生成式AI為什麼會出現幻覺？提示詞怎麼寫？零樣本、少樣本與逐步推理一次看懂

2026.11.07

2000次觀看

生成式AI為什麼會一本正經地講錯？本文用白話說明語言模型接續生成、幻覺與多模態，示範把提示詞寫成有來源、限制與驗收標準的任務單，分清零樣本、少樣本、逐步推理三種提示方式，並對應生成式AI辦公室應用能力認證的基礎認知與提示詞主題。

本文目錄

同一份會議資料交給AI，有時整理得井井有條，有時卻憑空多出一條「決議」，還附上看似合理的負責人。問題往往不在工具好壞，而在任務邊界沒交代清楚、也沒安排查核。這篇對應生成式AI辦公室應用能力認證學科的「基礎認知與提示詞應用」主題，也是後面文本、圖像實作的共同基礎。

搭配本課程5分鐘影片，先看重點，再用下面的整理與練習確認理解。

影片／生成式AI辦公室應用能力認證入門系列第3堂：5分鐘看懂基礎認知與提示詞

生成流暢不等於內容正確

語言模型處理文字時，會依上下文逐步預測接下來的字詞片段。可以把它想成參考前文接著寫的系統，而不是從資料庫抄出唯一答案。所以它能寫出各種語氣的草稿，也可能接出不存在的研究名稱、錯誤日期或看似合理的數字，這類錯誤稱為「幻覺」（hallucination）。

提示寫得再完整，也不能取代查核。工具列出引用來源時，要打開原件確認它存在，並讀到支持結論的段落。

另一個常見名詞是Transformer（一種模型架構）：目前主流語言模型多以它為基礎，擅長掌握長篇文字裡前後字詞的關聯。

「多模態」（multimodal）是指能處理文字、圖片等不同形式的資料，像一張放得下不同素材的工作桌；實際支援哪些輸入與輸出，要看你用的工具與帳號。用ChatGPT、Claude或Gemini練習時，先確認這一點。

讀出圖片文字和正確理解圖表是兩件事。例如把長條圖截圖交給工具，它可能把數字都讀對，卻把兩組資料的高低說反。欄名、單位與註腳都要拿原件核對。

提示詞（prompt）是交給AI的工作要求。與其只寫「幫我整理」，不如寫成任務單：

這樣生成後就有一份可逐欄比對的清單，能查出哪些資訊是工具自己補的。任務若有字數與必含內容，也逐項寫進提示。

提供多份資料時，先編號成文件甲、乙、丙，要求關鍵事實附上對應編號，方便回查；資料區標清楚起訖，工作要求另放一區。

外來文件若夾帶「忽略前面規則」這類句子，要把它當成待處理的資料，不讓它改寫工作規則。把操控指令藏進資料、誘使系統偏離任務，稱為「提示注入」（prompt injection）。單靠分隔線不是完整防護，還要限制工具權限，並對資料外傳另設人工確認。

輸出格式總是跑掉，改用少樣本、先給填好的範例，通常比加長說明更直接；推論常跳步，就要求逐步列出依據。不過工具寫出的推理過程本身也是生成內容，仍要回到資料核對。

自編情境：會議資料只列討論事項，沒有負責人與期限。要請AI填出合理的名字和日期，還是先標示缺漏？

答案是先標示缺漏，讓欄位保留「未提供」，再請資料負責人確認。會議紀錄的完整，是把已知與未知分清楚；把猜測填進去，反而改變了原始紀錄的意思。

修提示時一次只鎖定一種錯誤，並保留修改前後的輸出，才看得出是哪個條件造成差異：

同一任務重跑，文字每次可能不同，檢查重點是事實與欄位是否穩定。評估提示有沒有改善，要用同一份測試資料、同一套驗收標準。