最近大家其實卡在同一個地方
最近這個問題一直反覆出現。表面上看像不同情境各自出事——有人問 AI 怎麼寫信，它回了一堆廢話；有人請 AI 整理會議記錄，它自己編了一段沒人說過的話；有人叫 AI 分析數據，它給出一個很漂亮的錯誤答案。這些案例看起來是操作問題，但實際上，很多人卡住的是同一種判斷落差： **你以為 AI 在『思考』，但它其實只是在『算機率』。** 這不是文字遊戲。這個誤會，決定了你接下來是跟 AI 吵架，還是真的讓它幫你省時間。
AI 不是思考，是在算機率。你給的提示（prompt）就是它的起點，它根據機率一個字一個字往下猜，直到你喊停。
先替你做判斷
AI 不是思考，是在算機率。你給的提示（prompt）就是它的起點，它根據機率一個字一個字往下猜，直到你喊停。看懂這個底層邏輯，你就知道為什麼問法不同，答案差這麼多。
為什麼最近一直在同一個地方跌倒
你會在哪裡先撞到這個坑？ 最常見的情境有三個： 1. **你給了一個模糊的任務，AI 回了一個『平均答案』。** 例如你只說『幫我摘要這篇文章』，它會摘要，但摘要的內容通常是它從訓練資料裡學到『最常見的摘要長相』，而不是你真正想看的重點。 2. **你以為 AI 會『記住』你說過的話，但它其實只記得你給的這一段對話。** 這就是所謂的『上下文視窗（context window）』，用白話文講就是 AI 一次能記住多少話。超過這個長度，它就會『失憶』，然後開始亂接。 3. **你讓 AI 做它不擅長的事，比如算數學或查事實。** 因為在沒有驗算時，它可能不是穩定地在『算』，而是在『猜』哪個答案最可能接在問題後面。所以你會看到它在複雜計算上出錯，而且還振振有詞。 這三個坑，都來自同一個誤會：你把 AI 當成一個會思考的人，但它其實是一個超強的機率預測機。
真正讓事情失控的，不是表面那一層
真正讓事情失控的原因，這通常不是個人操作能力問題 AI，而是你對『AI 怎麼運作』的想像錯了。 很多人以為 AI 像一個超級助理，會『理解』你的需求、『思考』你的問題、『判斷』什麼是對的。但實際上，大型語言模型（LLM，也就是 ChatGPT、Claude、Gemini 這些工具背後的技術）的底層運作，更像是這樣： 1. 你給它一句話（prompt）。 2. 它把這句話拆成一個個『詞元（token）』——用白話文講就是單字或詞組的碎片。 3. 它根據訓練時學到的機率分佈，預測『下一個最可能出現的詞元是什麼』。 4. 它選出那個詞元，貼到你給的句子後面。 5. 然後重複步驟 3-4，直到它覺得夠了，或者你喊停。 **它沒有在『思考』，它只是在進行一個極度複雜的『接龍遊戲』。** 先前 Andrej Karpathy（前 Tesla AI 總監、OpenAI 創始成員之一）做了一場名為『大型語言模型導論（Intro to Large Language Models）』的演講，裡面就用非常直觀的圖解說明了這件事。有人甚至根據他的演講內容，做了一個互動式圖解網站（How LLMs Work），讓你可以親眼看到 AI 是怎麼『一個字一個字』把答案生出來的。 這個圖解網站的核心啟示就是：**你看到的『流暢回答』，背後是一個極度機械化的機率計算過程。** 它不是靈感，不是理解，而是統計。 當你真正接受這件事，你就會發現：你過去跟 AI 吵架的原因，不是 AI 笨，而是你給的起點（prompt）沒有把機率導向你想要的方向。
如果你只想先止血，先照這樣做
知道 AI 是在算機率之後，你的提問方式就要跟著改。這裡有一套可以直接照做的防呆法： **第一步：把任務拆成『誰、做什麼、產出什麼、避免什麼』** 不要只說『幫我寫一封信』。要說： - 你是誰（例如：我是客服人員） - 你要做什麼（例如：寫一封道歉信給一位因為物流延誤而生氣的客戶） - 產出什麼格式（例如：300 字以內，語氣誠懇但不卑微） - 避免什麼（例如：不要用罐頭用語，不要推卸責任） 這樣 AI 的機率預測才會被導向一個更窄、更準確的範圍。 **第二步：用『角色設定』壓縮機率空間** 告訴 AI『你是一位有 10 年經驗的客服主管』，比說『請用專業語氣』有效。因為『專業語氣』這個詞在訓練資料裡對應的機率分佈太廣，而『客服主管』會把機率集中在特定的說話方式上。 **第三步：給它『思考的邊界』** 如果你要 AI 分析數據，不要只說『分析這份報表』。要說： - 只分析這份報表裡的數字 - 不要引用外部資料 - 如果有不確定的數字，直接說『不確定』，不要編造 這就像在機率空間裡畫柵欄，告訴它『不准去那邊』。 **第四步：要求它『先思考，再回答』** 這招對複雜問題特別有效。你可以在 prompt 裡加上一句：『請先列出你的思考步驟，再給出最終答案。』這會讓 AI 在『接龍』的過程中，先產生一個內部草稿，再根據這個草稿去生成最終答案。機率上，這通常會得到更連貫、更準確的結果。 這套方法的核心只有一句話：**你給的起點越精確，AI 的機率預測就越不會亂跑。**
最容易讓你以為有答案，其實還沒收尾的三個誤區
最容易白忙的誤區有三個： **誤區一：以為『講得更多』就是『講得更清楚』** 很多人為了讓 AI 聽懂，會寫一大段背景故事。但 AI 的上下文視窗有限，而且它對起點的敏感度遠高於中間段落。如果你把關鍵指令埋在第三段，它很可能會忽略。正確做法是：把最重要的指令放在最前面。 **誤區二：以為 AI 會『記住』你上一輪的修正** 如果你跟 AI 說『不要用罐頭用語』，它下一輪可能真的會改。但如果你開啟一個新對話，它通常不會自動沿用上一輪的修正。因為多數新對話都更接近一個重新設定的機率計算起點。 **誤區三：以為『溫度調低』就能解決所有問題** 溫度調低確實能讓 AI 更穩定，但如果你給的起點本身就是模糊的，低溫度只會讓它穩定地產出錯誤答案。先修好 prompt，再調溫度，順序不能錯。
送出前最後看一眼，不然很容易重工
送出前，最後看一眼這張檢查表： □ **起點夠不夠窄？** 你的 prompt 有沒有明確的『誰、做什麼、產出什麼、避免什麼』？ □ **關鍵指令有沒有放在最前面？** 不要埋在第三段。 □ **有沒有給它『思考邊界』？** 例如『只分析這份資料』、『不要編造』。 □ **如果是複雜問題，有沒有要求它『先思考再回答』？** □ **你有沒有開啟一個新對話？** 如果有的話，上一輪的修正可能不會自動沿用。 這五題都過關，你再按送出。
如果下次又遇到，先照這篇的順序走一次
下次你打開 ChatGPT 或任何 AI 工具，先別急著打字。停三秒，問自己一句話： **『我給的這個起點，會讓 AI 的機率往哪個方向跑？』** 如果答案是『我不知道』，那就先回去修 prompt。這不是慢，這是在用正確的底層邏輯省時間。 如果你想要更進階的練習，可以去找 Karpathy 的那場演講來看，或者玩一下那個互動式圖解網站（How LLMs Work）。親眼看到 AI 一個字一個字地『猜』出答案，你對『提問』這件事的看法，會完全不一樣。
讀者最常問的幾個問題
幫助非常大。知道它在算機率，你就會開始注意『起點』——也就是你給的提示。機率模型對起點極度敏感，起點模糊，它就會往機率最高的常見路徑走，通常是廢話或套話。所以你要做的是把起點壓縮成『誰、做什麼、產出什麼格式、避免什麼』。這不是玄學，是直接影響機率分佈的工程手法。
溫度控制的是『機率分佈的集中度』。溫度低，AI 只會選機率最高的那幾個字，回答穩定但可能很無聊；溫度高，它會選機率較低的字，回答有創意但容易亂飄。如果你在寫程式或做事實查核，溫度設 0 到 0.3；如果你在 brainstorm 或寫文案，溫度設 0.7 到 1.0。Top-P 則是另一種控制方式，意思是不看機率太低的字，只從累積機率達 P% 的候選字裡選。一般使用者先調溫度就好，Top-P 留給進階場景。
