Prompt Forge

5-part prompt system browser only

01 Prompt workbench

把模糊需求，整理成
模型能執行的提示詞。

依序釐清背景、任務、交付格式、限制條件與停下確認條件。內容只在你的瀏覽器內處理，不會上傳。

本機處理 卡片式 精靈式
開始練習

從 3 個範例開始，或依序建立自己的提示詞。

02 / Compose

建立你的提示詞

Quick start / 範例

載入完整範例

五個欄位會一次帶入，你仍可逐步修改。

步驟 1 / 5

01 / Context

先說明背景是什麼

誰會使用結果？你正在處理什麼情境？模型已經有哪些資料？

04 Why this works

不是把 prompt 寫得更長，而是把任務規格寫得更清楚。

Agent-era prompting

模型越能自主執行，
任務邊界越要清楚。

社群流傳的「Fable 5 Prompt」圖像把提示詞拆成 Context、Request、Output Format、Constraints 與 Checkpoint。這不是已獲 Anthropic 證實的內部格式，但它點出一個實用方向：對 Claude、Codex 或其他能使用工具、跨多步驟工作的 Agent 而言，價值不在堆疊角色設定或教它逐句思考，而在把目標、可用資訊、交付物、邊界與停點說清楚。靈感來源：RealCodedAlpha 原始貼文

01

五個部分是一份最小任務契約

Context 讓模型理解「為誰、在什麼情境、已知什麼」；Request 用清楚動詞定義要完成的工作；Output Format 把結果變成可驗收的交付物；Constraints 指出不能假設、不能更動與不能跨越的界線；Checkpoint 則把必須交回人類判斷的時機寫成明確條件。這五部分的作用不是增加篇幅，而是減少模型必須自行猜測的空間。

Context提供必要背景，不傾倒無關資料。
Request說清楚要完成什麼，而非只描述主題。
Output定義格式、篇幅、欄位與驗收方式。
Constraints界定不可假設、不可更動與禁止事項。
Checkpoint只保留需要人類裁決的停點。

OpenAI 的 Agent 指南同樣把 instructions 與 guardrails 視為基礎元件，並指出清楚、結構化的指令能減少歧義；Anthropic 則建議先採用最簡單、可組合的模式，只在任務真的需要時才增加複雜度。參考：OpenAI · A practical guide to building agents、Anthropic · Building effective agents

02

任務邊界決定 Agent 可以自主到哪裡

強模型可以自己規劃步驟、選擇工具、從錯誤中修正並持續執行，但「能決定怎麼做」不等於「可以自行改變要做什麼」。一份好的 prompt 應區分目標與手段：目標、不可跨越的範圍、可使用的資料與驗收標準由人定義；範圍內可逆、低風險的實作細節，才交給 Agent 自主處理。

清楚的邊界不是限制模型能力，而是把自主權放在正確的位置。

Anthropic 將 Agent 描述為能動態主導流程與工具使用的系統：任務清楚後，它可以獨立規劃與操作，並根據工具結果或程式執行等環境證據判斷進度。NIST AI RMF 也要求明確記錄目標使用範圍、human-AI 角色、監督責任與風險容忍度。參考：Anthropic · Building effective agents、NIST · AI RMF Core

03

Checkpoint 是停車線，不是每一步的報到

Checkpoint 應該回答：「發生什麼情況時，Agent 必須先停下來取得我的決定？」條件越具體，Agent 越能在安全範圍內持續工作。若只寫「有問題就問我」，模型可能過度中斷；若完全不寫，它又可能在資訊不足或風險升高時自行猜測。

  1. 01
    涉及不可逆或高風險操作

    例如刪除資料、正式發布、付款、改變權限，或任何難以回復且會影響他人的動作。

  2. 02
    任務範圍發生實質變化

    例如必須新增原本未授權的功能、接觸新的系統，或為了完成工作而改寫原定目標。

  3. 03
    缺少只有使用者能提供的關鍵資訊

    例如業務規則、憑證、選擇偏好或無法從現有檔案與可用工具查證的決策。

OpenAI 建議對敏感、不可逆或高風險行動啟用人類監督，也可在超過重試或失敗門檻時轉交使用者；OpenAI Agents SDK 的 approval flow 則示範了「暫停、保留狀態、取得決定、從原處繼續」的實作方式。Anthropic 也明確指出 Agent 可在 checkpoint 或 blocker 才暫停。參考：OpenAI · Agent guide、OpenAI Agents SDK · Human-in-the-loop、Anthropic · Building effective agents

04

其他情況，應讓 Agent 繼續完成

可以繼續

  • 範圍內、可逆的技術選擇
  • 能從檔案、測試或工具查證的資訊
  • 失敗後可安全重試或調整的方法
  • 不改變目標的局部實作細節

必須停下

  • 不可逆、敏感或影響外部狀態的行動
  • 需求或授權範圍需要擴張
  • 缺少只有使用者知道的關鍵決定
  • 超過預先定義的失敗或重試門檻

這個區分能避免兩種極端：Agent 每做一步就停下來，讓自動化失去意義；或一路自行補假設，直到產出偏離真正目標。好的 checkpoint 同時保留速度與控制權。

05

注意：Prompt 不能取代驗證與風險控制

  • 不要把 Constraints 和 Checkpoint 混在一起。前者是持續有效的邊界，後者是觸發暫停的條件。
  • 不要把內部思考步驟寫成僵硬劇本。描述成果與證據，讓模型在邊界內選擇方法。
  • 不要用 checkpoint 取代測試。要求程式測試、引用、檔案 diff 或可重複的驗收證據。
  • 不要聲稱所有任務都能全自動。任務風險、工具權限與外部影響不同，監督強度也應不同。

Agent 會跨多輪呼叫工具並改變環境，因此錯誤可能逐步累積。Anthropic 建議用 eval 先定義成功並維持品質；NIST 也要求部署前測試、運作中監測，以及可重複的衡量與文件。換句話說，prompt 是任務契約的入口，真正可靠的執行仍要靠測試、觀察與可追溯證據。參考：Anthropic · Demystifying evals for AI agents、NIST · AI RMF Core