Prompt 正向引導 vs 負向約束：從踩雷開始學
TLDR
- 核心原則：正向引導（告訴 AI 做什麼）通常優於負向約束（告訴 AI 不要做什麼），因為正向提示能提供明確的收斂目標。
- Over-prompting（提示詞過載）：過多的規則會導致 Attention Dilution（注意力稀釋），使模型因過度聚焦細節而產生 Task Interference（任務干擾），導致回答邏輯生硬或跑偏。
- 塑造型任務：應以正向引導為主，提供模仿對象或明確的思考框架。
- 安全邊界：應以負向約束劃定紅線，並搭配正向引導提供替代方案。
- 行為開關：若要關閉模型預設行為，使用負向約束；若要啟用模型預設沒有的行為，使用正向引導。
- 除錯建議：若發現 AI 回答異常，應先嘗試「不使用個人化設定」重試，若恢復正常，則需簡化全域規則。
為什麼規則太多會讓 AI 跑偏？
當提示詞不夠精準或全域規則過多時，會導致模型底層發生 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，會過度聚焦在當下不重要的細節，引發 Task Interference（任務干擾），最終讓回答邏輯變得奇怪或生硬。
Prompt 策略：正向引導 vs 負向約束
在 Prompt Engineering 中，提示詞分為「正向引導（Positive Prompt）」與「負向約束（Negative Prompt）」。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「長成某樣子」時，正向提示幾乎全面佔優。
- 角色與人設設定：正向提示給予明確的知識框架與思考視角，比單純排除負面行為更有效。
- 語氣與溝通風格：語氣是連續光譜，正向描述目標受眾（如「像對非技術背景的朋友解釋」）能讓模型精準定位，負向則容易導致風格模糊。
- 輸出規格設定：對於 JSON 結構或字數限制等數值型、結構型限制，正向提供模板或具體數字是唯一確定的方式。
- 推理過程引導（CoT）：直接定義「步驟長什麼樣」（如「先列出前提、再逐步推導」）遠比「不要省略步驟」更能提升輸出品質。
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，但建議搭配正向使用。
- 硬性禁區劃定：負向約束（如「禁止引用第三方套件」）語義清晰，約束力強。
- 防止幻覺與過度自信：僅靠負向（如「不要捏造數據」）效果不穩定，應搭配正向（如「若不確定請明確標註」）建立標準動作。
- 範疇限制：定義「職責是什麼」及「越界時該怎麼做」比列舉禁止項目更穩定。
三、行為開關型情境
根據模型的預設偏向決定策略：
- 想關掉預設行為：使用負向約束（例如「請不要產生任何程式碼註解」）。
- 想啟用預設沒有的行為：使用正向引導（例如「請提供至少三個替代方案」）。
如何判斷 AI 被提示詞「弄壞」了
若發現 AI 回話方式異常，可依下列步驟除錯：
- 讓 AI 重做一次回答，觀察是否依然異常。
- 再次重做，選擇「不使用個人化設定」。
若關閉設定後回答恢復正常，代表全域設定已干擾正常對話，建議重新檢視並簡化規則。此外，建議在測試時關閉「記住對話」功能，避免模型引用過往的錯誤資訊。
異動歷程
- 初版文件建立。