怎麼給AI好的context

AI 協作最基本的一件事：你給甚麼，AI 就產甚麼。用「背景+立場+期望結果」改寫你的 prompt，跑一次對比就知道差別。

⏱ 約 8 分鐘

你給什麼，AI 就產什麼

叫它寫文章，寫出來像公文；叫它做產品，做出來不知道在幹嘛；叫它改 code，改完比原本更爛。

問題通常不在模型，在你餵給它的東西。

多數人知道 context 很重要，但很少人能說清楚「什麼構成好的 context」。不是字數、不是詳細度——是三個東西：背景、立場、期望結果。缺一塊，AI 就歪一個方向。

Garbage in, garbage out

這句話這幾年大概已經聽到爛了。Andrej Karpathy 在 Y Combinator AI School 的演講把 LLM 比喻成作業系統——model 是 CPU，context window 是 RAM，context engineering 是「填滿那塊 RAM 的精緻藝術與科學」。翻成白話就是：AI 的表現取決於你塞了甚麼進去。

你給 AI「幫我寫一篇關於時間管理的文章」，它只能從最通用的角度寫，因為它不知道你的立場是甚麼、不知道你想強調甚麼、不知道你對時間管理有甚麼不同於主流的看法。

但如果你說「我發現很多人談時間管理其實都是在增加工作量、把自己關進紀律的囚籠，根據這個觀點幫我寫一篇文章」，它就有了方向。不是 AI 突然變強，而是它終於拿到足夠判斷的內容。

背景 + 立場 + 期望結果

我直接舉例。把下面兩段分別貼進 AI 對話，對比回覆差異：

沒有背景的版本：

幫我寫一篇關於時間管理的文章。

有背景 + 立場 + 期望的版本：

我發現很多人談時間管理其實都是在增加工作量，把自己關進紀律的囚籠，根據這個觀點幫我寫一篇文章。
背景：我是一個自媒體經營者，受眾是 25-35 歲的上班族。
立場：反對把時間切成小塊排滿的做法，主張留白和彈性。
期望結果：1000 字左右的部落格文章，語氣輕鬆但有觀點，結尾要有行動建議。

第一個版本 AI 會寫出一篇通用到不行的文章，第二個版本會寫出一篇有立場、有針對性的文章，差異很明顯。你現在拿上一次覺得 AI 回覆不滿意的那段對話，找出你當時給的 prompt，用「背景+立場+期望結果」重新寫一遍，跑一次對比——你自己的材料比我的範例更有說服力。

每次跟 AI 協作，把輸入當作一份小報告來寫：背景回答「這件事的脈絡是甚麼，為甚麼你在做這件事」；立場回答「你對這件事的看法或判斷，你想站甚麼角度」；期望結果回答「你要 AI 產出甚麼，格式、長度、風格是甚麼」。

這三個不是每次都要硬湊齊。技術性的 debug 任務可能不需要立場，直接給錯誤訊息和你試過的方法就夠；簡單到一句話能說完的指令，也不用搞得像企劃書。但只要任務開始變得有判斷、有取捨、有風格，少一塊就很容易歪——只給期望結果不給背景，AI 會在思考階段就定位錯誤；只給背景不給立場，AI 會寫出中立到沒有靈魂的東西；只給立場不給期望結果，AI 不知道你要文章、列表還是程式碼。

比較實際的做法是：先把需求寫下來，加上已知的背景 context，然後讓 AI 摘要一次它的理解。你要真的讀那份摘要——很多錯誤就是在這裡發生的。如果摘要就歪了，後面做出來的東西也會歪，不如在這一步就糾正。當然，簡單低風險的指令（「幫我把這行刪掉」）可以跳過這步。

期望結果不等於交付物

很多時候我們叫 AI 提供一份文件——分析完後把調查結果整理到一份文件裡。這聽起來已經很清楚，但其實還少了一步：那份文件不是最終目的，它只是完成任務過程中的交付物。真正要講清楚的是拿到這份文件之後要做甚麼。

舉個例子，假設我們想調查「如何經營自媒體」。這份文件要讓我們讀完後有辦法理解自媒體經營的基本問題。如果需求變成「一個行銷小白如何經營自媒體」，那文件就不能只是把來源全部丟進去——它還必須夠白話、夠新手導向，讓我們自己讀得懂，也知道下一步該做甚麼。

如果產出內容只是把所有來源一股腦扔進去，沒有整理、沒有轉譯、沒有說明該怎麼用，那它就算形式上交付了一份文件，也沒有達成真正的期望結果。所以講期望結果時，除了說清楚要交付甚麼，也要說清楚這個交付物要帶來甚麼效果。

「簡單做」不是指令

「幫我做一個簡單的產品」——你覺得你在告訴 AI 甚麼？

「簡單」對 AI 沒有明確語意。它不知道你說的簡單是功能少、程式碼短、介面乾淨、還是開發時間短，每一種都是完全不同的東西。對人也是如此——你對一個資深員工說某個東西簡單做，跟對一個新人員工說，跑出來的結果完全不同。

你要把「簡單」換成更具體的描述：「做一個登入功能，只需要一個輸入欄位和一個送出按鈕，不需要資料庫，純前端就好，我要先驗證畫面」。AI 馬上知道該做甚麼，你也不用來回修三輪。

問題真的不一定在 AI

改了三輪 AI 還是搞不定，很容易以為是模型不行。罵完模型之後退一步看自己的 prompt，才發現根本沒講清楚要甚麼。這件事在人和人之間也一樣——交辦任務沒有背景和原因，被委託的人也只能猜。

當我們被各種驚人的 AI 成果洗刷記憶，又太習慣最高級模型的表現，久而久之就會覺得「AI 應該要懂我在想甚麼」。但它真的不會通靈。你覺得它有夠懂你，通常只是因為你已經把東西講清楚了，或你的情境很常見、線索太明顯，再不然就是那一次運氣好，答案剛好說在你心坎上。

所以當有人說「不會就問 AI 啊」——這句話只講了一半。把模糊的問題丟給 AI，搞不清楚交付物與真正目標的差異，問 AI 也問不出東西。真正的能力是把你腦袋裡模糊的想法翻譯成 AI 能執行的精確指令，這個翻譯過程需要判斷力和先備知識，AI 替代不了。

我們不是在跟 AI 聊天，是在給它工作指令。

反過來讓 AI 幫你檢查需求

既然提到不會就問 AI，那也可以反過來——讓 AI 幫你檢查你給的需求還缺甚麼。

用一段很簡單的提示詞：

我接下來會給你一段指令，請先不要執行，而是幫我檢查這段指令還缺少哪些資訊。把你覺得需要補充的部分用問題的形式列出來，讓我逐一回答，回答完之後再幫我把指令重新整理成更完整的版本。

AI 會冒出很多你沒想到的名詞或狀況，等著你補充、回答是或否。指令通常會詳細非常多，我自己也很常先讓 AI 優化輸入，再貼到主要對話執行程式。

這跟基礎有甚麼關係

你在 CLAUDE.md、rules、Skill 裡寫的所有東西，全部都是 prompt。表達不清楚的 prompt，不可能組成清楚的 context；基礎 context 不清楚，後面 CLAUDE.md、rules、Skill、Memory 加上去，也只是在更大的地方重複同一個問題。

這就是為什麼這篇放在最前面。它不是要你背一個 prompt 公式，而是先建立一個底層判斷：AI 的問題很多時候不是模型不行，而是它拿到的內容本來就不足以支持正確判斷。後面我們談 CLAUDE.md、Skill、Memory、Knowledge，會一直回到這件事。

你現在可以做的一件事：找出你上一次覺得 AI 回覆不滿意的對話，用「背景+立場+期望結果」重新寫一次 prompt，親自跑一次對比。