證的,是這套從傳統農產加工現場整理出來的管理方法,是能夠跨區域複製、快速部署並持續優化的農產加工營運系統。 長期目標是降低新場域的建置成本與管理複雜度,提升擴張效率,讓傳統農產加工業具備規模化發展的能力。

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
一次搞懂工業AI
© 2026 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