面向客戶的 AI 代表你的品牌，打造這類 AI 所需的專業與內部工具截然不同。
能正常運作的智慧體和令人信服的智慧體，差異主要在觀念而非技術，因為大多數提示詞都寫成一組指令，而不是針對對話進行設計。
語言學與認知心理學提供了更好的思考框架：對話有一定結構，提示詞則會創造注意力環境。先放什麼、重複什麼、如何收尾，都會穩定影響智慧體的行為。
限制只有在明確時才有幫助。過多的邊界情況會讓互動變得生硬，也使提示詞臃腫難用；減少必須做的決策，才能專注處理更重要的幾項。
對企業而言，打造能與客戶對話的 AI 是一項艱鉅挑戰。
即使企業積極採用這項技術，已讓個別員工與 AI 協作，甚至可能自行開發內部 AI 工具，讓 AI 成為企業與外界互動的介面，仍是截然不同的挑戰。
這確實可視為某種升遷。AI 一旦開始面向客戶，就會從勤奮的實習生晉升為正式獲得公司背書的員工，穿上制服，在客戶眼中代表品牌。
這麼做的風險很高。現在，任何失誤都會公開發生，還可能被記錄下來。
我們打造的產品通常是多智慧體系統，系統在業務層面有複雜的互動。不過，這類邏輯可能反而比較容易處理。更大的挑戰在於，如何讓使用者相信自己從頭到尾都在與同一個智慧體交談，而且智慧體說的話值得一聽。
因此，我們一再撰寫、改寫提示詞。
有些智慧體經過數百輪提示詞迭代才打造完成。每個智慧體的目標都一樣：專注完成任務，並用能引起使用者共鳴的語調溝通。
提示詞調整過程中的經驗，讓我們用更有創意的方式尋找靈感，也開始借鏡其他領域。當然，並非每種做法都有效；即使有效，也很少一次就成功。經過這些探索，我們的團隊逐漸形成一套不同的提示詞設計典範。
能有條理地運作的智慧體和擅長自然對話的智慧體之間，差距不只在技術，更在觀念。這項差距來自兩個世界之間的落差：一個是你透過提示詞為智慧體設定的世界，另一個是智慧體實際所在的人類溝通世界。
後者的特點是充滿歧義。人類很熟悉這種情況，抱持善意的溝通者也會依循一套微妙、不言明的對話規則，共同處理歧義。準備不足的智慧體很容易被看出來。
為了不打破第四面牆，或者說維持圖靈幻象，我們可以運用語言學與認知心理學的洞見，讓智慧體掌握對話技巧。
語言學有一整套研究語言實際運作的工具，包括探討人們如何逐步建構與管理對話的「會話分析」。這套框架運用在提示詞設計時，讓我們有一套詞彙可以思考對話，把對話視為行動的交換，而不只是言語的交換。
有些行動偏向實務，例如取得或提供資訊；有些則偏向社交，例如維持融洽關係或避免摩擦。這些互動都發生在對話的整體結構和各個階段中，每個階段都有預期的行動。對話有開場和收尾，也有話題轉換，甚至有轉換前的鋪陳。有時，新方向會在略顯尷尬的時刻透過弦外之音含蓄提出、協商並決定。
即使各方都出於善意，溝通誤會仍經常發生。每個人對於對話技巧的掌握程度不一；重點在於，智慧體背後的 LLM 並未預先具備連一般人類溝通者都有的直覺。
除了語言學分析，認知心理學也提供互補觀點，說明注意力、記憶與決策實際如何運作，包括人們如何衡量最先與最後出現的資訊、特定觸發因素如何穩定引發行為，以及限制如何透過降低認知負荷，反而讓人更自由。
提示詞不是中立的指令容器，而是一種注意力環境。因此，最上方放什麼很重要，最下方放什麼也很重要，重複什麼同樣重要。面對一份清單，人們通常更容易記住開頭和結尾，而不是中間內容。心理學家稱這種現象為序列位置效應，包括初始效應與時近效應。
實務上，我們也在 LLM 上觀察到類似現象。最前面的指引會建立整體框架，包括智慧體是誰、扮演什麼角色，以及預期會遇到什麼樣的世界。結尾的指引常像是「智慧體最後聽到的話」。把最重要的指令放在這裡，更有可能讓智慧體照著執行。
除了仔細考量各項指令在提示詞中的位置，也應掌握這些指令為智慧體劃定的整體邊界。
指令會對智慧體形成限制，減少智慧體必須處理的相互衝突選項，並縮小整體問題空間。提示詞需要提供足夠限制，讓智慧體的任務維持在可處理的範圍內。
心理學告訴我們，指導人類員工，尤其是經驗較少的員工時，最好釐清眼前的任務，盡可能降低認知負荷。限制看似妨礙自由，但需要做的決定減少後，我們就能專注於剩下的幾項重要決策，並在限制範圍內發揮創意、採取行動。
相反地，如果列出各種行為範例，試圖涵蓋所有想得到的邊界情況，讓智慧體完全不必做出任何決定，很可能只會造就談吐生硬的對話者，還會產生由各種 if 和 else 拼湊而成、臃腫難用的科學怪人式提示詞，管理起來如同噩夢。
（少樣本提示，說的就是你。）
邊界清楚的提示詞能提供足夠明確的方向，又不會塞入過多要求，導致智慧體動彈不得。這通常代表要為智慧體設定更少的邊界情況或目標，包括該說或不該說什麼，以及該如何或不該如何表達。
根據我們的經驗，如果你需要用少樣本提示來調整邊界，就表示邊界不夠精確。回到核心指令並加以改進。
從認知心理學的角度來看，我們一直在思考各類指令應放在提示詞的哪個位置，並同時考量指令的數量與品質，才能妥善界定智慧體的問題空間。
回顧先前從語言學角度對於對話技巧的觀察，我們可以把對話導向的指令納入智慧體整體任務邊界，補足這套提示詞設計典範。
對面向客戶的 AI 而言，無論我們是否明確承認，對話始終都是後設任務。選擇在提示詞中刻意處理對話時，我們等於要將智慧體的一部分處理能力用於承擔對話相關的「認知負荷」，包括察覺對話情境並做出回應，藉此提升對話能力。
然而，代價可能是必須縮小主要任務的規模，才能讓整體問題空間維持在易於處理且邊界清楚的範圍內。
因此，對於面向客戶的 AI，我們會整體考量如何創造更好的對話與決策條件。我們希望打造規模較小、邊界清楚的智慧體，讓主要任務以對話這項後設任務為背景，或直接納入對話。我們不會堆砌大量指令，再透過範例反覆調整；而是撰寫一組數量較少、經過仔細調整且足夠精確的指令，讓範例不再必要。
我們採用這套提示詞設計典範，打造既能專注完成任務，也能得體應對的智慧體。
釐清觀念脈絡後，下一篇文章將進一步探討實務做法。我們將介紹幾種重要模式；這些模式源自我們透過實際反覆試驗，將上述原則應用於提示詞的經驗。有趣的是，前沿模型供應商也開始在自家的提示詞指南中呈現類似模式。我們將於後續文章中詳述。