# 從 PTCF 到 PARTS：解碼 Google Gemini 時代的 GEM 指令進化論

- 連結：https://leggie.co/%e5%be%9e-ptcf-%e5%88%b0-parts-%e8%a7%a3%e7%a2%bc-google-gemini-gem/
- 發佈時間：2025-12-10T10:54:55+08:00
- 作者：Leggie

![從 PTCF 到 PARTS：解碼 Google Gemini 時代的指令進化論](data:image/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw
==)

> _「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。」_

中文語音摘要

## **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：

 1. **Persona (角色)**：你希望 AI 扮演誰？
 2. **Task (任務)**：你希望 AI 做什麼？
 3. **Context (背景)**：AI 需要知道哪些前置資訊？
 4. **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：

 1. **第一輪**：設定 P 和 R，確認 AI 理解角色與受眾。
 2. **第二輪**：提供 A 和 T，要求 AI 生成大綱。
 3. **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](https://gemini.google.com/gem/1hE4mAGVu8SGL2Vvk7chGWMCpAuu6JCH0?usp=sharing)
> 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。_

##### 進一步閱讀

 1. [Gemini GEM 指令寫作指南：從入門到精通，打造你的專屬 AI 助理](https://leggie.co/gemini-gem-%e6%8c%87%e4%bb%a4%e5%af%ab%e4%bd%9c%e6%8c%87%e5%8d%97/)
 2. [Gemini Deep Research 最佳提示詞指南](https://leggie.co/gemini-deep-research%e6%9c%80%e4%bd%b3%e6%8f%90%e7%a4%ba%e8%a9%9e%e6%8c%87%e5%8d%97/)
 3. [Google Gemini 多模態提示詞指南](https://leggie.co/google-gemini-%e5%a4%9a%e6%a8%a1%e6%85%8b%e6%8f%90%e7%a4%ba%e8%a9%9e%e6%8c%87%e5%8d%97/)
 4. [Gemini Prompt 專家指南](https://leggie.co/gemini-prompt-%e5%b0%88%e5%ae%b6%e6%8c%87%e5%8d%97/)
 5. [Gemini Prompt 入門指南](https://leggie.co/gemini-prompt-%e5%85%a5%e9%96%80%e6%8c%87%e5%8d%97/)
