你是不是也習慣在跟 AI 聊天時，先來一段很長的開場白？
像是：「你是一位擁有 20 年經驗的資深軟體工程師，精通 Python 和 Java，擅長處理複雜的系統架構…」
很多人相信這樣做能「啟動」AI 的專業模式，讓它回答得更精準。但最近的一項研究直接打破這個迷思：在處理程式碼、數學或硬科學問題時，告訴 AI 「你是專家」反而會讓它的表現變差！ 😱
為什麼「設定人設」反而會讓 AI 變笨？
你可以把 AI 的運算能力想像成一個「能量條」。當你要求它扮演一個「資深專家」時，AI 會花一部分的能量去維持這個「角色設定」（也就是研究中提到的指令追隨），導致它分給「尋找正確答案」的能量減少了。
簡單來說，AI 把時間花在「演戲」而不是「思考」。
研究人員測試了 Llama-3.1 和 Qwen2.5 等多款模型，發現了一個很有趣的現象：
- 寫文章、推理： 設定複雜的人設（例如：你是一位專業的文案撰稿人）確實能提升品質，因為這類任務比較在意「語氣」和「風格」。
- 寫程式、算數學： 設定人設後，準確率反而下降。因為這類任務需要的是「絕對正確的邏輯」，而不是「像專家的口吻」。
這就像是你請一個數學老師幫你解題，如果你一直要求他「請用一個世界級數學大師的風範來解這題」，他可能會花太多心思在擺架子，反而不小心算錯了數字。
怎麼寫 Prompt 才會真正有效？
既然「扮演專家」沒用，那我們該怎麼跟 AI 溝通才能拿到最高品質的答案？這裡有 3 個具體步驟，讓你直接跳過廢話，拿回 AI 的最強戰力：
步驟 1：砍掉冗長的人設，直接下指令
不要花 100 個字去描述 AI 是誰，直接告訴它你要什麼。
- ❌ 錯誤示範： 「你是一位精通數據分析的專家，擁有多年在頂尖公司工作的經驗，請幫我分析這份 Excel 表格。」
- ✅ 正確示範： 「請分析這份 Excel 表格，找出上個月銷售額成長最快的 3 個產品。」
步驟 2：用「具體要求」取代「模糊人設」
與其說「請像專家一樣寫」，不如告訴它「專家會怎麼做」。
如果你希望程式碼品質高，你可以這樣要求：
- 「請在程式碼中加入詳細的註釋。」
- 「請考慮到邊際案例（Edge Cases）並加入錯誤處理機制。」
- 「請確保這段程式碼符合 PEP 8 規範。」
步驟 3：採取「迭代式」修正
不要期待一次 Prompt 就能拿到完美答案。先讓 AI 給出初步結果，你再像主管對下屬一樣進行微調。
- 第一步： 「幫我寫一個自動化報表腳本。」
- 第二步： 「這部分跑太慢了，請優化迴圈邏輯。」
- 第三步： 「請把輸出格式改成 CSV 檔。」
總結：什麼時候該用人設，什麼時候不該用？
為了方便你記憶，你可以參考這個簡單的對照表：
| 任務類型 | 是否建議設定人設 | 建議做法 |
|---|---|---|
| 創意寫作 / 郵件撰寫 | ✅ 建議 | 設定語氣（例如：像親切的客服、像嚴厲的教授） |
| 程式碼 / 數學計算 | ❌ 不建議 | 給予具體的技術規範與限制條件 |
| 翻譯 / 摘要 | ❌ 不建議 | 直接提供原文與目標語言/字數限制 |
| 腦力激盪 / 建議 | ✅ 建議 | 設定多個不同視角的角色（例如：請從消費者的角度批評這個產品） |
下次當你想寫「你是一位資深…」的時候，先停下來想想：我現在是要 AI 「演戲」還是要它「解決問題」？
現在就打開 ChatGPT 或 Claude，試著把那些冗長的人設刪掉，直接下指令看看，你可能會發現 AI 突然變聰明了！
