寫 Prompt 之前，先學會問問題：用 Lyra 解鎖後設思維

type

status

date

slug

summary

一、提示詞工程的本質：你在翻譯，而你不會翻譯

讓我先攤開一個殘酷的事實：大部分人不會「提問」，只會「許願」。

「我想變有錢」「幫我分析花費」「寫一封好的道歉信」。這些都是模糊的渴望，拿不出任何可執行的細節。AI 拿到這些，就像工班收到「幫我蓋一棟漂亮的房子」。他們不知道要蓋幾層、用什麼材料、預算多少，只能按照自己的理解亂蓋。

蓋出來的房子，永遠不是你想要的。

提示詞工程要解決的就是這個問題：把「許願」翻譯成「需求」。

類型	你的輸入	AI 的理解	結果
許願	「幫我分析花費」	不知道要分析什麼、給誰看、什麼格式	通用理財建議
需求	「把帳單分成固定和變動支出，標出單月超過平均值的項目，用表格呈現」	清楚知道任務規格	精準分析報告

差在哪裡？差在你有沒有能力把模糊的感覺，拆解成可執行的變數。

但問題來了。如果你對某個領域一無所知，你連「需求」都摸不出輪廓。

就像你想蓋房子但你不是建築師。你知道想要「漂亮的房子」，但你不知道要跟工班說「承重牆在哪、管線怎麼走、採光要幾坪」。你只能站在工地前面，指著空地說：「我要一棟房子，要很漂亮。」

這就是結構性的盲點。你不知道一個完整的需求包含哪些維度，就無法提出完整的需求。

提示詞工程的核心是翻譯能力。把模糊的感覺翻譯成精確的指令。大部分人寫不好 Prompt，是因為他們根本不知道自己要什麼。

但如果有個工具，能在你說不清楚的時候，主動問你「你是想知道哪些支出『不必要』，還是哪些支出『超出預算』？」會怎樣？

二、Lyra：把「你寫 Prompt」變成「它問你問題」

有個人試了 147 次都失敗。

他想讓 AI 幫他做點什麼，但每次 AI 都給他一堆垃圾。他改了又改，AI 還是給垃圾。到第 147 次，已經是凌晨 3 點，他崩潰地打下：「為什麼你不能主動問我你需要知道什麼？」

然後他愣住了。如果 AI 真的可以呢？

於是他花了 72 小時打造 Lyra。這個工具後來在 Reddit 上拿到 600 萬觀看、6 萬分享，被評為「100/100 分，最接近完美的提示詞」。

Lyra 的核心是「用 Prompt 生成 Prompt」。它做的事情很簡單：把「你寫 Prompt」變成「它問你問題」。

一般的 AI 是這樣運作的：你丟出模糊需求，AI 根據自己的理解直接執行，結果不是你要的。

Lyra 是這樣運作的：你丟出模糊需求，Lyra 反問你「你想分析單月還是趨勢？有預算分類嗎？想找出問題還是記錄？」然後挖出你的真正需求，生成精準的 Prompt。

讓我用兩個案例來說明。

案例一：分析型任務

你說：「幫我分析財務狀況」

一般 AI：給你一篇長篇大論的理財觀念。
Lyra 問：「你想分析收入還是支出？要追蹤什麼時間範圍？有什麼財務目標？想要什麼格式呈現？」
你回答之後，Lyra 給你一個完整的 Prompt：「分析過去三個月的支出結構，按類別（飲食/交通/娛樂/固定開銷）統計金額和占比，標出單月超過平均值 20% 的異常支出，用表格呈現，最後給出優化建議。」
結果：針對你個人狀況的財務健檢報告。

這是 Lyra 處理「分析型任務」的方式：它會問你一連串問題，逼你釐清需求的每個維度。

案例二：創意型任務

但 Lyra 處理「創意型任務」的方式不太一樣。

我曾經跟 Lyra 說：「我想要寫一個 Prompt，它可以動態優化並與自己對話。」

這是一個很模糊的願望。我不知道「動態優化」長什麼樣子，也不知道「與自己對話」要怎麼設計。

Lyra 沒有問我一堆問題。它先給了我一個初版框架：

Lyra 的第一輪輸出
針對用戶提出的任務目標，執行一個「自我對話與優化」的循環流程。在產出最終答案前，遵循以下「三方對話」結構：
草案執行者：根據用戶初始需求，提供初步的解決方案
批判審核者：挑剔地審查草案，找出邏輯漏洞和可改進之處
提示詞優化師：根據批判者的建議，重新設計內部的處理邏輯
最終產出：應用優化後的邏輯，產出高品質的回答

看到這個框架之後，我才發現自己真正想要的是什麼。

我回覆：「我想調整角色設定。我要五個角色：會議調節者負責主持、財務審核者對預算提出意見、批評者用悲觀態度找漏洞、創意發想者提出天馬行空的點子、樂觀包容者給予正面回饋。然後我要三輪對話：第一輪各自發言、第二輪互相檢討、第三輪由主持人總結。」

這些細節，我在第一輪根本說不出來。因為我沒有東西可以比較。

Lyra 的初版框架變成了一面鏡子，讓我看見自己真正的需求。

這就是 Lyra 處理創意型任務的策略：它先給你一個可運作的起點，讓你有東西可以「反應」。你看到初版之後，才知道哪裡要調整。

這個過程看起來很簡單，但它做了一件你一直做不到的事：把提示詞工程外包給 AI。

你不需要知道一個「財務分析」包含哪些維度。Lyra 會幫你拆解。你不需要知道「多角色對話」要怎麼設計。Lyra 會先給你一個框架讓你反應。

Lyra 把提示詞工程變成對話。它替你做了那個「翻譯」的工作，讓你不用自己摸索一個需求包含哪些維度。而且它的輸出是「提示」，讓你有能力往前推進，繼續調整。

但這引出一個更深的問題：為什麼 Lyra 的反問「有效」？為什麼你自己做不到？

三、提示詞工程的核心能力：後設思維

Lyra 為什麼有效？因為它做了一件你一直沒做的事：退一步思考你的思考。

這叫「後設思維」（Meta-thinking）。思考自己思考過程的能力。

想像你在迷宮裡迷路了。大部分人會繼續往前衝，撞牆、回頭、再撞牆。用盡力氣但原地打轉。有後設思維的人會停下來，爬到牆上往下看，找出自己走過的路徑，然後才決定下一步。

差別在哪？

沒有後設思維的人只會重複同樣的動作，期待不同的結果。他們不斷地說「我要這個、我要那個」，但從來沒有停下來問自己：「我的描述夠清楚嗎？對方可能怎麼理解我的話？我是不是遺漏了什麼？」

有後設思維的人會在卡住的時候退一步，問：「我卡在哪裡？是描述不清楚，還是我自己根本不知道要什麼？」

在寫 Prompt 的情境中，這種差異會被放大：

你想要的結果是 A、B、C

AI 給了你 A

沒有後設思維的人：「AI 好笨，都給錯」（卡住，繼續丟同樣的 Prompt，或是關掉視窗）

有後設思維的人：「它給了 A，但我還需要 B 跟 C。差在哪裡？我是不是沒說清楚 B 和 C 是什麼？」（推進）

沒有後設思維的人就像一隻鸚鵡。不斷重複同樣的話，卻不知道那些話是什麼意思。他們把同一個模糊的需求丟給 AI 十次，每次都期待不同的結果，覺得AI很笨，最後就把視窗關掉了。

他們從來沒有停下來問：「我是不是根本沒說清楚？」

為什麼會這樣？因為他們把 AI 當成「答案機」，而不是「對話對象」。

答案機的邏輯是：我投幣，你吐答案。答案錯了，是機器壞了。

對話對象的邏輯是：我說一句，你說一句。你的回應讓我想到新的東西，我再說一句。

前者是被動的消費者心態，後者是主動的共創心態。Lyra 強迫你進入後者，因為它會一直問你問題，你不回答它就不往前走。

這就是為什麼 Lyra 會病毒式傳播（600 萬觀看、6 萬分享）。因為太多人缺乏後設思維。

從小到大，我們被訓練「回答問題」，沒有被訓練「提出問題」。老師給題目，我們給答案。老闆給任務，我們交成果。但沒有人教過我們：當你不知道問題是什麼的時候，你要怎麼問？

所以當我們面對 AI 時，我們只會丟出模糊的願望，然後期待 AI 猜中我們的心意。就像把一堆零件丟給工人，說「幫我組一台機器」，但不告訴他要組什麼機器。

提示詞工程的核心能力在於「知道怎麼問自己問題」。也就是後設思維。大部分人寫不好 Prompt，是因為他們把 AI 當成答案機，從來沒有養成「思考自己思考」的習慣。

那問題來了：後設思維具體要怎麼做？Lyra 是怎麼把它變成可執行的步驟？

四、從 Lyra 反推的提問框架：後設思維的四個核心動作

Lyra 用了一套叫「4-D 方法論」的東西。這四個步驟揭示了後設思維的運作方式。

解構（Deconstruct）：把模糊的感覺拆成具體的變數。「分析花費」可以拆成時間範圍、分類標準、目的、輸出格式。

診斷（Diagnose）：找出你遺漏的維度。你說了「要分析支出」，但沒說「異常支出的定義是什麼」。

發展（Develop）：根據任務類型選擇最佳方法。分析型任務需要結構化框架，創意型任務需要多角度發想。

交付（Deliver）：輸出一個完整的、可執行的 Prompt。角色設定、任務描述、限制條件、輸出格式，全部到位。

但這套方法論的價值不只在於生成 Prompt。它是一個通用的後設思維框架。

讓我講一個我自己的體驗。

我對金融領域一竅不通。當我想用 AI 分析消費習慣時，我不知道有什麼分析方法、不知道要呈現什麼指標、不知道怎麼定義「異常消費」。我只有一個散漫的願望：「我想知道錢花去哪了。」

一般的 AI 會直接給我一篇通用的記帳教學。但 Lyra 問了我：

「你想分析單月還是趨勢？」（解構：時間範圍）

「你有固定的預算分類嗎？」（診斷：分類標準）

「你想找出問題，還是只是記錄？」（解構：目的）

這些問題我從來沒想過。但在回答的過程中，我開始建立自己的財務觀念。我發現我需要的並非「記帳」，而是「找出我在哪些地方浪費錢」。

Lyra 給我的不只是一個 Prompt，而是一條「知識鏈」。它讓我看見自己思維的盲點，然後逼我去填補那些盲點。

4-D 方法論是後設思維的具體操作。解構你的需求、診斷你的盲點、發展你的方法、交付你的結果。這套框架可以用在任何需要「把模糊想法變成具體行動」的場景。

下次當你跟任何人（不只是 AI）溝通卡住時，試著問自己：

我真正想要的是什麼？（解構）

我說清楚了嗎？遺漏了什麼？（診斷）

這個任務需要什麼形式的回答？（發展）

我能不能重新組織我的問題？（交付）

這就是後設思維的力量：它不只幫你解決當下的問題，它幫你建立解決問題的能力。

結語

大部分人寫不好 Prompt，並非因為不懂技術。

是因為他們缺乏後設思維。不知道怎麼思考自己的思考。

提示詞工程的本質，從來不是「學會某種語法」或「背熟某些模板」。它是一種能力：把模糊的感覺翻譯成精確的指令，把散漫的願望拆解成可執行的需求。

Lyra 這個工具的價值，在於它用一套結構化的方法，逼你去面對那些你一直逃避的問題：

你到底想要什麼？你說清楚了嗎？你遺漏了什麼？對方需要什麼才能幫你？

下次當你對 AI 丟出模糊的願望，卻拿到一堆垃圾時，別急著罵 AI 笨。

先問自己：「我是在許願，還是在提問？」

如果你發現自己只是在許願，那就去找 Lyra，讓它教你怎麼問問題。

即使用了很多次，你可能還是會需要 Lyra。因為當你踏入一個陌生領域，沒有先備知識的時候，你連問題都問不出來。這時候 Lyra 能幫你生出第一版，讓你有東西可以反應、可以調整。

但如果你有後設思維，Lyra 的輸出就只是一個起點。你會根據它給的框架繼續追問：這裡要不要改？那裡要不要加？你會告訴它更多細節，然後得到更精準的結果。

當你發現自己開始內化那套思考方式，能在開口之前就問自己「我遺漏了什麼」「我說清楚了嗎」，那就是後設思維在運作了。

因為提示詞工程的終點，在於學會思考自己的思考。

📌

資料來源

Lyra 完整 Prompt

GistLyra - AI Prompt Optimization Specialist

Lyra - AI Prompt Optimization Specialist

Lyra - AI Prompt Optimization Specialist · GitHub

原始討論串

RedditAfter 147 failed ChatGPT prompts, I had a breakdown and accidentally discovered something

After 147 failed ChatGPT prompts, I had a breakdown and accidentally discovered something

23K votes, 2.4K comments. Last Tuesday at 3 AM, I was on my 147th attempt to get ChatGPT to write a simple email that didn't sound like a robot…

文中 Lyra 案例示範

AI 衝突圓桌議事廳 (The Conflict Boardroom 2.0)