AI 研究報告要先寫好提示詞

FindSkill.ai 把模糊問題整理成可引用的 AI 研究提示詞框架。

說真的，這頁蠻實用。它不是教你背口訣，而是把提示詞拆成 8 塊。頁面最後更新在 2026 年 6 月 11 日，還附上 10 分鐘、4.8 分的使用資訊。

更直白地說，它在教你一件事：想要深度報告，先把需求寫深。你如果只丟一句「幫我查一下」，AI 多半回你一篇空泛摘要，然後你還得自己補洞。

它真正教的，不是提示詞花招

這份指南的重點，不是讓你塞更多字。它要你先想清楚，這份研究到底要解決什麼。講白了，就是把提示詞當成研究簡報，而不是聊天訊息。

這個思路很對。因為很多人用 ChatGPT、Claude、Gemini、Perplexity，都把它當搜尋框。結果就是拿到一堆看似完整，其實沒有證據密度的文字。

FindSkill 的做法比較像真的研究流程。先定角色，再定問題，再定範圍，最後才定輸出格式。這種順序看起來麻煩，但它會逼你先做判斷，少掉很多後面重寫的時間。

• 提示詞要先定角色，再定問題。
• 範圍越清楚，引用越好抓。
• 要求來源格式，AI 才不會亂飄。
• 輸出結構先講，報告才好用。

八段式提示詞，像在寫研究規格

這份框架最有價值的地方，是把提示詞拆成 8 個部分。你不用再憑感覺亂寫。每一段都對應一個研究動作，結構很像產品規格書。

前四段管研究設定。包含 persona、研究問題、範圍邊界、深度要求。後四段管交付內容。包含引用規則、輸出結構、品質守門、修訂方式。這種拆法很適合團隊協作，因為每個人都知道自己在補哪一塊。

我覺得這裡最聰明的是，它沒有假裝 AI 會自己懂上下文。你要明講資料要哪幾類、時間區間多長、地區範圍在哪裡。你講清楚，模型才有機會往對的方向找。

“The quality of AI research output is directly proportional to the quality of the prompt that requests it.”

這句話很直接，也很難反駁。提示詞寫得爛，結果通常也爛。這不是模型脾氣差，是你一開始就沒交代清楚。

它的 persona 模板也很實際。不要只寫「你是研究助理」。可以改成「資深科技分析師」或「策略顧問」。這種寫法會影響語氣、判斷角度，甚至影響 AI 會優先抓哪種資料。

研究問題的寫法也很像 PICO。它要你把問題、比較對象、情境、預期結果寫出來。這招很有用，因為它會把「幫我聊聊 AI」這種爛題目，逼成可回答的研究任務。

• Persona 決定專業角度。
• Question framing 把題目變成可研究問題。
• Scope 限定時間、地區、產業、資料類型。
• Depth 決定字數、來源數、分析層次。
• Citations 規定引用格式。
• Output structure 讓報告能直接拿去用。
• Guardrails 降低亂猜和硬掰。
• Revision rules 幫你迭代第二版。

為什麼研究型工作會吃這套

多數人寫 AI 提示詞，還停在搜尋引擎思維。FindSkill 直接把它拉到分析師思維。這差很多，因為分析師不是在找一句答案，而是在找可驗證的判斷。

像它的培養肉範例，就要求 inline citation、完整報告格式、價格平價比較、法規核准、消費者接受度、五年市場預測。這種要求很硬，但也很像真實工作。投資、產品、政策，很多決策都需要這種層級的資料。

這也很適合團隊。當大家都用同一種提示詞結構，彼此比較輸出會快很多。哪一份報告引用少、哪一份結論跳太快，一眼就看得出來，不用每次從頭吵。

對開發者來說，這件事也很像 API 設計。你給的參數越完整，回來的結果越穩。你給的限制越明確，模型越不容易亂跑。這跟 Microsoft Copilot、Anthropic Claude 這類工具的使用方式完全一致。

引用規則尤其重要。框架要求數字編號引用，也要分清楚一手資料和二手資料。還要把沒驗證的說法標出來。這會讓提示詞更長，但也會讓結果比較能拿去討論，不會一眼就是空話。

跟一般提示詞教學比，差在哪

很多提示詞教學只會叫你「具體一點」或「記得要來源」。這份框架比較像模板庫。它不是叫你靈感爆發，而是叫你照表填空。

差異就在細節。一般寫法可能只問「幫我整理市場」。這份框架會問你：誰是讀者、看哪段時間、要哪種來源、要幾字、要跟誰比、最後要長什麼樣。這些欄位看起來很多，但它們就是讓結果可用的原因。

如果你只想要一段摘要，那一般提示詞就夠了。如果你要的是能進簡報、能進 memo、能進決策文件的內容，那你就得把規格寫完整。AI 不是魔法，它只是照你的規格做。

• 模糊題目，通常只會拿到模糊摘要。
• 有研究問題，才會有可回答的輸出。
• 有來源規則，才會有可檢查的內容。
• 有結構要求，報告才不用重排。
• 有修訂流程，第二版才會真的變好。

我也認同它對 trade-off 的態度。你不能又要超廣，又要超深，還要一頁搞定。這種幻想很常見，但通常只會得到一篇很會講廢話的報告。

比較實際的做法，是分兩段問。先定範圍，再要報告。先讓模型收斂，再讓它展開。這樣通常比一次塞滿所有要求更穩，也比較少出現亂補的內容。

台灣團隊可以怎麼拿來用

如果你在做產品研究、競品分析、投資摘要，這套框架很值得直接改成內部模板。不要每個人都自由發揮，因為自由發揮常常等於輸出風格亂掉。

比較好的做法，是先定三種常用模板。像是市場研究、技術比較、法規整理。每一種模板都固定來源類型、字數、引用格式、輸出段落。這樣團隊交接時，成本會低很多。

對軟體團隊來說，這也能變成 prompt library。你可以把它放進 Notion、GitHub、或內部知識庫。之後每次要跑 Perplexity 或 Claude，就直接複製模板，不用每次重寫。

這裡還有一個現實問題。很多人以為 AI 研究工具會自己幫你做判斷，其實不會。它只會根據你給的限制找資料、拼結論。所以提示詞設計，本來就是工作流程的一部分，不是附加技能。

我會建議台灣團隊先從一個題目開始試。拿你們最近真的要決策的案子來跑，然後比較舊提示詞和新框架的差異。你會很快看出來，哪一種比較少廢話，哪一種比較能直接拿去開會。

結論很簡單：先寫規格，再叫 AI 寫報告

FindSkill 這套 Deep Research Prompt Framework 的價值，不在花俏，而在可重用。它把研究提示詞變成一套能複製的工作流，這才是實務上最省時間的地方。

如果你常用 AI 做研究，我會直接建議你把這套框架改成自己的模板。先定角色，再定問題，再定範圍，最後才要報告。這個順序一旦固定，輸出品質通常會穩很多。

接下來最值得做的事，不是再找更多提示詞技巧，而是挑一個你常做的題目，做成標準版模板。你會很快發現，真正省時間的不是模型，而是你前面那 20 行寫得夠不夠清楚。