為什麼 AI 給不出好答案?因為你給的情境不夠多。
在上一篇文章中,我分享了如何運用 Prompt,讓 AI 協助 PM 揭露需求背後的隱藏假設,同時提供了 3 個符合 RTF 格式的提示詞模板。
當時的重點放在「怎麼問」,以及「如何引導 AI 往問題背後思考」。
但在實務上,Prompt 的效果不只取決於問題本身,也高度取決於我們提供了什麼 Context。
如果 Prompt 是告訴 AI:「你要做什麼?」
那 Context 就是告訴 AI:「你應該根據什麼情境來判斷?」
很多時候,AI 給不出好答案,不是因為 Prompt 寫得不夠華麗,而是因為它缺少足夠的情境、限制與判斷邊界。
換句話說,好的 AI 回應,通常不是來自一句神奇的 Prompt,而是來自清楚的指令,加上充足的邊界。
什麼是 Context?
Context 在字典裡常被翻譯為「上下文」、「脈絡」或「情境」。
但如果只看「上下文」這個翻譯,很容易讓人以為 Context 只是文章的前後句。其實在與 AI 溝通時,Context 的範圍更大。
舉個簡單例子。
如果我問你:「現在幾點鐘?」
你回答我:「9 點半。」
假設我們兩人正處在同一個辦公環境裡,而且現在是白天,你通常不需要回答「早上 9 點半」,我也知道你指的是早上。
對話中被省略掉的「早上」,就是一種 Context。
人類在溝通時,不只依靠文字。我們同時會接收環境、時間、語氣、角色關係、公司規範、過往經驗,以及彼此已經共享的背景資訊。
同樣一句「現在幾點鐘」,可能只是單純詢問時間;也可能是在提醒對方不該繼續吃早餐;或者是在會議即將開始前,暗示大家該準備進會議室了。
所以在人類世界裡,一句簡單的對話,背後其實往往包含了大量未被明說的訊號。
而 AI 最大的問題之一,就是它不一定擁有這些「未明說的訊號」。
Context 不只是背景,而是思考的邊界
很多人以為提供 Context,就是在 Prompt 前面多補幾句背景說明。
但對 AI 來說,Context 不只是背景資料,而是判斷邊界。
它會影響 AI 如何理解問題、如何判斷優先順序、如何避免錯誤推論,以及如何產出符合真實情境的答案。
以 PM 或 BA 常見的需求分析情境來說,Context 可能包含幾類資訊:
第一,業務目的與成功標準。這項需求到底要解決什麼問題?什麼結果才算真的有價值?
第二,使用者與角色關係。誰會使用?誰會決策?誰會受到影響?不同角色的關注點是否一致?
第三,目前狀態與既有限制。現有流程、系統、資料、人力、時程、預算或營運限制是什麼?
第四,風險、合規與不能碰的範圍。是否涉及個資、資安、法規、內部規範或已知風險?
這些資訊看起來只是補充說明,但其實是在替 AI 畫出「思考的邊界」。
有了邊界,AI 才比較有機會產生符合現實的答案。
沒有邊界,AI 很容易產生一個看起來合理,但其實和你的專案情境不一定相符的回答。
缺乏 Context 的代價:AI 不是通靈,而是在猜
我們常說 AI 會產生幻覺,但很多時候,幻覺並不是突然發生的。
它往往來自資訊不足。
資訊不足時,AI 會傾向根據常見模式、一般經驗或語言上的合理性來補完答案。
這時候,它不是在理解你的專案,而是在猜測你的專案。
以「現在幾點鐘?」這個簡單問題來看,如果 AI 不知道你的時區、地點與目前時間,就可能給出錯誤或過時資訊。
如果 AI 不知道你正在辦公室、對方正在座位用餐,也無法理解這句話可能是在提醒對方遵守公司規範。
如果 AI 不知道會議即將開始、你們的角色關係與當下場景,也無法理解這句話可能是在催促大家準備進會議室。
這就是缺乏 Context 的代價。
AI 不一定知道你所在的位置、公司內部規範、專案歷史、利害關係人關注點,也不一定知道這句話在這個情境下真正代表什麼意思。
如果我們沒有提供足夠的情境,AI 就只能用一般化的方式回答。
這也是為什麼同樣一句 Prompt,有時候得到的答案很精準,有時候卻只是泛泛而談。
PM 的 Context 建構工具箱
對 PM、BA 或顧問來說,與其追求一個萬用 Prompt,不如先學會建立 Context。
我會建議可以從以下幾個面向來思考:
1. 任務目標
這次要 AI 協助的是什麼?
是需求釐清、風險盤點、功能拆解、規格撰寫、會議紀錄整理,還是方案比較?
目標不同,AI 需要的 Context 也不同。
2. 業務目的
這個需求背後真正要解決的問題是什麼?
例如,開發逾期繳款通知信,不只是「多寄一封 Email」,而是希望降低逾期繳款問題、減少人工追蹤成本,或提升客戶提醒效率。
如果 AI 不知道業務目的,就很容易只針對表面功能提供建議。
3. 使用者與限制條件
誰會使用這個功能?誰會受到影響?時程、預算、人力、技術、營運流程、客服負擔或資料品質有哪些限制?
限制不是阻礙 AI 發揮,而是讓 AI 的建議更貼近現實。
4. 合規、風險與成功標準
如果需求涉及個資、資安、通知同意、稽核紀錄或內部規範,這些都必須明確告訴 AI。
同時,也要讓 AI 知道什麼樣的結果才算成功。
是降低客服來電?減少逾期率?提高通知到達率?縮短作業時間?還是讓使用者更容易完成操作?
如果沒有成功標準,AI 很難判斷哪些建議比較重要。
Context 不限於對話框:多元載體也很重要
很多人提供 Context 的方式,是把背景資料直接寫進 Prompt 裡。
這當然有效,但不是唯一方式。
現在許多 AI 工具已經可以處理不同類型的資料,因此 Context 不一定只能存在於對話框中。
它也可以來自會議紀錄、Office 文件、PDF、系統截圖、流程圖、表單掃描檔、使用者回饋、系統規格、操作手冊、規章辦法、既有需求文件或專案風險清單。
這些都是 Context 的多元載體。
例如,在前一篇文章的「盤點假設」模板中,如果開發逾期繳款通知信這件事其實已經開過會議,那我們不一定要手動摘要所有內容。
我們可以把會議紀錄提供給 AI,請它先整理出已知需求、已決定事項、尚未釐清的問題、潛在假設、可能風險,以及需要再追問的利害關係人。
這樣做的好處,不只是少打一些字,而是 AI 取得的情境資訊,可能比我們臨時摘要給它的內容更完整。
不過,這裡也要提醒一點:如果使用的是雲端 AI 工具,提供資料前一定要注意 token 消耗、公司機密、客戶資料、個資與資訊安全問題。
Context 越完整,AI 的判斷越有機會接近真實情境;但 Context 越敏感,資料治理與資安控管也越重要。
複雜任務更需要 Context Stack
任務越複雜,Context 的顆粒度就要越細。
例如,你想把某類紙本表單轉成一個可在網頁上填寫的電子表單。這可能是 PM、BA、顧問或開發團隊在導入 AI-assisted development,甚至 vibe coding 時會遇到的情境。
如果你只對 AI 說:「請幫我做一個請購申請電子表單。」
通常只會得到一個通用、無法落地的模板。
因為這句話只有任務,沒有脈絡。
比較好的做法,是替 AI 建立一個 Context Stack,分層提供它判斷與拆解任務所需要的依據。
這些 Context 大致可分成四類:
第一,原始資料與欄位規則。包含空白表單、已填寫範例、欄位定義、必填選填、日期格式、欄位相依關係等。
第二,業務目的與作業流程。包含為什麼要電子化、要改善什麼問題、送出後由誰處理、是否需要審核或通知。
第三,使用者角色與技術環境。包含誰填寫、誰審核、誰查詢,以及要支援什麼裝置、瀏覽器、語言或系統架構。
第四,資安合規與驗收標準。包含資料保護、權限控管、稽核紀錄,以及怎樣才算完成。
重點不是列出幾層,而是讓 AI 不要只看見一個單一指令,而是看見完整的任務脈絡。
任務越複雜,就越不能期待 AI 通靈。
你給它越充分的依據,它才越有機會做出正確的拆解。
不要 Data Dump,要分批餵食
不過,提供 Context 並不代表要一次把所有資料全部丟給 AI。
這種做法很像 Data Dump,看起來很完整,但其實有幾個風險。
AI 可能需要更長時間處理,也可能消耗大量 token;更重要的是,重要資訊可能被淹沒在大量資料裡,導致 AI 抓錯重點。
如果資料涉及機密或個資,資安風險也會增加。
比較好的做法,是採用分批餵食策略。也就是先建立基底,再逐步疊加限制,最後才請 AI 進行整體分析。
例如你可以這樣做:
Step 1:建立基底
「我會先提供專案背景。請你先整理重點、已知事實與可能假設,不要急著提出解決方案。」
Step 2:疊加限制
「接下來我會提供會議紀錄、限制條件與目前已知問題。請你更新前面的整理,並標示哪些問題仍需要釐清。」
Step 3:啟動分析
「資料提供完畢。現在請你根據以上 Context,協助我分析需求背後的隱藏假設、主要風險,以及下一步應該追問的問題。」
這樣做的目的,是讓 AI 先消化脈絡,而不是太早跳進解法。
對 PM 來說,這點特別重要。因為很多時候,我們真正需要的不是 AI 立刻給答案,而是先協助我們把需求、限制、假設與風險整理清楚。
好的 AI 協作,不是神奇咒語,而是情境建構
同一句 Prompt,在缺乏 Context 時,AI 往往只能給出泛泛而談的建議。
但當我們提供足夠的前情提要、限制條件、角色立場、已知風險與業務目標時,AI 就比較有機會協助我們看見真正重要的問題、未被說出口的假設,以及需求背後的業務意圖。
高品質輸出 = 清晰的指令 + 充足的邊界
好的 AI 回應,從來不是來自一句神奇的 Prompt,而是建構完整的情境。
當你學會給予 Context,才是真正開始學會與 AI 協作。
