AI 小說 prompt 怎麼寫？言情、懸疑 5 種類型我拆開，形容詞堆再多都沒用

💡 核心結論速覽 (TL;DR)

• 形容詞沒用，範例才有用：Anthropic 官方寫「範例是最可靠的操控輸出語氣與結構的方式之一」，並建議放 3-5 個；Google 甚至說範例夠清楚時「你可以從提示中移除指令」。
• 五種類型卡的地方不一樣：言情卡在情感濃度、懸疑卡在資訊分配、武俠卡在動作節拍、奇幻卡在設定一致性、恐怖卡在留白——同一組 prompt 通吃五種必崩。
• 真正擋住你的常常不是文筆，是條款：同一段親密戲，Anthropic 使用政策明文列在禁止清單、OpenAI 使用政策裡根本沒有這一條、Google 則是禁但寫了「藝術考量」例外。
• 先做這件事：挑 3 段你想要的文風片段（不同作者、不同場景），用 <example> 包好貼在最前面，指令放最後——不用換模型、不用加訂閱，一次生成就能驗證。

同一份 AI 小說 prompt，我換了五個類型丟進去——言情、懸疑、武俠、奇幻、恐怖——結果拿回來五段長得幾乎一樣的東西，只是換了道具。言情多了一場雨，恐怖多了一盞燈，骨子裡還是同一個腔調。

AI 小說 prompt 寫不出類型感，八成不是模型不行，是你把「文風」交給了形容詞。「溫柔細膩」「冷冽克制」「大氣磅礴」這種詞，模型接收到的訊號其實非常弱；三家官方文件不約而同指向同一招——給範例，而且要 3 到 5 個、彼此夠不一樣。

白天寫 PRD、晚上寫小說的我，最有感的就是這個切換成本。寫需求文件時我要模型收斂、精確、不要形容詞；一轉頭寫言情，我要它把同一件事拖長、留白、讓角色講一半就不說了。以前我以為這是「換個口氣講一下」的事，後來才發現——這是兩份完全不同的指令結構，而不是同一份指令換幾個形容詞。

這篇要拆的就是這件事：五種類型各自真正卡住的是什麼、指令要怎麼排，還有一件幾乎沒人提的——有些類型你寫不出來，不是你 prompt 下得爛，是條款不讓。

AI 小說 prompt 怎麼寫才控得住文風？先把形容詞換成三件可驗證的事

控文風的 prompt 有三個必須到位的元件：角色定義、範例、指令位置。形容詞不在裡面，因為形容詞不可驗證——「細膩」對你我而言指的是不同的東西，對模型更是。

先說角色。Anthropic 的提示工程文件裡有一句話很值得抄下來：在系統提示裡設定角色，能聚焦模型的行為與語氣，「即使只有一句話也有差」。OpenAI 的提示工程指南更直接，它把開發者訊息拆成四段，第一段就叫 Identity，任務寫明是「描述目的、溝通風格與高層目標」。

換句話說，文風不是寫在正文指令裡的裝飾，它是角色設定的一部分，要放在最前面。

第二個元件是範例，這是三家講得最一致、繁中創作圈卻幾乎沒人引的一條，我留到下一段細講。

第三個是位置。OpenAI 的四段順序是 Identity → Instructions → Examples → Context，而且明寫 Context「通常最適合放在提示的最後」。

Google 的提示設計策略對 Gemini 3 給的建議一模一樣：角色定義與輸出格式要求放系統指令或提示開頭，長篇脈絡資料先給，具體指令與問題放最後。

為什麼位置這麼要緊？一份被大量引用的長脈絡研究指出，模型對放在開頭與結尾的資訊最讀得到，夾在中間的部分表現會明顯衰退。你的文風範例如果被埋在一長串設定中間，等於沒放。

這三件事都可以驗證：角色句有沒有寫、範例有沒有 3 段、指令是不是在最後。「細膩」則不行。下次改 prompt 前，先數這三格有沒有填滿，再去動形容詞。

如果你是從設定集那一關過來的，順序邏輯其實是同一套——我在人設寫到 20 章就崩，問題出在擺放順序那篇裡算過同一件事，只是那篇管的是「事實」，這篇管的是「聲音」。

為什麼形容詞下一堆還是同一個味道？AI 小說 prompt 的官方答案是 3-5 個範例

因為模型是從你給的樣本裡抓模式，不是從你的形容詞裡抓。這句話不是我的推論，是三家官方各自寫過的。

Anthropic 寫得最白：「範例是最可靠的操控 Claude 輸出格式、語氣與結構的方式之一」，並且直接給了數字——放 3 到 5 個效果最好。

Google 的繁中文件講法一致：few-shot「通常用於控管模型回覆的格式、措辭、範圍或一般模式」，而且建議「一律在提示中加入少量樣本」。

它還補了一句狠的：如果樣本清楚顯示手邊的工作，你甚至可以從提示中移除指令。換句話說，範例的權重比你手上那串提示詞更高。

這件事其實有更早的出處。最早提出 few-shot 概念的那篇論文談的就是「不重新訓練、只靠幾個示範就換一個任務」——你餵範例的時候，做的是同一件事，只是把任務從分類換成了「寫成這種調」。

我第一次讀到最後那句時愣了一下。我們花那麼多力氣在雕指令，官方卻說範例夠好的時候指令可以不要。

範例不是越多越好，這裡有兩個相反的陷阱

Anthropic 對範例的要求是三個字：Relevant（貼近你的實際用途）、Diverse（變化足夠，讓模型不會學到非預期的模式）、Structured（用 <example> 標籤包起來，多個就用 <examples>）。

OpenAI 講 few-shot 時也用了同一個字：要展示「多樣的」輸入與期望輸出。三家在這一點上沒有分歧。

Google 則從反方向補了一刀：「如果提供太多範例，模型可能會開始過度配適範例的回覆。」

這兩條合起來，正好解釋了我踩過最蠢的一個坑。我曾經為了讓模型抓到某種冷調敘事，一口氣餵了同一位作者的六段文字——結果它學走的不是「冷調」，是那位作者的口癖。連續三章出現同一個句式收尾，讀起來像模仿秀。

後來我改成三段：不同作者、不同場景（一段對話、一段獨白、一段場景描寫），問題就消失了。Diverse 不是「多找幾段」，是「刻意讓它們不一樣」——同作者同場景餵三段，等於只餵了一段。

格式一致這件事比你想的重要

Google 特別提醒：少量樣本的結構與格式要相同，「特別是 XML 標記、空白字元、換行符號和範例分隔符號」。我一開始覺得這是工程師的潔癖，直到有一次三段範例裡有一段忘了包標籤，模型直接把那段當成正文接著往下寫。

❶ 挑 3 段目標文風的片段，來源盡量分散（不同作者／不同場景／不同人稱）。

❷ 每段用一樣的標籤包好，<example> 開頭結尾，中間不要留多餘空行。

❸ 角色句放最前面，範例接在後面，你的具體要求放最後一行。

這三步不用付費、不用換模型，一次生成就能看出差別。想再往下鑽指令語法本身，Claude 提示詞那 12 組模板可以直接接著用。

言情、懸疑、武俠、奇幻、恐怖：5 種類型的 prompt 策略差在哪

五種類型真正的差別不在辭藻，在「你要模型多給還是少給」。言情要它把情緒拖長、懸疑要它藏、武俠要它縮短、奇幻要它記住、恐怖要它不要說完。用同一組指令通吃，等於同時要求它多給和少給。

下面這張表是我自己在切換類型時真正會改的那幾格。角色句與範例的原則不變（見上一段），變的是後面那三欄。

你可能注意到一件事：這五句「要多寫的話」全部都是限制，不是形容。Google 的提示設計文件把這叫做「限制條件」，明寫「你可以告訴模型該做什麼和不該做什麼」。我自己的體感是，類型感幾乎都是被限制出來的，不是被形容出來的。

懸疑最難，因為你在跟模型的本能作對

五種裡我覺得最難的是懸疑，原因很結構性：模型被訓練成要把事情講清楚、要有幫助，而懸疑的核心是刻意不講清楚。你越是把完整設定餵給它，它越想幫你收尾。

我的做法是把設定集切成兩份——「這一章讀者可以知道的」跟「只有我知道的」，續寫時只餵前者。這聽起來像多此一舉，但它是唯一穩定有效的辦法：模型看不到的東西，才藏得住。

如果你正在寫的是長篇、而且已經卡在設定散落各處，設定集、人物卡、時間線那三份模板可以直接拿去切，不用重新設計格式。

類型混血是最容易被忽略的失敗

還有一種狀況表上寫不下：你以為自己在寫一種類型，其實在寫兩種。「懸疑愛情」「武俠奇幻」現在滿街都是，但如果你在同一段 prompt 裡同時給了「藏資訊」跟「拖情緒」兩個相反的指令，模型會選一個聽——通常是聽後面那個。

我的處理方式很土：分兩次生成。先用懸疑的規格把骨架寫完，再用言情的規格單獨潤那幾場感情戲。一次到位很難，分兩趟很穩。這個「一個模型負責一件事」的邏輯，跟我在AI 寫小說工作流那篇拆的分工是同一套思路，只是那篇分的是模型，這篇分的是回合。

言情寫到床戲、恐怖寫到血腥，AI 小說 prompt 會被拒答嗎？三家條款我一條條翻

會，而且三家的線畫在完全不同的地方——這件事幾乎沒有一篇創作教學提過。同一段親密描寫，在一家是明文列舉的禁止項目，在另一家的使用政策裡根本找不到對應條款。

我把三份現行政策逐條讀完，整理成下面這張表。這裡只陳述條款怎麼寫，不推論「沒寫等於允許」——各家在條款之外還有模型層的安全機制，兩者不是同一件事。

三家都有一條完全一致、而且沒有任何模糊空間的紅線：未成年。Anthropic 的條文特別寫了「including in fictional settings」——就算是虛構情節也一樣，並把未成年定義為未滿 18 歲、不論所在司法管轄區。OpenAI 那份也明列禁止「未成年的性或暴力角色扮演」。

這條對寫校園題材的人是實務問題，不是道德問題：如果你的角色設定沒寫年齡，你等於把判斷權交給模型。我現在的習慣是在角色卡最上面直接寫「主角 24 歲、配角 26 歲」，一行字，省掉後面所有麻煩。

被擋掉的時候，官方叫你做的事跟直覺相反

Google 的安全設定文件裡有一段我覺得每個寫恐怖、懸疑的人都該知道：可調整的安全篩選有四個類別——騷擾、仇恨言論、煽情露骨內容、危險內容，門檻分五檔，從完全關閉到封鎖多數內容都有。

但真正的重點是這句：系統是根據內容「不安全的機率」封鎖，而不是根據嚴重程度。官方自己給了一組對照範例：「機器人打了我。」跟「機器人把我砍傷了。」——前面那句反而可能更容易被判定為不安全。

我讀到這裡才想通一件困擾我很久的事：為什麼有時候寫得很克制的一句話被擋，寫得更血腥的反而過了。它不是在評估你寫得多殘忍，是在評估這句話「看起來像不像」某個危害類別。

創作社群裡最常見的抱怨也是同一型：「我明明寫得比別人保守，為什麼只有我被擋」，然後結論都導向「這家模型不能寫暗黑題材」。但照官方這條說法，多數情況其實是那句話的措辭剛好落在高機率區——換句話講常常真的有用，這不是玄學。把整段提示詞刪掉重寫，反而是最沒效率的做法。

還有一條更反直覺的。Google 對「觸發安全篩選、拿到備用回覆」給的建議是：試著調高溫度參數。跟創作圈普遍相信的「被擋就要寫保守一點」剛好相反。

順帶提醒：這些門檻旋鈕屬於 Gemini API 與 Google AI Studio，一般網頁版介面找不到；另外官方也註明，兒少安全這類核心防護是一律封鎖、無法調整的。

temperature 要不要照類型調？官方叫你別動，我的小說指令改掉了順序

對 Gemini 3.x，Google 官方的立場是「強烈建議保留預設值」，而不是照類型調。文件寫得很明確：變更這些參數（例如把溫度設為低於 1.0）可能導致非預期行為，例如迴圈或效能降低，尤其在複雜的推理任務上。

這條讓我有點尷尬，因為我以前也照著網路上流傳的做法走：寫懸疑調到 0.3 求穩、寫奇幻拉到 1.2 求野。現在回頭看，那套是上一代模型的經驗值，被整批複製到新模型身上，沒有人回去對過官方文件。

官方對溫度本身的定義是沒有爭議的——0 代表確定性，模型永遠選機率最高的那個字；數值高則結果較多元、較有創意（topP 預設值為 0.95）。問題不在定義，在「該不該動」這一層，Gemini 3.x 的答案已經換了。

所以我現在的順序改成這樣：

❶ 先動範例——換掉、增減、讓它們更不一樣，這是官方指定的文風控制器。

❷ 再動限制句——把「不准出現什麼」寫具體，類型感多半在這一步就出來了。

❸ 最後才碰參數，而且只在被安全篩選擋住時往上調（照官方那條建議），不為了「文風」往下調。

還有一件容易搞混的事：這些參數在訂閱端的網頁介面裡根本不存在。官方文件講的是 API 與 AI Studio 的設定。如果你是在聊天視窗裡寫小說，那些「把溫度調到 0.8」的教學對你來說是無效指令——你真正能控制的只有角色句、範例和限制，剛好就是這篇在講的三件事。

想知道各家在網頁端到底給了你哪些旋鈕、哪些方案才有，可以對照AI 寫小說模型對決那篇的持續更新版，那篇是按模型分的，這篇是按類型分的，搭著看比較不會混淆。

我下小說指令踩過的三個坑：範例污染、聲音消失、以及最貴的那個

這三個坑都不是 prompt 寫錯，是流程沒設計。寫得出來跟寫得穩，中間差的就是這幾件事。

❶ 範例污染。前面提過的那次，六段同作者範例讓模型學走口癖。現在我的規矩是：範例來源必須跨作者，而且每寫完一批就重看一次——如果你在成稿裡看到某個句式反覆出現，兇手通常是範例，不是模型。

❷ 換模型等於換聲音。我曾經在同一本稿子中途換了模型，範例照舊、角色句照舊，出來的東西還是變了調。這不算 bug，各家對同一組指令的解讀本來就不同——但如果你已經連載了二十章，讀者會感覺到。我的處理是：一本書決定一個主力模型，要換就在卷與卷之間換，不在章與章之間換。

❸ 最貴的坑：我把「文風不對」誤判成「模型不夠好」。那陣子我認真考慮過為了寫作再多開一個高階訂閱，理由是「這家寫感情戲比較有味道」。後來把範例補齊、限制句寫清楚之後，原本那家就寫得出來了。

我現在會先問自己一句：我是真的需要更強的模型，還是我只是懶得寫範例？大部分時候是後者。真的要換模型之前，至少先跑完一輪「三段範例＋一句限制」，那是免費的。

順帶一提，如果你擔心的是成品有沒有 AI 味——那是另一個問題，別再只看破折號那篇裡有六個常被誤用的判準，寫類型文之前先看一眼，可以少改很多冤枉的句子。

這套 prompt 策略適合誰、不適合誰？要不要為它多開一個訂閱

如果你寫的是單一類型的長篇，這套的投資報酬最高；如果你只是偶爾寫短篇玩玩，老實說不用這麼搞。整理三段範例加一組限制句，前置成本大約是一個晚上，之後每一章都在回收。

適合先做的人：

• 正在寫連載、而且已經被讀者說過「越寫越沒那個味道」（範例一補，通常立刻回來）
• 同時寫兩種以上類型、常常覺得兩邊在互相污染的人
• 寫懸疑或恐怖、常常被拒答又不知道為什麼的人（去看上面那條「機率不是嚴重程度」）

先不用急的人：

• 還在試水溫、一個月寫不到三章——先把故事寫出來比較重要
• 寫的是純設定型作品（世界觀比文風重要），那該先做的是設定集不是範例庫

預算怎麼算：這件事本身不需要花錢。角色句、範例、限制句在任何一家的免費方案裡都能用，真正會逼你付費的是檔案容量——範例庫加設定集養到後來，免費方案的專案檔案數會先撞牆。

我自己的判斷線很簡單：當我開始每次都要手動貼範例、而且貼到不耐煩的那一天，才值得為專案功能付錢。在那之前多開訂閱只是買心安。

要比各家方案怎麼選、哪一檔的專案容量夠用，AI 工具總整理那篇是按需求分的，可以直接跳到寫作那一段。想看更完整的多模型分工，起稿、修文、補資料的分工版本也有一份現成的。

FAQ 常見問題

寫小說的指令要用中文還是英文下比較好？

寫中文小說就用中文下指令。理由不是模型偏好，是範例——你的範例一定是中文的，而範例才是控文風的主力。指令跟範例混語言，反而容易讓模型在語感上打架。唯一我會用英文的地方是結構標籤本身（<example> 這種），因為官方文件示範的就是這個寫法，格式一致比較不會出事。

AI 寫言情跟寫懸疑，該不該用不同的模型？

先別急著換模型。我的順序永遠是：範例 → 限制句 → 才是模型。真的要分，我會這樣看——需要藏資訊、控節奏的（懸疑、恐怖）吃指令遵循度；需要長期記住設定的（奇幻、長篇武俠）吃上下文容量與專案功能。

但這兩件事在現在的主流模型上差距已經不大，先把前兩步做完再判斷，通常會發現不用換。真的要比各家的指令語法差異，Claude 愛 XML、ChatGPT 吃 Markdown 那篇整理得比這裡細，那是按模型分的，這篇是按類型分的。

我寫的恐怖橋段一直被拒答，是我尺度太大嗎？

不一定。Google 官方文件講得很清楚，判斷依據是「內容不安全的機率」而不是嚴重程度——官方自己舉的例子就是「機器人打了我」可能比「機器人把我砍傷了」更容易被判定為不安全。

所以先試換句話講：把主詞從人改成環境、把動作寫成感官接收。官方對觸發篩選的建議還包括試著把溫度調高。如果換了三種寫法都不行，那才是真的碰到條款線。

用 AI 寫的類型文，可以直接拿去投稿或出版嗎？

這一題的答案不在 prompt，在各平台的規範跟著作權歸屬，而且各家差很多、還在變。這篇只處理「怎麼寫得出來」，投稿規範跟版權歸屬是另外兩件事，我會另外整理——在那之前，動筆前先去看你要投的那個平台的官方條款，不要看二手整理。

設定集跟範例庫是同一件事嗎？

不是，而且最好分開放。設定集管的是「事實」——誰是誰、能力上限在哪、時間線怎麼走；範例庫管的是「聲音」——句子多長、情緒怎麼給、留白留多少。放在同一份文件裡的下場是模型分不清哪些該複製、哪些只是參考，最後兩邊都做不好。我自己是兩份檔案，貼的時候設定集在前、範例在後、指令在最後。

💡 追劇族讀者推薦

如果你是被「類型感」這件事戳中才讀到這裡的，這幾部剛好可以當成活教材——我看劇的時候也是這樣拆的，哪一格情緒給早了、哪一段資訊藏得漂亮：

• 《翹楚》好看嗎？寫小說的我看陳都靈重生復仇劇，順便拆了原著魔改爭議——重生復仇是言情裡最考驗情緒節奏的一支，拖太久觀眾煩、給太快沒後勁
• 《諜報上不封頂》台灣哪裡看？我用看盤的眼睛拆 1948 金融暗戰——懸疑的資訊分配長什麼樣，看諜戰劇最清楚
• 《白日提燈》台灣哪裡看？迪麗熱巴的鬼王虐戀，這 4 種人再追不踩雷——恐怖與言情混血的示範，也順便看看留白可以做到什麼程度
• 《這一秒過火》原著結局有多虐？開播時間與魔改幅度我一次拆——原著改編最常出事的就是情緒濃度被調過頭

寫在最後：類型感是限制出來的，不是形容出來的

AI 小說 prompt 這件事，寫到最後你會發現結論意外地簡單：模型缺的從來不是形容詞，是樣本和邊界。

三家官方文件各自用不同的話講了同一件事——範例決定聲音、角色決定基調、位置決定它有沒有讀到。而我們花最多時間雕的那些「細膩」「克制」「磅礴」，恰好是唯一無法驗證的部分。

至於那些寫不出來的段落，先分清楚是哪一種：是你沒給範例，還是條款不讓。前者你自己就能修，後者換十個模型也一樣——那條線在使用政策裡寫得清清楚楚，只是幾乎沒有人翻開來看。

如果你只想從這篇帶走一件事，我會說是這個：下次覺得文風不對，先別罵模型，先數一下你給了它幾段範例、下了幾句「不准」。大概八成的問題，會在你補完這兩格之後自己消失。

剩下那兩成——那才是你自己的聲音要上場的地方，那部分永遠外包不掉。

我把 AI 寫作與工具實測的過程都寫在我的部落格裡，訂閱之後會不定期收到信；如果你想從系列的起點讀起，三巨頭怎麼分工那篇是這一整串的第一篇。至於短篇與劇本形式，短劇腳本那套 4 步流程也可以直接套用同一組範例邏輯。

參考資料

• Anthropic — Prompting best practices（範例是最可靠的語氣控制方式、建議 3-5 個、Relevant/Diverse/Structured、角色句一句就有差）
• Anthropic — Usage Policy（性內容專章逐項禁止、graphic violence 條款、未成年含虛構情境）
• OpenAI — Prompt engineering（Identity/Instructions/Examples/Context 四段順序、Context 置尾、few-shot 要多樣）
• OpenAI — Usage policies（性暴力與未成年條款、思想自由段落）
• Google — 提示設計策略（few-shot 控管措辭、過度配適、格式一致、Gemini 3 指令位置、參數建議保留預設值）
• Google — 安全設定（四個可調類別、五檔門檻、依「機率」而非「嚴重程度」封鎖、核心防護不可調整）
• Google — 生成式 AI 禁止使用政策（煽情露骨內容與暴力條款、教育／紀錄／科學／藝術例外）
• Brown et al. — Language Models are Few-Shot Learners（arXiv:2005.14165，few-shot 概念出處）
• Liu et al. — Lost in the Middle: How Language Models Use Long Contexts（arXiv:2307.03172，開頭與結尾最讀得到、中間會衰退）