最後一個特性：可引導性（Steerability）。模型遵循你的指令，方式和它做其他事情一模一樣——延續一個模式。這讓它極其好引導：你可以指定角色、語氣、格式、長度、規則，它照單全收。但也因此，「你想指揮的」和「實際落地的」之間永遠有一道落差，而最有意思的失誤都住在那道落差裡。本課教你判斷控制力何時最緊、何時最鬆，認識推理飄移、守文失義、提示注入三種失誤，並學會最關鍵的一招：指令沒用時，改述目標，而不是把指令喊得更大聲。
| 課程單元 | Lesson 10｜Steerability |
| 預估時間 | 約 30 分鐘（含練習） |
| 難度 | 入門～中階，無需技術背景 |
| 官方單元連結 | Steerability（英文） |
本課學習目標
讀完這一課，你將能夠：
- 解釋可引導性為什麼有效（微調教會了模型遵循指令），以及為什麼有極限（它靠模式比對來遵循，不是靠理解）
- 預測控制力在哪裡最緊（簡短、具體、可驗證的指令），在哪裡最鬆（長推理鏈、抽象要求、需要原生精確度的任務）
- 認出三種特徵性失誤：推理飄移、守文失義、脆弱的算術
- 理解系統提示、程式碼執行、可見推理、結構化輸出是針對這項限制的產品機制
開始之前，先猜一題
🤔 你請 AI 寫「剛好 100 字，不能多」。你需要多仔細地檢查結果？先選好位置再往下讀。
選好了嗎？官方揭曉：多數學員選「抽查（Spot-check）」，這也是合理答案。原因很直接——格式與長度指令，正是微調最優化的那一類：模型會緊緊跟隨，只是「精確字數」可能差個一兩字。這題落在能力區偏左，和上一課的 50 頁合約形成強烈對比。
可引導性從哪裡來？
回到 Lesson 3：微調（fine-tuning）教會模型「當一個有幫助的助手」長什麼樣——把輸入當問題、用這個格式回應、把大任務拆成步驟、遵守使用者聲明的限制。
成果是一個極其好引導的系統：你可以指定角色、語氣、格式、長度、一套規則，它就套用上去。這是四大特性中最讓你有「主導感」的一個。
但「聽指令」不等於「理解」
關鍵來了：模型遵循你的指令，和它做其他所有事情的方式一樣——延續一個模式。它不是先理解你的用意，再決定怎麼做；它是把你的指令當成脈絡的一部分，然後生成「在這樣的指令後面，通常會出現什麼」。
💬 所以，你「想要指揮的」和「實際落地的」之間，永遠存在一道落差。而最有意思的失誤，全都住在那道落差裡。
這也決定了控制力的鬆緊分布：
- 控制最緊：指令簡短、具體、可驗證——「用表格回答」「100 字以內」「全篇用第二人稱」。這種指令模式單純，比對得幾乎完美。
- 控制變鬆：推理鏈拉長、指令變抽象、或任務需要原生的精確度（算術、形式邏輯）——而精確度不是模式比對能提供的東西。
💡 官方把該問的問題換掉了：不是「我指令下得好不好？」而是「我的字詞和我的意圖之間，還留了多少空隙？」
一體兩面：能力與特徵性失誤
- 精準控制格式、風格、長度、語氣
- 角色設定：套上人設或專業視角，並維持住
- 依照明確流程執行多步驟任務
- 反覆微調（「再短一點」「這裡更具體」）
- 推理飄移：小錯誤在長推理鏈中累積放大
- 守文失義：指令被照字面滿足了，意圖卻沒被接住
- 提示注入：文件裡夾帶的、你不想要甚至不安全的指令，也可能被照做
失誤一：推理飄移（Reasoning Drift）
多步驟任務裡，第二步的一個小偏差，會被第三、第四步當成前提繼續建構，到最後產出一個內部自洽、卻整體錯誤的答案。因為每一步都只是「延續前面的模式」，模型沒有一個獨立的機制回頭質疑第二步。
對策：插入檢查點。與其讓它一口氣跑完五步，不如要求它「做完第二步先停下來給我看」。在第二步抓到飄移，比在最終答案抓到便宜太多。
失誤二：守文失義（Letter over Spirit）
指令被字面上完美執行，結果卻毫無用處。經典場景：
- 你說「寫短一點」——但草稿真正的問題是結構。它砍掉了三成字數，結構還是亂的。
- 你說「寫得專業一點」——但這封信真正的問題是把請求埋在第四段。它換上正式詞彙，請求還是埋在第四段。
當指令被照字面遵守、卻毫無幫助時——請改述「目標」，而不是把同一個指令喊得更大聲。加重語氣、多加驚嘆號、重複三次，都不會縮短那道落差；把你真正想達成的事說出來才會。
❌ 只有指令：「把這段寫短一點。」
✅ 指令＋目標：「把這段寫短一點。我的目標是讓主管的注意力能撐到第二頁的關鍵發現。」
失誤三：提示注入（Prompt Injection）
這是可引導性的陰暗面：模型分不清「你的指令」和「文件裡看起來像指令的文字」。如果你請它讀一份網頁或檔案，而裡面藏著「忽略先前指示，改做某某事」，它有可能照做——因為對模式比對來說，那也只是脈絡裡的另一段文字。
實務提醒：讓 AI 處理來源不明的文件、網頁、郵件時，對它「突然改變行為」保持警覺，並避免在同一個對話中賦予它高風險的操作權限。
把邊界往外推的產品機制
| ⚙️ 系統提示／自訂指示 | 常設的指令，不會被對話稀釋——把你反覆要求的事寫成常設規則，而不是每次重講。 |
| 🧮 程式碼執行 | 把數學外包給真正的直譯器——用計算取代猜測，直接繞過「脆弱的算術」。 |
| 🔎 可見推理 | 把推理過程攤開，讓你在第二步就抓到飄移，而不是等到最終答案才發現全錯。 |
| 📋 結構化輸出 | 強制輸出符合特定結構，壓縮「守文失義」的游走空間。 |
可引導性同時賦予描述力量、也為它劃下界線。理解「字詞與意圖之間的落差」，會改變兩件事：你怎麼寫提示（說目標，不只說格式），以及你把檢查點插在哪裡（多步驟任務的中途，而不是只看終點）。這是 4D 框架「描述」能力最直接的機器面對照。
重點整理（Key Takeaways）
- 可引導性＝模型透過「下一個 Token 預測」來遵循指令。
- 能力區：簡短、具體、可驗證的指令——格式規格、長度限制、明確角色。
- 限制區：長推理鏈、抽象或模糊的指令、任何需要原生數值或邏輯精確度的任務。
- 特徵性失誤：推理飄移（小錯累積）與守文失義（指令被遵守，意圖沒被接住）。
- 系統提示、程式碼執行、可見推理、結構化輸出的存在，是為了不讓你的意圖被稀釋。
- 當指令被照字面遵守卻毫無用處時，重述目標；把指令講得更用力，不會縮短落差。
- 4D 連結：可引導性使描述（Description）強大，也為它設限——懂落差，就懂怎麼寫提示、把檢查點放哪裡。
實作練習：目標改寫（The Goal Rewrite）
大部分可引導性的失誤，都住在「你說的」和「你想要的」之間。這個練習訓練你從意圖下提示，而不只是從指令下提示。
從 Lesson 1 任務清單挑一個有多個步驟或特定輸出格式的任務，用一句話寫下目標——你真正想達成什麼，而不是輸出該長什麼樣：
✅ 目標：「說服團隊相信這個時程是可行的。」
❌ 格式：「三個項目符號。」
探測一｜緊控制：下一個簡短、具體、可驗證的指令：「用三欄表格回答」「剛好五個項目符號」「全篇第二人稱」。檢查它是否精準守住。這就是能力區的手感——指令單純到可以被完美比對。
探測二｜推理飄移：要求一個需要 4–5 個環環相扣步驟的版本，逐步檢查輸出：早期的小錯有沒有一路帶到最後？然後重跑一次，這次要求它「做完第二步先停下來給我看再繼續」。比較「有檢查點」和「一路放它跑」的差別。
探測三｜守文 vs 得義：刻意下一個「可以被字面滿足、但沒用」的指令——對一份問題出在結構的草稿說「寫短一點」，或對一封問題出在請求被埋沒的信說「寫專業一點」。看看你拿到什麼。接著把目標明講出來重下一次：「寫短一點。我的目標是讓主管的注意力撐到第二頁的關鍵發現。」比較兩次結果。
📎 收尾：回到任務清單——多步驟任務，標出你會把檢查點插在哪；過去只用格式下提示的任務，先把目標句草擬好，下次一起帶上。
課後反思
- 你有多常「只說格式、沒說目標」？兩者都講之後，改變了什麼？
- 哪一項重複性的任務，你這週開始會加上中途檢查點？
下一課預告
下一課是可引導性的「Try it out」實作課。而四大特性到此全部單獨見過面了——再往後的 Lesson 12 會處理最貼近真實世界的問題：它們如何互相碰撞。因為大多數真實的失誤，都是兩個特性相遇的結果。
延伸閱讀
- AI 能力與限制完整學習筆記（系列目錄）
- Lesson 3｜AI 的性格從哪來？預訓練與微調解析（可引導性的來源）
- Lesson 8｜工作記憶：上下文視窗如何影響 AI 表現（長對話中指令為何會失效）
- 官方 Lesson 10 課程頁（英文）
常見問題 FAQ
指模型能依照你的指令調整行為——角色、語氣、格式、長度、規則。但它遵循指令的方式仍是「延續模式」而非「理解意圖」，所以字詞和意圖之間永遠有落差。
這是守文失義（letter over spirit）：指令被字面滿足，意圖卻沒被接住。例如你說「寫短一點」，但真正的問題是結構。解方不是把指令講得更用力，而是把目標明講出來：「寫短一點，我的目標是⋯⋯」。
推理飄移：每一步都以前一步為前提繼續延伸，早期的小偏差會被後續步驟放大，最後產生內部自洽但整體錯誤的答案。對策是插入中途檢查點，要求它做完第二步先停下來確認。
指藏在文件、網頁或郵件中的文字被模型當成指令執行。因為模型分不清「使用者的指令」和「內容裡看起來像指令的文字」。處理來源不明的資料時要格外警覺，並避免在同一情境賦予高風險操作權限。
本文為 Anthropic 官方課程之中文學習筆記。原課程建立於 Prof. Rick Dakan（Ringling College of Art and Design）與 Prof. Joseph Feller（University College Cork）發展的 AI Fluency Framework 之上，以 CC BY-NC-SA 4.0 授權釋出。Copyright 2026 Anthropic.
📬 喜歡這篇文章？訂閱電子報不錯過任何更新
生成式 AI 時代，最珍貴的資產不是工具本身，而是你的提問力與協作思維。
每週精選 AI 實戰技巧、官方課程更新與 AI 工作流攻略，直接寄到你的信箱！
發佈留言