忘掉提示詞公式：AI 時代的本質是「架構思考」與「解決問題」
2026-08-30
48
「指令、提示詞，已經漸漸淡化在我的每一次分享中。現在唯一要記住的重點，只有：清楚描述需求、問題以及目標。」 最近在整理過去的教學素材時，我發現一個明顯的轉變：我越來越少教學生去背誦那些冗長、像咒語般的「提示詞公式（Prompt Templates）」了。 無論面對哪一種 AI 工具，剝除華麗的包裝，溝通的本質其實從未改變：AI 需要先知道「背景是什麼」、「它該做什麼」、「要完成什麼目的」，以及「輸出什麼格式的結果（文章、表格、程式碼）」。當你把這四件事用人類的白話文講清楚，這套邏輯放諸四海皆準。
今天看到一位國中老師的發文，我試著將這個感悟輸入給 @meta.ai
並請它根據我過去的貼文脈絡給予回饋
綜合 AI 的回饋與我的實務經驗，我想分享在「淡化提示詞」之後，我們真正該掌握核心能力：
🗣️ 忘掉咒語，把「白話文」說清楚
面對任何 AI 工具，唯一要記住的重點，就是「清楚描述你的需求、問題以及目標」。
AI 就像是一個剛畢業、讀過很多書但缺乏實務經驗的「職場新鮮人」。你不需要對他念咒，你只需要用白話文告訴他四件事：
- 背景是什麼？（例如：我面對的是一群對數學沒興趣的國二學生）
- 它該做什麼？（例如：幫我設計一個引起動機的開場故事）
- 要達到什麼目的？（例如：讓他們理解一元一次方程式在生活中的實用性）
- 輸出什麼格式？（例如：請給我 3 個選項，並以表格呈現）
甚至，就像我常提的「高階心法」：你可以直接用白話文把需求打出來，然後請 AI 幫你把這段白話文，轉換成專業的 Prompt（提示詞），再餵給它自己。
🏗️ 從「寫長文」轉向「架構思考」
Meta AI 敏銳地抓到了我從 GAS（Google Apps Script）到 Gemini Spark 的教學脈絡：把需求拆成資料層、邏輯層、互動層來描述，比寫長篇大論的提示詞更穩。
這就是所謂的「架構思考」。
與其花半小時斟酌提示詞的語氣，不如把你要開發的系統拆解給 AI 看：
- 資料層（Data）： 資料存在哪裡？（例如：Google Sheets 欄位怎麼開）
- 邏輯層（Logic）： 資料怎麼處理？（例如：收到特定關鍵字時觸發什麼判斷）
- 互動層（UI/UX）： 使用者看到什麼？（例如：Line Bot 的卡片回覆）
當你具備把大問題「拆解」為小模塊的運算思維，AI 就能成為你最高效的程式打字員。
🛠️ 單打獨鬥已過時：打造跨工具的「協作流」
不同的 AI 工具有不同的開發背景與訓練過程（例如 ChatGPT 擅長邏輯推演，Gemini 擅長即時資訊與 Google 生態系整合，Canva 擅長視覺設計）。因此，在不同的情境下，我們要做的是「工具整合協作」，而不是期待一個工具能包山包海。
Meta AI 在分析了我過去的貼文與這套邏輯後，為國中教學現場提出了一個非常漂亮且實用的「快速協作流」：
- Step 1. 拆解與發想 (GPT / Gemini)： 運用運算思維中的「拆解問題」，把一個龐大的單元，拆成「學習目標」、「常見迷思」、「提問設計」。
- Step 2. 驗證與收斂 (Gemini)： 利用 Gemini 搜尋即時資料、整理圖片或分析學生過去的回饋，對第一步產出的內容進行「事實查核與驗證」。
- Step 3. 視覺化輸出 (Canva)： 將前面整理好的精煉文字，丟進 Canva 快速生成學習單、簡報或資訊圖卡。
這其實就是我一直強調的運算思維四步驟：拆解問題 ➔ 精準提問 ➔ 驗證輸出 ➔ 迭代優化。
💡 想法的起點：從生活中的「為什麼」出發
最後，關於「如何增加想法」？
許多老師會盯著空白的 AI 對話框發呆，不知道該問什麼。其實，增加想法的起點從來就不在工具裡，而在你的「生活」與「課堂」中。
不要硬背提問技巧，試著從觀察生活出發，從學生的卡關點出發。
當你在課堂上發現學生某個觀念就是聽不懂時，心裡冒出的那個「為什麼聽不懂？」，就是最棒的探討議題。
你可以把這個「卡關點」直接丟給 AI：
「我的國中學生聽不懂『摩擦力』的概念，請你從『他們熟悉的日常手遊』或『校園生活』中，擴散出 3 種比喻或生活案例給我。」
然後，身為專業領域的你，只需要在這 3 個選項中，挑選最適合你班上孩子屬性的版本來進行教學。
想法與效率，就這樣在人機協作的過程中，自然而然地一起誕生了。
🎯 結語：精通、架構、協作
指令淡化後，留下來的才是真功夫。
這個時代不再需要只會念咒語的 Prompt 工程師，而是需要能夠「精通一個工具、具備架構思考、懂得跨域協作」的實踐家。
找一個讓你最有成就感的工具組合，把它摸熟，然後，開始動手解決你生活中的那句「為什麼」吧。