# Claude 為什麼會做錯事：3 個提示詞 > Claude 不先了解你的意圖就急著寫程式，因此做出錯誤的內容。我會說明原因，並提供 3 個可直接使用的提示詞，讓它先提問。 Source: https://ailoot.ai/blog/zh-hant-tw/why-claude-does-the-wrong-thing/ Canonical: https://ailoot.ai/blog/zh-hant-tw/why-claude-does-the-wrong-thing/ Language: zh-Hant-TW Publisher: Ailoot (https://ailoot.ai/) Translation: guide-201 Revision: sha256-b70d98648247c5dd412ca02810863dac6e913d45b0f672ec5dbcefe8272fc7f4
重點摘要 Claude 會做錯事，是因為它急著動手寫程式，並自行補上它認為你想要的內容。它常常猜錯。問題幾乎從來不在模型本身——即使是最強的模型，面對模糊的任務也會失準。我用一個方法解決：先讓 Claude 訪談我，釐清我的意圖，之後才開始寫。以下提供三個可以直接複製貼上的提示詞。
想進一步了解如何使用這項服務，請參閱 [Ailoot 文件](https://ailoot.ai/docs/)。 ## Claude 為什麼會做錯事？
重點摘要 Claude 收到簡短的要求後，會立刻補上缺漏的部分，依照自己對任務的理解開始寫程式。它的理解和你的不同。結果就是，你原本只期待改一行，差異內容卻動到了 14 個檔案。問題出在你說的內容與你心裡想的內容之間有落差，幾乎與模型無關。
你寫道：「在商品頁面新增篩選器。」你心裡想的是放幾個核取方塊，再更新清單。Claude 收到同樣的要求，卻決定打造一套完整的篩選引擎：自己的狀態儲存區、獨立的輸入延遲邏輯、URL 同步功能，以及十幾個輔助函式。原本幾個 URL 參數就能解決的事，最後多出數百行程式碼。 在這類情況下，結論很清楚：代理程式並沒有犯錯，只是解決了一個大得多的問題。問題在於，沒有簡潔而精確地說明想要的結果。 關鍵字是「意圖」。你心裡有意圖，Claude 卻沒有。它看到的是你提出要求的文字，以及此前所有上下文。接著，它會用猜測填補空白。要求越短，它猜得越多，結果也就越偏離你的期待。 Anthropic 在 Claude Code 文件中明確指出：

如果讓 Claude 直接開始寫程式，它可能會解決錯誤的問題。

— Claude Code Docs, https://code.claude.com/docs/en/best-practices
我在自己的專案中也遇過這種情況。我請它修正一個授權畫面，結果差異內容影響了相鄰模組的一半。這不是 Claude 的錯：我只給了一行要求，剩下的部分是它自行補上的。從那之後，凡是比修正錯字更大的任務，我都會先從提問開始——讓 Claude 問我問題。 ## 真的是模型的問題嗎？為什麼連最強的模型也會失準？
重點摘要 模型的重要性沒有大家想的那麼高。面對模糊的任務，即使是最強的模型也會失準：它收到同樣不完整的指示，再用自己的猜測填補空白。能妥善掌控代理程式的開發者，不論使用頂級模型或中階模型，都能得到相同的結果。關鍵在於你能多清楚地描述自己的需求。在這裡，模型效能是次要的。
每週都會有比前一個更「聰明」的模型問世，每次我們都覺得，AI 終於能從幾個字就理解我們了。但事實並非如此。更強大的模型寫程式更快，也更擅長處理複雜邏輯，但它依然無法讀懂你的心思。如果任務界定不清楚，你得到的內容可能寫得很漂亮，卻還是錯的。 你可以從中得到一個簡單的結論：期待最新模型能猜得更準，是條走不通的路。學會交辦任務，讓它不必猜測，成本更低，也更可靠。接下來就來談這件事。 ## 什麼是 grilling？它如何解決 AI 的認知落差？
重點摘要 Grilling 是讓 AI 在開始工作前先訪談你：它會針對任務提出詳細問題，直到雙方達成共識。目的是在寫下第一行程式碼之前，彌補溝通落差。
這聽起來不太符合直覺。我們使用 AI 是為了更快完成工作，現在卻有人要我們放慢速度，先讓它提問。但寫程式前花五分鐘回答問題，可能省下之後一小時的修正時間。 問題不只是你沒有把事情向 Claude 解釋清楚。很多時候，你自己也還沒想透這項任務——需要考量哪些情況、界線在哪裡、什麼最重要。Grilling 透過提問，把這些內容從你腦中引出來。談話結束時，你不只得到 AI 能理解的任務，也終於把自己的任務詳細說明清楚了。 這就是情境工程的運作方式：主要工作發生在提示詞之前，而不是撰寫提示詞的過程中。你不是在尋找神奇的提示詞寫法，而是事先整理好 Claude 需要的資訊，直到它不用額外解釋也能理解。 ## 如何讓 Claude 先問你問題？
重點摘要 簡短描述任務，並明確要求 Claude 在開始工作前先訪談你：請它詢問細節、邊界情況與限制，最後再把所有內容整理成規格檔案。這是 Anthropic 的官方建議——Claude Code 文件中有現成的提示詞範本。複製範本、修改任務描述，再貼到工作階段的開頭即可。
Anthropic 不只允許這種做法，還會主動推薦。文件中有一節名為「讓 Claude 訪談你」，並附上現成的提示詞。以下是實用版本：
提示詞 Grilling 提示詞——讓 Claude 訪談你 ``` 我想打造[簡短描述任務]。 在撰寫任何程式碼之前，請詳細訪談我。詢問實作、介面、邊界情況、風險與取捨。不要問顯而易見的問題；請深入探討我可能尚未仔細思考的難題。 一次只問一個問題，並等待我的回答。每個問題都請立即提出你建議的答案。 持續提問，直到我們涵蓋所有事項。接著將完整規格整理成名為 SPEC.md 的檔案。 ```
有三個細節讓這份提示詞真正實用，而不是只具裝飾性。第一是「一次只問一個問題」。如果 AI 一次丟出十個問題，你會不知所措，也只能草率回答。第二是「提出建議答案」：你不必從零開始想所有事情，只要同意或修正即可。第三是「把規格整理成檔案」：引導出來的意圖會成為文件，不會遺失。 Anthropic 從投入時間的角度，說明這樣做的好處：

花時間把規格整理好，比花時間盯著實作過程更有價值。

— Claude Code documentation, https://code.claude.com/docs/en/best-practices
訪談結束後，開啟新的工作階段，並提供完成的規格。乾淨的上下文，加上清楚說明的意圖，Claude 就能一次抓準方向。 ## 「證明這是最佳方案」技巧
重點摘要 不要只讓 AI 提問，也要讓它為自己的決策辯護。我會在任務中加上一項要求：證明提出的計畫是最佳方案，而不是第一個想到的點子，並且已經考慮到後續幾個步驟。這會讓 Claude 從「我會做個類似的東西」模式切換到批判模式，在你花時間實作之前先檢查自己的工作。
Grilling 會引導出你的意圖，但 AI 還有另一個習慣：抓住第一個看起來可行的解法。Anthropic 稱這為「信任但驗證」的落差：Claude 產生看似合理的實作，卻經不起邊界情況的考驗。解法是在寫程式碼之前先要求證據。

如果你無法檢查結果，就不要提交。

— Anthropic, Claude Code Docs, https://code.claude.com/docs/en/best-practices
我幾乎總會在提示詞中加入「證明給我看」一節。以下是確切的寫法：
提示詞 提示詞——讓 AI 為自己的計畫辯護 ``` 寫程式碼之前，請像批評者一樣分析這項任務。 找出 2-3 種解法。請證明每種解法確實能解決我的任務，而不是為了增加複雜度而增加複雜度。不要只是為了寫程式碼而寫程式碼。 接著選一種解法，證明它是最佳方案，並且已考慮到後續幾個步驟。專案成長後，哪些部分會出問題？我們現在漏掉了什麼？ 完成以上分析後，再提出實作方案。 ```
沒有這一節時，Claude 會給你第一個可行方案。有了這一節，Claude 會自行排除行不通的選項、說明選擇理由，並在碰到任何檔案之前讓你看到它的推理。你只需花兩分鐘閱讀一小段文字，不必花一小時追查完成後的程式碼為什麼沒有如預期運作。 ## 事前驗屍：開始前讓 AI 找出 10 個失敗原因
重點摘要 事前驗屍是一種技巧：請 AI 想像專案已經失敗，並說出失敗的原因。Claude 會從樂觀的「我會完成這件事」模式切換為尋找弱點，這些弱點原本可能要等到工作一週後才會浮現。你可以在投入時間之前取得風險清單，並預先處理問題。
這是我最喜歡的技巧，因為它運用了心理學。當你要求 AI「把事情做好」，它就會以成功為前提，略過問題。如果你要它想像失敗，它就會開始看見先前忽略的地方。提示詞很短：
提示詞 事前驗屍提示詞——開始前找出疏漏 ``` 想像現在是一年後。我們正在規劃的專案已經失敗。 請列出失敗的 10 個原因。開始時我們沒有考慮到什麼？低估了什麼？在哪裡偷工減料？哪些假設最後證明是錯的？ 接著，針對每個原因，告訴我現在可以做什麼來解決。 ```
我會在核准計畫之前使用這個提示詞。列出的原因有一半根本不合理，但另一半是真正的陷阱，而我原本會在一週後碰上它們。在規劃階段處理，只需要十分鐘。等到專案完成後才遇上，就得花好幾天調查。 組合方式很簡單：grilling 引出意圖，「證明給我看」為決策辯護，事前驗屍找出疏漏。三段簡短文字，在寫程式碼之前貼上即可。它們能讓 Claude 從急著執行的工作者，轉變為先思考的合作夥伴。 ## 為什麼過度堆積的上下文會讓 Claude 變笨？
重點摘要 Claude 的 context window 有容量限制，也就是它一次能記住的資訊量。當視窗填滿超過一半，它就會開始遺漏重要細節、混淆先前的共識，並用猜測填補空白，而不是記住內容。一場什麼都談的漫長對話，是 AI 到了一天結束時，做的事和早上談妥的內容完全不同的常見原因。
即使任務描述得再完美，只要在雜亂的上下文中工作，仍然會出問題。運作方式如下：你每提出一項新要求，整段聊天紀錄都會進入 Claude 的工作上下文。工作階段越長，視窗填滿得越快。請讓它保持在半滿以下；超過之後，AI 就會開始變笨，遺忘你在一開始討論的重要事項。 最能減少我挫折感的規則是：一項任務，一個聊天室。完成一個函式後，就關閉聊天室，為下一項任務開啟新的聊天室。沒錯，有時把所有事情放在同一個視窗裡比較方便，但你會因此失去上下文，還會收到離題的回答。 Anthropic 將這種失敗模式稱為「垃圾抽屜工作階段」。解法很簡單：在不相關的任務之間使用 `/clear` 清空視窗，避免把前一項任務的雜亂內容帶進新任務。 如果你進行長時間工作階段，卻不清楚費用和 AI 的注意力都花在哪裡，我在 [Claude Code 的 token 都去哪了](https://ailoot.ai/blog/zh-hant-tw/where-claude-code-tokens-go/)指南中另外說明了這個主題。我也在[設定 CLAUDE.md](https://ailoot.ai/blog/zh-hant-tw/claude-md-template/)指南中整理了持續性上下文的基本資訊，Claude 每次啟動時都會讀取它。 ## Grilling 和 Plan Mode 有什麼不同？兩者該如何搭配？
重點摘要 Grilling 和 Plan Mode 解決的是同一問題的不同部分。Grilling 在計畫形成之前，透過提問引出你的意圖。Plan Mode 則是處理已經理解的任務，列出變更計畫，並在你核准前不碰任何內容。兩者搭配效果最好：先透過 grilling 釐清要打造什麼，再用 Plan Mode 清楚查看如何打造。
人們常把這兩種技巧混為一談，或認為只要其中一種就夠了。實際上，它們各自在流程的不同階段發揮作用。 | 功能 | Grilling | Plan Mode | |----|----|----| | 執行時機 | 計畫之前——釐清意圖 | 之後——制定變更計畫 | | 誰問誰 | AI 訪談你 | 你閱讀並核准計畫 | | 取得內容 | 任務規格 | 逐檔案的變更計畫 | | 主要優點 | 避免「這不是我想要的」 | 避免「不要碰其他東西」 | Anthropic 描述了一套標準的四階段工作流程：首先是 Explore（Claude 調查並提出問題），接著是 Plan（擬定計畫但不進行變更），然後是 Implement（依計畫撰寫程式碼），最後是 Commit（記錄結果）。Grilling 發生在第一階段；Plan Mode 則在第二階段。第二階段的完整說明，請參閱 [Claude Code 的 Plan Mode](https://ailoot.ai/blog/zh-hant-tw/claude-code-plan-mode/)指南。 Anthropic 本身也提出一項重要提醒：小任務不必用這套流程增加負擔。

如果你能用一句話描述變更，就略過計畫。

— Official Claude Code documentation, https://code.claude.com/docs/en/best-practices
如果只是修正錯字、更改名稱或修改一行，直接提出要求即可，不必進行訪談或制定計畫。Grilling 適合用在模糊且犯錯代價高的任務。用在簡單的小事上，只會拖慢進度。 ## 讓 AI 做錯事的 5 個任務描述錯誤
重點摘要 AI 幾乎所有失誤都可歸因於五種任務描述錯誤：一句模糊的要求、沒有設定限制、只說「寫程式碼」卻沒有「先理解」的階段、沒有定義「完成」的標準，以及所有事情都放在同一個無止盡的工作階段。每一項都會讓 Claude 用猜測補上任務內容。以下說明每種錯誤的樣貌，以及如何取代它們。
我把常見陷阱整理成一張表。左欄是人們通常會做、卻容易出錯的方式；右欄則是替代做法。 | 錯誤 | 聽起來像是 | 替代做法 | |----|----|----| | 模糊的一句話 | 「把儀表板做得更好」 | 描述任務並開始 grilling，讓 AI 透過提問引出細節 | | 沒有限制 | 「新增授權功能」 | 說明哪些內容不能損壞、不能加入哪些函式庫，以及哪些事情不在範圍內 | | 立刻要求「寫程式碼」 | 輸入提示詞後馬上開始寫程式 | 先「理解並提問」，再寫程式碼 | | 沒有定義「完成」 | 期待 AI 猜出結果 | 提供範例、參考螢幕截圖或測試，說明「正常運作」的意思 | | 所有事情放在同一個工作階段 | 一整天都使用同一個聊天室 | 一項任務搭配一個新聊天室，避免上下文變得雜亂 | 檢查一下最近一次讓 AI 答錯的提示詞。幾乎可以確定，這五種錯誤中至少有一種造成了問題。最常見的是第一種：你只給了一句簡短的話，卻期待 Claude 能正確補上其餘內容。它確實補上了，只是沒有照你心裡想的方式。 ## 接下來：建立一套系統，讓 AI 聽幾個字就能理解你
重點摘要 個別提示詞解決的是個別任務。若要讓 AI 每次都能理解你，而不必長篇解釋，就需要一套系統：grilling 為每項任務引出意圖，Second Brain 儲存專案知識，而情境工程則串起 Claude 在提示詞之前會讀取的所有內容。如此一來，AI 做錯事的原因就消失了：它總是有足夠的上下文，不必靠猜測。
本指南介紹的三個提示詞——grilling、「證明給我看」和事前驗屍——都能處理眼前的特定任務。光是這樣就很有幫助：你不會只是想改一行，最後卻收到涉及 14 個檔案的差異內容。 但 grilling 有其上限。每次都從頭引導出你的意圖，需要很長時間。真正的轉變來自隨時備妥的上下文：專案知識資料夾、Claude 每次啟動時都會讀取的 CLAUDE.md 檔案，以及編碼在技能中的工作方法。如此一來，AI 開始任務前就已了解你的業務、目標與風格；因為你事先整理了半數上下文，所以只需幾個字就能理解你。 Anthropic 最近的分析顯示，這項工作有多重要：開發者在約 60% 的工作中使用 AI，但能完全信任 AI 處理的任務只有 0-20%。其他工作仍需要你的理解、監督，以及說明該打造什麼的能力。這才是值得培養的技能，而不是追逐最聰明的模型。
### 資料來源 - [Claude Code Docs - Best Practices (Let Claude interview you, plan mode)](https://code.claude.com/docs/en/best-practices) - [Anthropic - 2026 Agentic Coding Trends Report](https://resources.anthropic.com/2026-agentic-coding-trends-report)
認識 [Ailoot](https://ailoot.ai/)。 ## 常見問題：Claude 為什麼會做錯事：3 個提示詞 ### 何時先用訪談提示，不直接寫程式？ 成果、邊界或限制不明，且錯誤代價高時使用。一次問一題，把同意結果存 SPEC.md；錯字或清楚一行變更可直接要求。 ### 接受計畫前該查什麼？ 要求兩三種做法，依規格及限制比較，再用 pre-mortem 提示審查失敗原因，實作前處理相關風險。 ## Ailoot · 公司及其專案組合 Ailoot以累積的營運經驗、廣大的客戶群、穩定的服務及持續的KPI管理為基礎。 公司及其專案組合：數百萬客戶，每月銷售額達數十億。 Ailoot將這些營運經驗用於API存取，讓客戶的產品、代理、應用程式及自動化流程使用AI功能。