「語言是人類思想的邊界，而在人工智能時代，指令（Prompt）則是我們拓展這條邊界的唯一工具。」
第一章：人機對話的簡史—從精確命令到模糊語義
在計算機科學的發展長河中，人類與機器的溝通方式經歷了三次巨大的典範轉移。
第一次是打孔卡與組合語言的時代。那時，我們必須像操作精密鐘錶一樣，精確地撥動每一個暫存器。錯一個位元，整台機器便會停擺。那是「人遷就機器」的時代，溝通的成本極高，但歧義性為零。
第二次是高階程式語言與圖形介面（GUI）的時代。我們開始用接近人類邏輯的 if-then 語句或滑鼠點擊來指揮電腦。雖然門檻降低了，但我們依然是在一個預設好的框架內，進行有限的選擇。
而現在，我們正處於第三次浪潮—自然語言交互（NLI）的生成式 AI 時代。這是人類歷史上第一次，機器試圖理解我們的「意圖」，而非僅僅執行我們的「命令」。
在這個時代初期，為了讓那還不夠聰明的 AI 聽懂人話，研究者總結出了 PTCF 架構。它像是一座橋樑，連接了人類模糊的需求與 AI 統計學的預測。然而，隨著 Google Gemini 等多模態模型（Multimodal Models）的崛起，這座橋樑似乎顯得不夠寬闊了。於是，PARTS 架構應運而生。
這不僅僅是一個縮寫詞的更替，它反映了 Google 對於「人機協作」理解的本質深化。
第二章：古典時代的王者—PTCF 架構的回顧
2.1 PTCF 的誕生背景
在 ChatGPT 剛橫空出世，以及 Google Bard（Gemini 的前身）尚在襁褓之時，大眾對於如何與 AI 對話感到迷茫。許多人只會輸入「寫一篇文章」或「翻譯這段話」，然後對產出的平庸內容感到失望。
這時，PTCF 作為一種結構化的提示工程方法論，迅速成為了業界標準。它簡潔有力，涵蓋了指令的四個核心維度：
- Persona (角色)：你希望 AI 扮演誰？
- Task (任務)：你希望 AI 做什麼？
- Context (背景)：AI 需要知道哪些前置資訊？
- Format (格式)：你希望產出是什麼樣子？
2.2 PTCF 的運作邏輯
PTCF 的美學在於它的「功能主義」。它像是一份標準的工廠訂單：
- Persona: 你是一位資深程式設計師。
- Task: 請解釋 Python 中的遞迴函數。
- Context: 對像是剛入門的大學生，請用生活化的比喻。
- Format: 輸出為一篇 500 字的短文，包含一段代碼範例。
在單一文本生成（Text-to-Text）的時代，PTCF 完美地解決了「指令不清晰」的問題。它強迫使用者在發問前進行思考，從而大幅提升了 AI 的回應品質。
然而，隨著 AI 模型參數量的爆炸性增長，以及 Gemini 這種原生多模態模型的出現，我們發現 PTCF 開始顯得有些「粗顆粒」。
第三章：分水嶺—為何 Google 轉向 PARTS？
這是一個值得深思的問題：為什麼 Google 在其最新的 AI Essentials 課程與教育推廣中，開始全面轉向 PARTS 架構？
這並非是為了創造新詞彙的行銷手段，而是基於以下三個技術演進的必然：
3.1 從「執行者」到「創作者」的轉變
PTCF 中的 Task (任務) 隱含了一種「執行」的意味—我下令，你執行。但在 Gemini 3 Pro 甚至 Think 模型中，AI 展現出了驚人的推理與創造能力。我們需要的不再僅僅是執行一個動作，而是達成一個目標 (Aim)。
3.2 「背景」的解構與重組
在 PTCF 中，Context (背景) 是一個巨大的垃圾桶。使用者往往將「受眾是誰」、「語氣如何」、「限制條件」通通丟進 Context 裡。這導致 AI 在處理長上下文（Long-context window）時，容易混淆權重。
PARTS 敏銳地將 Context 拆解為 Recipients (受眾) 和 Theme (主題/風格)。這一步拆解至關重要。因為在大型語言模型（LLM）的注意力機制（Attention Mechanism）中，「對誰說」（受眾）和「怎麼說」（風格）往往比「說什麼」（內容）更能決定輸出的品質。
3.3 對「結構」的重新定義
PTCF 的 Format 通常被理解為「形式」（如：表格、清單、PDF）。而 PARTS 中的 Structure 則更進一步，它暗示了內容的邏輯結構（如：先總後分、英雄之旅的敘事結構、或是特定的思考鏈 CoT）。
因此，從 PTCF 到 PARTS，實際上是從「指令式編程」思維向「聲明式目標」思維的跨越。
第四章：深度解碼 PARTS 模型—Gemini 的原生語言
現在，讓我們像拆解精密儀器一樣，逐一剖析 PARTS 的五個組件。這不僅是 Google 推薦的架構，更是目前驅動 Gemini 進行複雜推理的最佳實踐。
4.1 P – Persona (角色：確立身分)
這點與 PTCF 相同，但在 PARTS 中，角色的定義需要更具「具身性」（Embodiment）。
- 舊式寫法：「你是一個行銷專家。」
- PARTS 寫法：「你是一位擁有 15 年經驗的 B2B SaaS 產品行銷總監，擅長以數據驅動的敘事方式打動企業決策者。」
筆者點評：給予 AI 角色，本質上是在高維向量空間中，限定了它的檢索範圍。你定義得越精細，它的「聯想」就越專業。
4.2 A – Aim (目標：明確意圖)
這是對 Task 的升級。Task 是「寫一封信」，Aim 是「寫一封能讓客戶點擊連結的信」。Aim 聚焦於結果與目的，而非僅僅是動作。
- 核心心法：使用強動詞（Strong Verbs），並附帶「為了…」（In order to…）的意圖說明。
4.3 R – Recipients (受眾：定義聽眾)
這是 PARTS 最具戰略意義的新增維度。Gemini 具有極強的語義適配能力，同樣的內容，解釋給「五歲小孩」、「大學教授」或「投資人」聽，其用詞的複雜度（Perplexity）與句式結構截然不同。
- 關鍵操作：不僅要說出受眾是誰，最好描述他們的痛點或知識水準。
- 例：「受眾是對 AI 有恐懼感的傳統製造業老闆。」
4.4 T – Theme (主題/風格：設定調性)
Theme 涵蓋了 Tone (語氣)、Style (風格) 以及 Context (背景) 中關於內容氛圍的部分。
- 為什麼獨立出來？ 在多模態時代，Theme 還可能包含對圖片風格、色彩情緒的描述。對於文字，它決定了是「嚴肅學術」還是「幽默詼諧」。
- 進階技巧：可以指定模仿特定作家的風格（例如：海明威的極簡主義）。
4.5 S – Structure (結構：規範輸出)
這超越了簡單的 Format。你可以在這裡要求 AI 使用特定的思維框架。
- 例：「請使用『現狀-問題-解決方案』(S-P-S) 的結構進行論述，並最後以表格呈現關鍵數據。」
第五章：PTCF vs PARTS — 實例對決
為了讓讀者更直觀地理解兩者的差異，我們來進行一場「實戰演練」。假設我們的任務是：推廣一款新的降噪耳機。
回合一：使用 PTCF 架構
Prompt:
- Persona: 你是文案寫手。
- Task: 寫一篇關於我們新款降噪耳機 X-1000 的 Instagram 貼文。
- Context: 這款耳機降噪效果很好，電池續航 30 小時，適合通勤族。
- Format: 貼文形式，包含 Hashtags。
AI 產出預測 (PTCF)： 這會是一篇中規中矩的貼文，列出功能，加上幾個標籤。它合格，但缺乏靈魂，因為它不知道是寫給誰看的，也不知道要用什麼語氣（是激動的？還是冷靜專業的？）。
回合二：使用 PARTS 架構
Prompt:
- Persona: 你是一位生活風格部落客，專注於都會通勤與極簡主義生活，擁有敏銳的審美與挑剔的品味。
- Aim (目標)：撰寫一篇引人入勝的 Instagram 貼文，目的是激發讀者對「寧靜私人空間」的渴望，進而對 X-1000 耳機產生興趣。
- Recipients (受眾)：在喧囂城市中工作，渴望在捷運上擁有片刻安寧的 25-35 歲年輕專業人士。
- Theme (風格)：感性、沉浸式、帶有一點詩意，避免過度推銷的商業口吻。
- Structure (結構)：先描述一段城市噪音的場景（痛點），再引入戴上耳機後的「切換感」（解決方案），最後以一個引發共鳴的問題結尾。
AI 產出預測 (PARTS)：
「台北的早晨，捷運的廣播聲、人群的嘈雜聲… 這是我們每天不得不面對的戰場。🚇
但你知道嗎？世界上有一個開關，能讓這一切瞬間靜音。當我戴上 X-1000，世界彷彿被按下了暫停鍵。不再是為了隔絕聲音，而是為了留住心裡的那份平靜。30 小時的續航，足夠你從週一的焦慮，聽見週五的自由。
如果可以選擇，你最想在這個城市裡關掉哪種聲音？👇
#城市隱士 #X1000 #降噪耳機 #通勤日常 #極簡生活」
筆者點評： 看出了嗎？PTCF 產出的是說明書，而 PARTS 產出的是共鳴。在 PARTS 架構中，我們通過 Recipients 和 Theme 的精確定義，激發了 Gemini 在語義空間中更深層次的連接能力。這就是為什麼 Google 堅持推動 PARTS 的原因—為了讓 AI 從「工具人」進化為「懂你的夥伴」。
第六章：迭代的藝術—從 PARTS 到「完美指令」的距離
「沒有完美的演算法，只有最適合當下數據分佈的演算法。同理，也沒有一步到位的 Prompt，只有在不斷迭代中趨於完美的對話。」
許多人在學習了 PARTS 架構後，往往會陷入一個誤區：認為只要填滿了 P-A-R-T-S 這五個空格，Gemini 就會吐出諾貝爾獎等級的內容。然而，真實的 AI 互動並非線性的一錘子買賣，而是一個遞迴（Recursive）的優化過程。
在 Google 的工程文化中，我們講究「快速失敗，快速迭代」。這一點在 Prompt Engineering 中同樣適用。
6.1 指令除錯（Prompt Debugging）
當 Gemini 的輸出不符合預期時，我們不應僅僅是再次點擊「Regenerate」，而應該像檢查程式碼一樣，回頭審視 PARTS 的各個環節。以下是一套基於 PARTS 的除錯清單：
- 如果內容太過空泛、缺乏深度：
- 檢查 P (Persona)：你的角色設定是否太過通用？將「工程師」改為「擁有 10 年分散式系統架構經驗的後端工程師」，你會發現 AI 調用的詞彙庫瞬間升級。
- 檢查 S (Structure)：你是否給予了具體的思考框架？嘗試要求它使用「第一原理思考」或「SWOT 分析」來展開論述。
- 如果語氣不對，讀起來像機器人：
- 檢查 T (Theme)：你是否只寫了「專業」？嘗試加入更細膩的形容詞，如「帶有同理心的」、「嚴謹但不枯燥的」、「如同 TED 演講般的」。
- 檢查 R (Recipients)：AI 可能誤判了受眾的理解能力。明確指出受眾的背景知識（Prior Knowledge），例如「假設受眾完全不懂技術術語」。
- 如果 AI 答非所問或偏離焦點：
- 檢查 A (Aim)：你的目標動詞是否不夠強烈？將「描述…」改為「說服…」或「批判性地分析…」。
- 引入負向提示 (Negative Prompting)：在 Structure 中明確列出「不要做什麼」。例如：「請勿使用陳腔濫調的行銷術語」、「不要列點，請使用敘事性段落」。
6.2 上下文視窗（Context Window）的戰略應用
Gemini 3 Pro 擁有驚人的 100 萬 token（甚至 200 萬）上下文視窗。這意味著我們可以在 PARTS 架構中，嵌入前所未有的巨量資訊。
這帶來了一種新的指令模式：In-Context Learning (上下文學習) 的極致化。
在 S (Structure) 或 Context (隱含在 Theme 中) 的部分，我們不再只是給予一兩個範例（Few-shot），而是可以上傳整本風格指南（Brand Guidelines）、過去成功的 50 篇文案，甚至是整個專案的代碼庫。
此時，PARTS 中的 Structure 應包含一條指令：「請嚴格參考上傳文件中的語氣與邏輯進行生成。」這使得 Gemini 不再是依靠訓練數據中的「通用知識」來回答，而是基於你提供的「私有知識」進行推理。這對於企業級應用至關重要，因為它大幅降低了幻覺（Hallucination）並提升了品牌一致性。
第七章：陰影下的挑戰—PARTS 無法解決的問題
雖然 PARTS 是目前最先進的通用指令架構，但我們必須保持清醒：它不是萬靈丹。在與大型語言模型博弈的過程中，即使是最完美的 PARTS 指令，也面臨著內在的熱力學熵增—即不確定性。
7.1 複雜度的代價 (The Cost of Complexity)
撰寫一個高品質的 PARTS 指令需要時間。如果你的任務只是「幫我把這段話翻成英文」，使用繁瑣的 PARTS 架構顯然是殺雞用牛刀，甚至可能因為指令過長而引入不必要的雜訊。
筆者觀點：在工程學中，我們追求的是「性價比」。對於簡單任務，PTCF 甚至簡單的 Zero-shot 指令依然有效。PARTS 應該被視為一種「重型武器」，用於處理複雜推理、長文寫作或高風險的商業決策輔助。
7.2 模型的注意力分散 (Attention Dispersion)
這是提示工程中一個反直覺的現象：有時候指令寫得越長、越細，模型反而表現得越差。
這與 Transformer 架構的注意力機制有關。當 Prompt 過長，模型可能會在眾多約束條件中迷失，「忘記」了早期的某些指令（這被稱為 “Lost in the Middle” 現象）。
應對策略： 如果你的 PARTS 指令超過了 500 個單詞，建議採用 Chain of Thought (CoT) 策略，將一個巨大的 PARTS 指令拆解為多個步驟的對話：
- 第一輪：設定 P 和 R，確認 AI 理解角色與受眾。
- 第二輪：提供 A 和 T，要求 AI 生成大綱。
- 第三輪：提供 S，要求 AI 根據大綱撰寫正文。
這種「分而治之」（Divide and Conquer）的策略，是計算機科學解決複雜問題的基石，同樣適用於 AI 指令控制。
7.3 刻板印象的放大器
在設定 P (Persona) 時，我們必須格外小心。如果你設定「你是一位嚴厲的傳統數學老師」，AI 可能會無意中表現出性別刻板印象或過度的攻擊性。PARTS 架構增強了 AI 的角色扮演能力，同時也放大了訓練數據中隱含的社會偏見。
作為指令的設計者（Prompt Designer），我們有責任在 T (Theme) 中加入道德約束，例如：「保持客觀中立」、「避免性別預設」。
第八章：跨越模態—PARTS 在多模態時代的變形
我們正處於從「文字網路」向「多模態網路」遷移的關鍵時刻。Gemini 的核心優勢在於其原生多模態（Native Multimodal）能力。那麼，PARTS 架構能否應用於生成圖片、影片或分析音訊呢？
答案是肯定的，但需要進行語義上的「轉義」。
8.1 視覺生成中的 PARTS
當我們使用 Gemini 或 Nano Banana 生成圖像時，PARTS 的定義發生了微妙的變化：
- P (Persona/Medium)：這裡的「角色」轉化為「媒介」。
- 例：「你是一台裝有 35mm 鏡頭的 Leica 相機」或「你是一位印象派油畫家」。
- A (Aim/Subject)：目標轉化為「主體內容」。
- 例：「一隻在雨中奔跑的柴犬」。
- R (Recipients/Viewer)：受眾轉化為「觀看者視角」或「構圖」。
- 例：「低角度仰視拍攝」、「微距視角」。
- T (Theme/Lighting & Style)：風格轉化為「光影與藝術風格」。
- 例：「賽博龐克霓虹光」、「柔和的自然光」、「吉卜力工作室風格」。
- S (Structure/Composition)：結構轉化為「畫面佈局」。
- 例：「黃金分割構圖」、「主體位於畫面中央」。
8.2 影片與音訊分析
當你上傳一段財報會議的錄音檔給 Gemini 並要求分析時：
- P：你是資深財務分析師。
- A：提取管理層對未來一季的營收指引（Guidance）。
- R：投資人。
- T：客觀、數據驅動。
- S：這點最關鍵。你可以要求 AI 結合時間戳記（Timecode）。
- 例：「請列出關鍵論點，並附上錄音檔中的具體時間點（mm:ss），以便我回聽查證。」
這證明了 PARTS 架構具有極強的泛化能力（Generalization），它是處理資訊的一種通用拓撲結構，而不僅僅是文字遊戲。
第九章：未來展望與結論—人機協作的新契約
9.1 AI Agent 與自動化指令
展望未來，隨著 AI Agent（智能體） 的興起，我們可能不再需要每次都手動撰寫 PARTS 指令。
未來的系統可能會演變成這樣：你只需給出一個模糊的意圖（例如：「幫我策劃一場婚禮」），一個「Meta-Prompting System」（元指令系統）會自動在後台為你生成五個不同的 PARTS 指令，分別指派給負責預算、場地、菜單的子 Agent。
但在那個時代到來之前，掌握 PARTS 架構，就等於掌握了指揮這些數位勞動力的「程式語言」。
9.2 結論：回歸人的價值
在結束這篇長文之際，回到一個哲學問題：如果 AI 能寫出完美的指令，人類還剩下什麼？
從 PTCF 到 PARTS 的演進，表面上是技巧的提升，實則是對人類「提問能力」的更高要求。AI 可以幫你寫作、幫你畫圖、幫你寫程式，但它無法替你定義什麼是有價值的問題。
PARTS 中的 Aim (目標) 和 Recipients (受眾)，始終需要人類的同理心與價值判斷來填充。機器擁有算力，但人類擁有意義。
在這個 AI 搜尋與生成的新時代，優化指令不是為了取悅演算法，而是為了更清晰地梳理我們自己的思緒。正如《聖經》所言：「太初有道」（In the beginning was the Word）。在 AI 的世界裡，那句 Prompt，就是你的「道」。願你能善用 PARTS，在這個新世界中，創造出屬於你的光。
FAQ 問答集
為了滿足讀者在閱讀完本文後可能產生的延伸疑問，以下整理了 5 個核心問答。
Q1: PARTS 架構一定比 PTCF 架構好嗎？在什麼情況下我應該繼續使用 PTCF？
A: 並不盡然。PARTS 與 PTCF 的關係並非「替代」，而是「升級與互補」。
- PARTS 適合需要高創意、複雜推理、長文本生成或特定語氣風格的任務（如：撰寫行銷文案、商業分析報告、角色扮演）。它提供了更細膩的控制變數。
- PTCF 則在處理簡單、明確、功能導向的任務時依然高效（如：數據格式轉換、簡單翻譯、代碼除錯）。 結論：殺雞焉用牛刀。若任務單一且明確，PTCF 的效率更高；若任務涉及模糊意圖與風格調控，PARTS 是不二之選。
Q2: 我可以在 ChatGPT 或 Claude 上使用 Google 的 PARTS 架構嗎？
A: 完全可以。雖然 PARTS 是 Google 在推廣 Gemini 時提出的架構，但其底層邏輯是基於大型語言模型（LLM）通用的注意力機制與語義理解原理。 無論是 GPT、Claude 還是 Llama ，它們都受益於清晰的角色設定（P）、明確的目標（A）和受眾分析（R）。事實上，由於 PARTS 強調了「受眾」與「結構」，在 Claude 這種擅長長文寫作的模型上，使用 PARTS 往往能獲得比在 Gemini 上更驚豔的效果。
Q3: 初學者如何快速練習寫出高品質的 PARTS 指令？有無捷徑？
A: 最快的捷徑是「讓 AI 幫你寫」（Meta-Prompting）。 你可以創建一個這樣的指令：「你是一位 Prompt Engineering 專家。我想完成 [你的任務]，請根據 PARTS 架構（Persona, Aim, Recipients, Theme, Structure），幫我撰寫一個最佳化的指令，讓我可以用來輸入給 AI。」 透過逆向工程，觀察 AI 如何將你模糊的需求轉化為結構化的 PARTS 指令，是學習速度最快的方法。此外，建立個人的「Prompt Library」（指令庫），將常用的 PARTS 模組存儲起來，也能大幅提升效率。
Q4: 在 PARTS 架構中，最容易被忽略但最關鍵的要素是哪一個？
A: 經驗顯示，Structure (結構) 和 Recipients (受眾) 是最常被忽略的。 大多數人習慣只給任務（Aim），卻忘了告訴 AI「怎麼組織內容」（Structure）。這導致 AI 輸出的內容往往是一大塊缺乏層次的文字。明確要求「使用 H2/H3 標題」、「先總結後條列」、「使用表格比較」，能瞬間提升可讀性。 同樣，忽略 Recipients 會導致內容難度不匹配。明確指出受眾層級，能讓 AI 精準調控用詞的難易度（Perplexity），這是區分新手與高手指令的關鍵。
Q5: 隨著 Gemini 模型的升級，PARTS 架構未來會過時嗎？
A: 具體的「縮寫」可能會變，但其核心精神—語境解構（Context Deconstruction）—不會過時。 未來的模型（如 Gemini 4 或 AGI 原型）可能會具備更強的意圖推測能力，使得我們不再需要詳盡地寫出每一個字母。例如，模型可能透過你的歷史數據自動推斷 Persona 和 Theme。 然而，只要人類與機器的溝通仍依賴語言，明確目標（Aim）與規範形式（Structure）的需求就永遠存在。PARTS 可能會簡化為 “AS” 或演變成多模態的互動面板，但它所代表的「結構化溝通思維」將是 AI 時代的基礎素養。
如果你對採用 PARTS 或傳統的 PTCF 結構有選擇困難，也歡迎使用 Leggie 團隊開發的 GEM Instruction Architect GEM 工具。在最新的版本中我們已經加入了 PARTS 與 PTCF 的自動判別機制，系統會根據你的任務內容自動輸出最適合的架構並說明理由。