搜尋管道與指令技巧

AI推薦給你的資料來源是什麼？

• AI的引用來源主要是英文網路內容，學術資料只佔小部份，AI回答很可能會反映出資料原有的偏見，或綜合了網路資料的見解來解讀學術資源，但是沒有標示出每項觀點的出處。

• 根據2025年3月至8月間超過3600 萬次Google AI 概覽(AI overviews)與4600 萬次引用的分析，「維基百科、YouTube、Google生態系資料(Google的部落格、商城等)、Reddit和Amazon」合計佔所有引用量的 38%。不同AI會有各自偏好的資料來源，ChatGPT偏好引用維基百科(佔引用來源的47.9%)，Bing Chat通常引用較少來源且很常引用WikiHow。AI搜尋相較相較傳統搜尋更能提供多媒體(如youtube)的資料來源，且有機會發掘到以往搜尋結果中的冷門網頁。

AI 搜尋工具經常「很自信地給出錯誤答案」

• 「Search engines in the ai era: a qualitative understanding to the false promise of factual and verifiable source-cited responses in llm-based search」招募 21 位不同學術和專業背景的專家（已完成或正在攻讀博士學位），讓他們在其擅長的複雜查詢上評估 AI 搜尋表現，指出三類問題值得大家注意：

  1. 1. 回答正確性：內容過於籠統且不充分、反映提問者偏見、答案過於自信、口吻幼稚、喜歡討好、缺乏批判性思考

     2. 引用來源支持度：引用正確但來源錯誤、選擇性呈現部分觀點、無法辨別為何引用某些來源

     3. 資料來源品質：資料來源太少、來源不夠權威或過時、提供重複來源、列出未引用的來源

• Tow數位新聞中心測試了8種AI搜尋工具：多數 AI 都很自信地給出錯誤答案（很少使用「看起來」「有可能」「或許」），即使是付費模型也不代表會降低錯誤率，且無法正確連結到原始出處；即使出版商不允許 Perplexity 爬蟲爬取資料，卻仍能從 Perplexity 找到應付費才能使用的《國家地理》文章，代表其未遵守 robots.txt 協定。

AI 答案快速查證測試

1. 這個資訊超乎常識嗎？ AI 生成內容與你已知的基本常識完全不符時，就應查證。

2. AI 給的內容有明確數據，但沒有來源？ AI 給出具體數據（百分比、金額、人口數）卻未提來源，就應查證。可直接問 AI「這個數據的來源是什麼」，若給不出文獻或連結是假的，就應查證。

3. AI 生成的資訊與你的直覺矛盾嗎？ 答案讓你感覺「不太對勁」時，可用 Google 查關鍵字看是否有可信來源支持。

4. AI 給出的內容太過絕對或極端？ AI 使用「永遠」「100%」「不可能」等極端表述時應查證。

5. AI 給的來源「你從沒聽過」？ 若 AI 提供的文獻、網站、新聞來源你從未聽過或查不到，很可能是 AI 捏造的。

風險分級檢查

• 高風險（必須檢查）：涉及法律、醫療、財務的具體建議；統計數據與研究結論，一定要回到權威來源查證。

• 中風險（抽樣檢查）：一般性論述、背景說明，可挑幾筆抽樣核對。

AI 搜尋同時改變了「讀者」與「內容生產者」兩端

• 讀者端：皮尤研究中心(Pew Research)於2025年分析900名美國成年人的線上行為資料，58% 在 2025 年 3 月至少使用一次 Google AI 摘要；使用 AI 摘要的人會更快結束瀏覽其他資訊、且傾向不檢視資料出處網站，新聞媒體網站如「華盛頓郵報、NBC新聞」等的流量皆大幅下降。

• 內容生產者端：AI 造成創作者的網頁拜訪下降可能影響其收益，當創作者意識到自己公開在網路上的資料非自願成為訓練資料後，可能會設定robots.txt 禁止使用 AI 爬蟲的指令，更讓 AI 搜尋結果無法涵蓋所有資料。同時，AI生成的網頁也越來越多，2025年4月Ahrefd分析了90萬個新的英文網頁，估計其中有74.2%包含AI生成內容；這些內容有些是刻意營造的假評論、有些是內容農場，無法確認作者是否好好檢查後才發布，卻都可能成為未來 AI 搜尋與摘要的資料來源，形成「AI 生成內容 → 成為 AI 訓練資料 → 再生成更多 AI 內容」的循環風險。

        學術研究都會有文獻回顧的環節，用以展現及整理前人已發現、尚未解答、相互矛盾等等的研究成果，以顯示過往的研究缺口及自己研究的貢獻與價值。不同領域對於文獻回顧所需使用的資料類型及回顧的完整度可能有不同標準，擬定政策或產業報告時也往往會有類似的資料蒐集過程。

        許多時候我們找不到資料，並不是資料不存在，而是沒有使用正確策略。在尚未完整蒐集前人資料的情況下提出自己的研究假說與論證，有可能會重複他人的研究，而且前人可能有一些類似的經驗可以參考，若有看到就有機會節省一些時間。

        在傳統資料庫檢索的做法中，若發現資料不足，往往會先檢視是否使用的資料庫確實涵蓋足夠所需資料來源，像是現在需要史料就不應在期刊資料庫查詢。接著，會檢視使用的關鍵字組合，像是有沒有包含同義詞、是否能用布林邏輯將這些關鍵字妥善相連(如："climate change" OR "global warming" OR "environmental shift")。在此情況下，要判斷資料是否飽和就是透過轉換關鍵字，當所有關鍵字都查過一輪，都沒有新發現時，就代表資料已找得差不多。

        另一種做法是，從一篇重點研究的參考文獻中延伸閱讀，就可以在不用界定關鍵字的情況下看到與此主題相關的資料。若使用這種方法發現關鍵字查詢遺漏的大量資料，那往往代表自己起初定義的關鍵字組合需要調整，可以根據引用或被引用文章出現的重要關鍵字進行新一輪的檢索。

        在AI出現前，我們可以使用維基百科或綜述文章(Review article)獲得某些主題術語的定義及第一輪閱讀的資料，AI出現後能讓我們加速一開始對研究問題的理解，用互動提問的方式更快掌握關鍵字及修正研究方向。但是，要注意AI的訓練資料內容有先天限制，現階段尚無法代表所有人類知識且有幻覺，建議要與其他資料蒐尋管道共同使用。

您可以參考以下對於資料查詢管道的比較，同時發揮不同資料來源的強處與避免誤用：

每個人的LLM/ChatBot會因為長久互動跟記憶對話，可能會被訓練得不一樣，即使使用相同指令，也可能有不同答案。

現在有層出不窮的指令教學，建議學習背後的方法與思考方式，並根據自己的任務需求來彈性調整。

基礎指令原則

• 對齊知識：先確認AI有正確解讀自己提出的資訊、且具備回答問題的知識，才請他做接下來的動作。一開始可以先用自己熟悉的主題與任務測是，較能判斷AI是否有回答錯誤的地方。

• 充分資訊+具體要求：越清楚自己的目的、擁有越多背景資訊，就能提供更多目前已知訊息和想法在指令內形成具體要求。具體要求可以是字數、文體風格、表格呈現方式等。

• 設定角色：說明自己或是AI扮演的角色、面對的情境、須完成的任務，有了更多上下文脈絡，就更能給出需要的資訊。

• 舉例：舉例說明自己想要的內容、或是請AI舉例說明。

• 追問：先釐清自己的任務與需求，再將大問題拆成小問題分開提問、試著轉換不同說法/觀點/語言提問、詢問AI回答的原因/依據、挑戰AI給的答案、請AI進一步說明、請AI列出正反面觀點、請AI跳出框架思考。

• 探索：有時候可以故意只拋出簡單問題、或是請AI忘記所有之前的資訊，避免AI僅在自己提供的訊息框架中回答而錯過探索新知的機會。

• 避免在指令內有明顯偏見/偏好，這會影響AI生成的結果。

• 設定一個專門任務的對話串，在該對話串中可以用多個Prompt訓練出希望他翻譯、摘要等任務，之後就直接在對話串內提問。

• 同時以多種管道驗證AI提供的資訊，從其他來源獲得不同資訊後可再與AI繼續互動，甚至拿其它AI的回答來提出質疑。

許多人會在網路上分享自己的指令設計，甚至有許多研究在測試什麼樣的指令能有更佳的效果，您可以針對您的專業領域去蒐集這些指令並測試修改。您也可以請AI幫忙設計指令或是修改指令。請參考Grok「根據研究者經驗推薦的指令」(Grok善於搜尋社群媒體討論區上的交流紀錄)、GPT5.4思考模式提供的「研究者不同情境可用指令與注意事項」、Gemini Pro Deep Research做的「Deep Research指令設計與注意事項報告」。 

網路上有許多指令框架可以參考，像是CLEAR框架

降低AI幻覺的指令 (不代表能完全沒有幻覺!)

 您可以在指令中加入以下要求：

• 請在回答中列出關鍵主張，每個關鍵主張都要有來源依據，盡可能標示出出自來源的位置與資料連結，並說明為什麼可以支持

• 如果具有爭議，請提供多方證據並分開整理

• 請坦承說出資料不足與不確定，詳細說明回答內容的限制

• 請嚴謹的區分事實證據與推論，提供每個證據的信心程度與標示出推論段落

• 請適時說明我的指令中忽略或具有偏見、誤導的部分

 也可以參考以下指令作法：

• 提供值得信賴、有權威的資料來源，或是提供具體細節、背景資訊、詳細場景說明，請AI基於這些資訊來回答，或據此補充相關資料。

• 從一個大問題開始，分解成可以單獨檢查的相關小問題，逐步檢查、確認、解決。

• 先提出一般性問題，再增加具體性，每個步驟都要以前一步當成邏輯基礎。

• 請AI審查自己的初步回答，請AI找出自己的錯誤或缺失的細節。

• 針對AI的回答提供具體回饋，指導AI改進方向，並請AI記住自己的改善偏好。

從Prompt到Context到Agent

現在AI回答的品質，不再只取決於「一句Prompt寫得好不好」，也受到目前對話、上傳文件、記憶、搜尋到的資訊、可用工具以及任務流程影響。因此，面對複雜任務時，比起不斷修改一句「完美Prompt」，更重要的是思考：「AI現在看得到什麼資料？記住了什麼？能使用什麼工具？應該按照什麼流程完成任務？」

當AI進一步具備 Agent 功能後，還要思考它「可以做什麼」及「被允許存取什麼」。可以依序思考：「我要它做什麼 → 它需要知道什麼 → 去哪裡取得資料 → 可以使用哪些工具 → 哪些動作需要我確認」。

建議學習資源

Open AI Prompt engineering 、Claude Prompt engineering (內有google表單分步驟教學、可觀看此影片了解指令好壞的差異與指令範例)、Gemini提示設計策略、Prompt Engineering Guide (部分章節有中文版)、University of Sydney-AI in Education (提供不同學科領域的Prompt範例)。

數位時代有一系列指令教學文章可以參考：OpenAI釋出Prompt免費懶人包、Gemini 3官方提示詞指南、逆向提示詞（Reverse Prompting）、GPT-5 Optimizer指令優化器、NotebookLM進階提示詞、Notion《100 個 AI 代理人使用情境》指南。

您也可以閱讀圖書館電子書「ChatGPT實用提示兵法 : 人人都能學會的提示工程」。