Capture record
- Canonical URI: https://www.bnext.com.tw/article/92713/ai-prompts-avoid-generic-answers
- Source class: secondary synthesis/reporting(BusinessNext 整理 Verbalized Sampling 論文與 Felix Rieseberg 文章,歸納 6 招提示詞技巧);本筆支持文章自身敘事,研究數字以論文摘要為 owning source。1
- 作者/出版者: JSON-LD
author.name=蘇柔瑋(正文結尾註記「本文初稿為 AI 編撰,整理・編輯/蘇柔瑋」);publisher=數位時代 BusinessNext。1 - 發布時間: 2026-10-21T09:51:00+08:00(JSON-LD
datePublished/dateModified相同)。1 - 擷取時間: 2026-10-21T04:20:54Z;直接 HTTP GET 取得頁面與 JSON-LD
NewsArticle,articleBody7,216 字。 - Retrieval method:
web_extract讀取 BusinessNext canonical page 失敗(Exa backend「Unrecognized MCP response shape」);改以 Python 標準函式庫urllib.request直接 HTTP GET 取得完整 HTML、response headers 與 JSON-LDNewsArticle。上游第一方核對:web_search+web_extract讀取 arXiv:2510.01171 abstract page(v4)、ICML 2026 virtual site poster 頁、Felix Rieseberg 個人部落格原文全文。全程未使用 browser、browser process 或 proxy。1 - HTTP metadata: status
200;HTML 464,830 bytes、SHA-2565f956dcbb0425087e7bae6d1c53bfe452a572d299ec781924d2dc408163a2fe7;articleBodySHA-25654e838e608c32cf37b0260b4e84b8a219ca7e820fcb23c291f8ce562b42189dd;responseDate: Wed, 21 Oct 2026 04:20:54 GMT。 - Saved payloads and rights boundary: 僅保存 metadata、忠實摘要、claim ledger 與短摘錄,不保存完整 HTML 或完整 articleBody payload。
Faithful summary
文章以「請 AI 從 1 到 10 選數字,為何常選 7」的 Opper「AI Roundtable」測試(GPT-5.4、Claude Opus 4.7、Grok 4.20 與 Gemini 3.1 Pro 四模型中三個都選 7)引出 AI 回答趨同現象,並指出可能原因來自訓練過程中的「典型性偏誤」(Typicality Bias)。文章引用 2025 年 10 月發表、2026 年獲 ICML 收錄的論文《Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity》,說明對齊訓練後模型可能出現「模式崩塌」(Mode Collapse),以及 training-free 的「口語化取樣」(Verbalized Sampling)提示詞技巧。1
文章主體整理 Anthropic 工程主管 Felix Rieseberg 2026-10-13 發表的〈How to be more ambitious: A tutorial for humans with models〉,歸納出 6 招適用於 ChatGPT、Claude、Gemini 的提示詞技巧(各附可複製 prompt 範本):(1) 先給 AI 自己的判斷與原始資料再請它檢驗;(2) 用外部工具與數據驗證結果而非讓模型自我評分;(3) 一次要 5 個答案並標示估計機率(口語化取樣);(4) 用「頂尖專業人士會怎麼做」四問把回答改得更深入而非更長;(5) 指定工具和方法(資料庫、統計模型)讓分析更專業,可故意設定更有挑戰性的目標;(6) 把任務從名詞改寫成動詞並組成跨領域專業團隊(含質疑角色)。文章最後列出四項使用限制:答案特別不等於品質更好、AI 標示機率非校準統計、缺乏原始資料時提示詞有侷限、重要成果仍需外部驗證。1
Claim ledger
| ID | Source claim | Status | Owning evidence and boundary |
|---|---|---|---|
| C01 | BusinessNext 92713 的標題、作者「蘇柔瑋」(初稿 AI 編撰)、發布時間 2026-10-21T09:51+08:00 與文章正文。 | supported | BusinessNext 直接 HTTP GET 的 JSON-LD NewsArticle 與 articleBody。1 |
| C02 | Post-training alignment 降低 LLM diversity(mode collapse);根本原因為 preference data 中的 typicality bias(標注者系統性偏好熟悉文字)。 | supported | arXiv:2510.01171 abstract(v4,Zhang et al.,Northeastern/Stanford/WVU)直接核對。2 |
| C03 | Verbalized Sampling 為 training-free prompting;創意寫作任務多樣性提升 1.6–2.1 倍,且未觀察到事實正確性與安全性下降。 | supported | arXiv:2510.01171 abstract 直接核對(「increases diversity by 1.6-2.1x over direct prompting…without sacrificing factual accuracy and safety」)。2 |
| C04 | 論文 2025-10-01 提交 arXiv(v1)、2026-07-15 v4,並獲 ICML 2026 poster 收錄。 | supported | arXiv submission history 與 icml.cc/virtual/2026/poster/60489 直接核對;BusinessNext「2025 年 10 月發表、2026 年獲 ICML 收錄」敘述一致。2 |
| C05 | Felix Rieseberg 為 Anthropic EM,曾主導 Claude.ai、Cowork 與 Code Desktop 工程;〈How to be more ambitious〉發表於 2026-10-13。 | supported | felixrieseberg.com 個人部落格原文(自述「I’m an EM at Anthropic…led engineering for Claude.ai, Cowork, and Claude Code Desktop」)與文章頁直接核對;BusinessNext 稱其「工程主管」一致。3 |
| C06 | Rieseberg 提出 Speed/Altitude/Depth/Range 四類 ambition,及 Depth(堅持專業工具、不合理目標如 5s→200ms、對抗性檢查假設、「deeper not bigger」prompt)、Range(名詞改動詞、組跨領域團隊含 short seller/forensic accountant)等具體做法。 | supported | felixrieseberg.com 原文全文直接核對;BusinessNext 6 招為其內容與口語化取樣的整理重述,未見歪曲。3 |
| C07 | Rieseberg 主張重要產出應以外部驗證(工具、數據或專家)而非模型自我評分;截至 2026 年 10 月他仍建議優先獨立驗證。 | supported | felixrieseberg.com 原文「Use an outside judge…in October 2026, I implore you to insist on outside validation」直接核對。3 |
| C08 | Opper「AI Roundtable」測試中 GPT-5.4、Claude Opus 4.7、Grok 4.20 均選 7,Gemini 3.1 Pro 選 4。 | partially-supported | BusinessNext 轉述第三方平台單一案例;本輪未讀取 Opper 原始測試紀錄,且文章自認「無法證明 AI 在所有情況下都會選 7」。1 |
| C09 | Ruben Hassid(《How to AI》電子報)主張使用者應保留自己的品味與判斷。 | partially-supported | BusinessNext 文末列為資料來源(2026-10-16 期);本輪未讀取該電子報原文。1 |
| C10 | Claude「Instructions for Claude」個人化設定與「Project instructions」(FAQ Q4)。 | unresolved | BusinessNext FAQ 陳述,截至 2026 年 10 月口徑;本輪未讀取 Anthropic 官方說明中心原文。1 |
| C11 | 本輪已直接讀取 arXiv:2510.01171 abstract page、ICML 2026 poster 頁與 felixrieseberg.com 全文;未讀取論文 PDF 全文(83 頁)、Opper 原始測試或 Hassid 電子報。 | supported | 本筆 evidence boundary;未加入 verified。1 |
Evidence boundary
本筆可支持的最小結論是:BusinessNext 2026-10-21 文章以 Verbalized Sampling 論文(arXiv:2510.01171,ICML 2026)與 Felix Rieseberg 2026-10-13 個人部落格為主要上游來源,整理 6 招提示詞技巧以降低 AI「平均答案」;其中 typicality bias/mode collapse 機制與 1.6–2.1 倍多樣性提升經論文摘要第一方核對(supported),Rieseberg 的 Depth/Range 框架與外部驗證主張經原文全文核對(supported)。Opper 選數字測試為第三方單一案例(partially-supported);「AI 標示機率非校準統計」「重要成果需外部驗證」屬來源建議而非已驗證事實;本輪未把任何技巧宣稱升格為普遍效果保證。
Sources skipped or not directly read
- arXiv:2510.01171 PDF 全文(83 頁、44 tables):本輪僅讀取 abstract page 與 ICML poster 摘要,未逐表核對實驗設定。
- Opper「AI Roundtable」原始測試頁面/紀錄:BusinessNext 轉述,本輪未取得第一方材料。
- Ruben Hassid《How to AI》電子報 2026-10-16 期〈Never ask AI for taste.〉:文末資料來源,本輪未讀取原文。
- Anthropic Claude 說明中心〈Understanding Claude’s personalization features〉:FAQ Q4 所引,本輪未讀取。
- BusinessNext 延伸閱讀(92573「盲點巡查」、選數字測試相關文章):僅作頁面內連結,未獨立核對。
- 全程未使用 browser、browser process、proxy 或互動式登入繞過限制。
Selected source excerpt
- 「研究指出,人們在評估文字品質時,通常更偏好熟悉、流暢、容易預測的內容。當 AI 根據這些人類偏好資料持續訓練,就可能提高常見答案的出現機率。」
- 「研究結果顯示,在詩歌、故事與笑話等創意寫作任務中,這項方法能讓答案多樣性提升至一般直接提問的 1.6~2.1 倍,且實驗未觀察到事實正確性與安全性因此下降。」(經 arXiv:2510.01171 abstract 核對)
- 「AI 標示的機率是模型自行估計的數字,不能直接當成真實統計結果。」
Footnotes
-
BusinessNext(蘇柔瑋;初稿 AI 編撰),〈請AI從1到10選數字,怎麼老是選「7」?6招提示詞,教你避開「平均答案」〉,2026-10-21;https://www.bnext.com.tw/article/92713/ai-prompts-avoid-generic-answers。 ↩ ↩2 ↩3 ↩4 ↩5 ↩6 ↩7 ↩8 ↩9 ↩10 ↩11
-
Zhang, J., Yu, S., Chong, D., Sicilia, A., Tomz, M. R., Manning, C. D., & Shi, W. (2025). Verbalized Sampling: How to Mitigate Mode Collapse and Unlock LLM Diversity. arXiv:2510.01171v4(ICML 2026 poster);https://arxiv.org/abs/2510.01171。 ↩ ↩2 ↩3
-
Rieseberg, F. (2026-10-13). How to be more ambitious: A tutorial for humans with models. felixrieseberg.com;https://felixrieseberg.com/how-to-be-more-ambitious-a-tutorial-for-humans-with-models/。 ↩ ↩2 ↩3