Prompt 正向引導 vs 負向約束：從踩雷開始學
TLDR
- 核心原則：讓模型知道「該做什麼」比告訴它「不能做什麼」更有效。
- 正向引導（Positive Prompt）：適用於塑造型任務（如角色扮演、語氣設定、格式要求），能給予模型明確的模仿對象與收斂目標。
- 負向約束（Negative Prompt）：適用於安全邊界與二元行為切換，應作為「紅線」使用，並搭配正向引導補充替代方案。
- 避免過載：過多的全域規則會導致 Attention Dilution（注意力稀釋）與 Task Interference（任務干擾），使模型邏輯變得奇怪或生硬。
- 除錯建議：若發現 AI 回答異常，應嘗試關閉個人化設定或重開乾淨對話，並簡化不必要的規則。
為什麼規則太多會讓 AI 跑偏？
在 Prompt Engineering 中，當提示詞不夠精準或全域規則過多時，會發生 Over-prompting（提示詞過載）。這會導致模型底層出現 Attention Dilution（注意力稀釋），造成注意力權重失衡。AI 為了強行滿足所有全域規則，會過度聚焦在不重要的細節，引發 Task Interference（任務干擾），最終導致回答邏輯變得奇怪或生硬。
什麼情況下會遇到這個問題？ 當你在系統提示詞（System Prompt）中堆疊了過多瑣碎的限制，或是在對話中頻繁加入全域約束規則時，極易觸發此現象。
Prompt 策略：正向引導 vs 負向約束
提示詞可分為直接要求目標的「正向引導」與禁止特定行為的「負向約束」。兩者在調教時的副作用與適用情境有顯著差異。
一、塑造型情境
當需要模型「長成某個樣子」時，正向提示全面佔優。
- 角色與人設設定：正向提示提供明確的知識框架與思考視角；負向提示僅排除了一端，剩下的空間仍過於模糊。
- 語氣與溝通風格：語氣是一個連續光譜，正向描述目標受眾能讓模型精準定位，負向僅能砍掉幾個端點。
- 輸出規格設定：如要求 JSON 格式或特定字數，正向直接給予模板或數值是唯一確定的方式。
- 推理過程引導（CoT）：直接定義「步驟長什麼樣」遠比「不要省略步驟」有效，能提升輸出品質與可驗證性。
什麼情況下會遇到這個問題？ 當你希望 AI 扮演特定專業角色、輸出特定格式（如 API 串接用的 JSON）或維持特定語氣時。
二、防守型情境
當需要模型「不能碰某條線」時，負向約束有其價值，但建議搭配正向引導。
- 硬性禁區劃定：負向約束語義清晰，適合劃定禁區（如禁止使用第三方套件）；正向引導則用於提供替代方案，避免模型無所適從。
- 防止幻覺與過度自信：僅靠負向禁止捏造數據效果不穩定，應配合正向要求模型在不確定時採取特定動作（如標註「此處不確定」）。
- 範疇限制：定義「職責是什麼」及「越界時該怎麼做」比單純列舉禁止項目更穩定。
什麼情況下會遇到這個問題？ 當開發客服機器人、工具型 AI，或需要嚴格限制技術棧（如僅限原生 JS）時。
三、行為開關型情境
針對模型預設行為的切換，應根據預設偏向決定策略：
- 預設會做，想關掉：使用負向約束（例如：「請不要產生任何程式碼註解」）。
- 預設不做，想啟用：使用正向引導（例如：「請提供至少三個替代方案」）。
什麼情況下會遇到這個問題？ 當你希望改變 AI 的預設輸出習慣，例如強制要求輸出純程式碼，或強制要求提供多種解決方案時。
如何判斷 AI 被提示詞「弄壞」了
若發現 AI 回話方式異常，可透過以下步驟除錯：
- 讓 AI 重做一次回答，觀察是否依然異常。
- 再次重做，並選擇「不使用個人化設定」或「關閉記憶功能」。
如果關閉設定後回答明顯正常，代表全域設定已干擾正常對話，應重新檢視並簡化規則。若某條規則拿掉後回答沒有明顯變差，則該規則極可能只是在消耗注意力權重，建議直接移除。
異動歷程
- 2026-03-07 初版文件建立。