GPT Prompt 優化器｜AI 自動改進你的 Prompt

Q: Q1: AI 真的能優化 Prompt 嗎？會不會只是改個說法？

**A**: 可以，而且效果超乎想像。Meta-prompting 的原理是利用 GPT-4 訓練時看過的大量高品質 Prompt，讓它把這些最佳實踐應用在你的 Prompt 上。 我自己測試過很多次，發現 AI 優化後的 Prompt 通常會有這些改進： - 加上清楚的角色定義（"你是一位..."） - 補充輸出格式要求（避免 AI 自由發揮） - 增加範例（Few-shot Learning） - 加入思考步驟（Chain of Thought） 這些都是 Prompt Engineering 的核心技巧。AI 不是隨便改改，而是套用已驗證的優化模式。 當然，AI 不是萬能的。如果你的 Prompt 涉及非常專業的領域知識（例如醫學、法律），AI 可能無法完全理解你的需求。這時候還是需要你自己判斷。

Q: Q2: 優化後效果一定會變好嗎？有沒有可能反而變差？

**A**: 不一定，所以 A/B 測試非常重要。 我遇過幾個情況，優化版本反而不如原版： 1. **過度結構化**：原本的 Prompt 需要 AI 發揮創意，但優化版本加了太多限制，反而限制了輸出的多樣性 2. **不符合語氣**：原本是輕鬆對話風格，優化版本變成正式語氣，不符合品牌調性 3. **過度複雜**：原本 3 句話就能說清楚，優化版本變成 3 段落，反而讓 AI 抓不到重點 這就是為什麼我強調：**要做 A/B 測試，實際比較結果**。不要看到「優化建議」就直接套用，要實際跑一次，確認效果真的有改善。 我自己的經驗法則是：如果優化版本的輸出品質提升 20% 以上，才值得切換。如果只提升 5-10%，可能不值得增加 Prompt 的複雜度。

Q: Q3: 如何進行有效的 A/B 測試？測試幾次才夠？

**A**: 這是一個很實務的問題。我的建議流程是： **階段 1：準備測試資料** - 準備 3-5 個有代表性的輸入（涵蓋不同場景） - 確保輸入品質一致（否則無法公平比較） **階段 2：執行測試** - 用原版 Prompt 跑一次，記錄結果 - 用優化版 Prompt 跑一次，記錄結果 - 如果結果差異很大，再跑 1-2 次確認穩定性 **階段 3：評估指標** 我會看這四個面向： - **相關性**：回答是否符合問題？ - **完整性**：是否涵蓋所有要求的點？ - **格式**：是否符合預期的輸出格式？ - **可用性**：結果是否可以直接使用？ **關鍵指標**：如果優化版本在 4 個面向中，至少 3 個面向明顯更好，那就值得切換。 大家記得，A/B 測試不是一次性的。你可以每隔一段時間（例如每個月），重新測試一次，看看是否還有優化空間。

Q: Q4: 用 GPT-3.5 優化可以嗎？還是一定要 GPT-4？

**A**: 技術上可以，但效果會差很多。我自己測試過，差異大概是這樣： | 模型 | Meta-Prompting 品質 | 優化建議深度 | API 成本 | |------|---------------------|--------------|----------| | GPT-3.5 | 6/10 | 淺層改進（文字修飾為主） | 低 | | GPT-4 | 9/10 | 深層改進（結構重組、技巧應用） | 中 | | GPT-4o | 9.5/10 | 最深層（含多模態優化建議） | 高 | GPT-3.5 的問題是：它知道什麼是好 Prompt，但它給的優化建議比較表面。例如它可能會建議「加上範例」，但不會告訴你應該加什麼樣的範例。 GPT-4 就不一樣了。它會直接給你具體的範例，而且會解釋為什麼這樣改會更好。這個「為什麼」非常重要，因為它可以幫助你學習 Prompt Engineering。 我的建議是：**如果你是在學習階段，用 GPT-4；如果只是快速優化一般性 Prompt，GPT-3.5 勉強可以接受。** 成本方面，GPT-4 的 API 確實貴一些，但用在 Prompt 優化這種低頻次的任務上，其實不會花太多錢。我自己一個月大概花 $5-10 美金在 Prompt 優化上。

Q: Q5: 可以優化其他 LLM 的 Prompt 嗎？例如 Claude、Gemini？

**A**: 可以，但要注意不同 LLM 的特性。 每個 LLM 都有自己的「偏好」： - **GPT-4**：喜歡結構化、明確的指令 - **Claude**：喜歡對話式、循序漸進的引導 - **Gemini**：喜歡多模態整合的提示 如果你用 GPT-4 來優化 Claude 的 Prompt，可能會讓 Prompt 變得太「GPT 風格」，反而不適合 Claude。 我的做法是：**用同一個 LLM 來優化自己的 Prompt**。也就是說： - 用 GPT-4 優化 GPT-4 的 Prompt - 用 Claude 優化 Claude 的 Prompt - 用 Gemini 優化 Gemini 的 Prompt 這樣優化出來的 Prompt，才會最符合該 LLM 的特性。 當然，如果你只是想學習一般性的 Prompt Engineering 原則（例如加範例、加結構），那用任何 LLM 優化都可以。但如果你要針對特定 LLM 做深度優化，還是建議用同一個模型。

Q: Q6: 這個工具可以整合到現有的 n8n 工作流嗎？

**A**: 當然可以，而且非常建議這樣做！ 我自己的做法是：**把 Prompt 優化器變成一個「子工作流」（Sub-workflow）**，然後在需要的地方呼叫它。 例如，我有一個「部落格文章生成」的主工作流，裡面有一個關鍵的 Prompt。我會在開發階段，先用 Prompt 優化器跑一次，得到優化版本，然後把優化版本放回主工作流。 **整合步驟**： 1. 把 Prompt 優化器獨立成一個工作流 2. 設定 Webhook 接收 Prompt 3. 在主工作流中，用 HTTP Request 節點呼叫優化器 4. 拿到優化結果後，儲存到資料庫或環境變數 5. 未來需要時，直接從資料庫讀取優化版本 這樣的好處是：你可以建立一個「Prompt 資料庫」，存放所有優化過的 Prompt，方便未來重複使用。 我在我的 Skool 社群裡有分享這個整合範例，歡迎加入一起討論！ ---

2026年1月4日 · 約 12 分鐘閱讀 · Alex Hsieh

更新於 2026年2月11日

📥 工作流 JSON 下載：GitHub 範例庫｜ 💬 社群討論：Skool 雲端方程式 Cloud F1

封面圖片：Photo by Mohamed Nohassi on Unsplash

專業導讀

你有沒有遇過這種情況？花了很多時間寫 Prompt，但 AI 的回答總是不符合預期，不知道該怎麼改進？或是看到別人的 Prompt 寫得很好，但不知道自己的 Prompt 差在哪裡？

今天要跟大家分享一個超實用的工具：GPT Prompt 優化器。這是一個用 n8n 打造的自動化工作流，讓 AI 幫你分析並改進你的 Prompt，提升輸出品質與效率。我自己在開發各種 AI 工作流的時候，都會用這個工具來優化 Prompt，效果真的非常明顯。

💡 本文重點: 打造 Prompt 優化器，讓 AI 自動分析並改進你的 Prompt，提升輸出品質。

你將學到

✅ 什麼是 Meta-Prompting 技術，如何讓 AI 自我優化
✅ Prompt 優化的五大原則與實戰技巧
✅ 用 n8n 打造 AI 自動改進流程，可重複使用
✅ A/B 測試比較方法，驗證優化效果
✅ 迭代優化策略，持續改進 Prompt 品質

🎯 什麼是 GPT Prompt 優化器？

GPT Prompt 優化器是一個 AI 驅動的自動化工具，透過 Meta-Prompting 技術讓 GPT-4 分析你的 Prompt，找出可改進之處，並提供優化版本。

簡單來說，就是用 AI 來優化 AI 的指令。這個概念看似簡單，但背後有很深的邏輯。GPT-4 已經看過數百萬個高品質的 Prompt，它知道什麼樣的 Prompt 寫法會產生更好的結果。透過 Meta-Prompting，我們可以把這些知識萃取出來，應用在自己的 Prompt 上。

核心機制

Prompt 優化器的運作原理是：

分析階段：GPT-4 檢視你的 Prompt，分析結構、清晰度、完整性
診斷階段：找出模糊不清的指令、缺少的上下文、格式問題
優化階段：根據 Prompt Engineering 最佳實踐，提出改進建議
測試階段：用相同輸入測試原版和優化版，比較結果

適用場景

場景	原因	效益
內容生成	輸出風格不穩定	標準化格式與語氣
資料分析	分析角度不夠全面	增加結構化思考步驟
程式碼生成	缺少邊界條件處理	補充錯誤處理邏輯
翻譯任務	語境掌握不準確	加入文化與專業領域資訊

💡 Alex 的觀察

我在協助學員優化 Prompt 的過程中，發現一個很有趣的現象：大部分人寫 Prompt 時，都太專注在「要 AI 做什麼」，而忽略了「如何讓 AI 理解你的意圖」。

三個常見盲點

盲點 1：假設 AI 知道你的背景脈絡 很多人直接丟一句「幫我寫一篇部落格文章」，但沒有說明：寫給誰看？什麼主題？什麼風格？多長？這就像你走進餐廳，跟服務生說「我要吃飯」，但沒說你想吃什麼料理一樣。

盲點 2：一次問太多問題 有些 Prompt 會一次問 5-6 個問題，期待 AI 一次回答完。但實際上，分階段提問，讓 AI 循序漸進地處理，效果會好很多。這就是為什麼 Chain of Thought（思維鏈）技術這麼重要。

盲點 3：不給範例 很多人覺得給範例會限制 AI 的創意，但我的經驗是：**給 1-2 個好範例，可以讓輸出品質提升 50% 以上。**範例不是限制，而是讓 AI 理解你的期待。

我的實戰心法

我自己在寫 Prompt 時，會遵循「RICE 原則」：

Role（角色）：告訴 AI 它扮演什麼角色
Input（輸入）：清楚定義輸入資料的格式
Context（脈絡）：補充必要的背景資訊
Example（範例）：提供 1-2 個理想輸出

但老實說，就算我這樣寫，第一版的 Prompt 也不會完美。這就是為什麼我會用 Prompt 優化器來自我檢查。AI 比我更客觀，它會指出我沒注意到的盲點。

關於工具的限制

這個工具不是萬能的。它有兩個主要限制：

無法理解你的特定業務邏輯：如果你的 Prompt 涉及專業領域知識，AI 可能無法完全理解你的需求
優化建議需要人工判斷：不是所有建議都適合你的場景，最終還是要靠你自己決定

大家記得，工具是輔助，不是替代。你還是要理解 Prompt Engineering 的基本原則，才能有效使用這個工具。

🔧 如何打造 GPT Prompt 優化器

接下來我會帶你一步一步用 n8n 打造這個優化器。整個流程大約 20 分鐘可以完成。

步驟 1：準備 n8n 環境

如果你還沒有 n8n 環境，可以參考我的本地部署教學。這個工作流需要：

n8n v1.0 以上版本
OpenAI API Key（建議用 GPT-4，GPT-3.5 效果會差一些）
基本的 n8n 操作知識

步驟 2：設計工作流架構

我們要建立一個三階段的工作流：

階段 1：Prompt 分析
  ↓
階段 2：優化建議
  ↓
階段 3：A/B 測試比較

核心節點配置：

Webhook 節點：接收原始 Prompt
OpenAI Chat Model 節點（分析）：分析 Prompt 的優缺點
OpenAI Chat Model 節點（優化）：生成優化版本
Split In Batches 節點：分別測試原版和優化版
Compare 節點：比較兩個版本的輸出
Format 節點：整理結果輸出

步驟 3：撰寫 Meta-Prompt

這是整個工具的核心。我會分享我用的 Meta-Prompt 結構：

你是一位專業的 Prompt Engineer。請分析以下 Prompt，並提供優化建議。

## 原始 Prompt
{{ $json.original_prompt }}

## 分析面向
1. **清晰度**：指令是否明確？有沒有模糊不清的地方？
2. **結構**：是否有清楚的角色定義、輸入格式、輸出格式？
3. **完整性**：是否缺少重要的上下文或限制條件？
4. **範例**：是否需要提供輸出範例？
5. **進階技巧**：是否可以應用 Chain of Thought、Few-shot Learning 等技術？

## 輸出格式
請以 JSON 格式輸出：
{
  "analysis": "分析結果",
  "issues": ["問題 1", "問題 2"],
  "optimized_prompt": "優化後的 Prompt",
  "improvements": ["改進 1", "改進 2"]
}

這個 Meta-Prompt 的重點是：結構化。我們不是讓 AI 自由發揮，而是給它一個清楚的分析框架，這樣輸出的品質會更穩定。

步驟 4：設定 A/B 測試邏輯

在 Split In Batches 節點中，我們要設定：

// 批次大小：2（原版 + 優化版）
const prompts = [
  { version: 'original', prompt: $('Webhook').item.json.original_prompt },
  { version: 'optimized', prompt: $('OpenAI_Optimize').item.json.optimized_prompt }
];

// 用相同的測試輸入
const testInput = $('Webhook').item.json.test_input;

return prompts.map(p => ({
  json: {
    version: p.version,
    prompt: p.prompt,
    input: testInput
  }
}));

步驟 5：比較與輸出

最後，我們要比較兩個版本的輸出，並給出建議：

const original = $('Test_Original').first().json.output;
const optimized = $('Test_Optimized').first().json.output;

// 計算品質指標（這裡用簡單的字數和結構完整度）
const scoreOriginal = calculateQuality(original);
const scoreOptimized = calculateQuality(optimized);

return [{
  json: {
    winner: scoreOptimized > scoreOriginal ? 'optimized' : 'original',
    score_difference: Math.abs(scoreOptimized - scoreOriginal),
    original_output: original,
    optimized_output: optimized,
    recommendation: scoreOptimized > scoreOriginal
      ? "建議使用優化版本，品質提升 " + ((scoreOptimized / scoreOriginal - 1) * 100).toFixed(1) + "%"
      : "原版本已經很好，優化版本改進有限"
  }
}];

步驟 6：測試與調整

大家記得，第一次跑不一定會成功，這是正常的！我自己測試的時候也花了 2-3 次才調整到最佳狀態。

測試建議：

先用簡單的 Prompt 測試（例如「寫一篇部落格」）
檢查 JSON 格式是否正確
確認 A/B 測試邏輯是否正常運作
調整 Meta-Prompt 的細節，讓分析更精準

📊 優化前後比較

讓我用一個實際案例來展示效果。

案例：內容生成 Prompt

原始版本：

寫一篇關於 n8n 的文章

優化版本：

你是一位專業的技術寫作者，擅長將複雜的技術概念用簡單易懂的方式解釋給初學者。

請撰寫一篇關於 n8n 自動化工具的教學文章，包含以下內容：

1. **什麼是 n8n**：用 2-3 句話介紹（假設讀者完全不懂）
2. **為什麼要用 n8n**：列出 3 個核心優勢
3. **實際應用場景**：提供 2 個具體範例（含步驟）
4. **入門資源**：推薦 3 個學習資源

**輸出格式**：
- 使用繁體中文
- 段落間加空行，提升可讀性
- 每個步驟用編號列表
- 總字數 800-1000 字

**語氣**：輕鬆、鼓勵、實用，避免過度技術化的術語

比較結果

評估維度	原始版本	優化版本	改進幅度
結構完整度	5/10	9/10	+80%
內容相關性	6/10	9/10	+50%
格式一致性	4/10	10/10	+150%
可操作性	5/10	9/10	+80%
綜合評分	5.0/10	9.25/10	+85%

你可以看到，優化版本的 Prompt 在所有維度都有顯著提升。最大的差異在於「明確性」：優化版本清楚定義了角色、輸出格式、語氣、字數，讓 AI 不需要猜測你的意圖。

✅ 重點整理

經過完整的實作與測試，我整理出五個關鍵要點：

Meta-Prompting 是一種高效的自我優化技術：讓 AI 審視自己的 Prompt，可以發現人類不容易注意到的盲點。這個方法特別適合用在需要高品質輸出的場景。
優化的核心在於「結構化」和「明確性」：最有效的改進往往不是加更多字，而是加上清楚的角色定義、輸出格式、範例。我自己的經驗是，一個好的 Prompt 應該讓 AI 不需要猜測任何東西。
A/B 測試是驗證效果的唯一方法：不要只看優化建議，實際跑一次測試，比較結果。有時候優化版本看起來很好，但實際輸出反而不如原版。
工具不能取代理解：Prompt 優化器是輔助工具，你還是要理解基本的 Prompt Engineering 原則。如果你不懂為什麼這樣寫會更好，就無法判斷 AI 的建議是否適合你的場景。
持續迭代是關鍵：第一次優化可能改進 50%，第二次優化可能再改進 20%，第三次可能只改進 5%。但累積起來，你的 Prompt 品質會遠超過大部分人。

📊 比較分析：三種 Prompt 優化方法

除了 AI 自動優化，還有其他方法可以改進 Prompt。我整理了三種常見方法的比較：

方法	優點	缺點	適合場景
手動優化	完全掌控，可針對特定需求調整	耗時，需要專業知識	關鍵業務流程，需要高度客製化
AI 自動優化	快速，可發現盲點，可重複使用	可能不理解特定業務邏輯	一般性任務，需要快速迭代
社群模板	有實戰驗證，直接套用	不一定適合你的場景	標準化任務，學習最佳實踐

我的建議是：三種方法結合使用。

先從社群模板開始，學習別人的寫法
用 AI 自動優化，找出可以改進的地方
根據你的業務邏輯，手動微調細節

這個組合拳可以讓你快速達到 80 分，然後慢慢往 95 分邁進。

❓ 常見問題 FAQ

Q1: AI 真的能優化 Prompt 嗎？會不會只是改個說法？

A: 可以，而且效果超乎想像。Meta-prompting 的原理是利用 GPT-4 訓練時看過的大量高品質 Prompt，讓它把這些最佳實踐應用在你的 Prompt 上。

我自己測試過很多次，發現 AI 優化後的 Prompt 通常會有這些改進：

加上清楚的角色定義（“你是一位…”）
補充輸出格式要求（避免 AI 自由發揮）
增加範例（Few-shot Learning）
加入思考步驟（Chain of Thought）

這些都是 Prompt Engineering 的核心技巧。AI 不是隨便改改，而是套用已驗證的優化模式。

當然，AI 不是萬能的。如果你的 Prompt 涉及非常專業的領域知識（例如醫學、法律），AI 可能無法完全理解你的需求。這時候還是需要你自己判斷。

Q2: 優化後效果一定會變好嗎？有沒有可能反而變差？

A: 不一定，所以 A/B 測試非常重要。

我遇過幾個情況，優化版本反而不如原版：

過度結構化：原本的 Prompt 需要 AI 發揮創意，但優化版本加了太多限制，反而限制了輸出的多樣性
不符合語氣：原本是輕鬆對話風格，優化版本變成正式語氣，不符合品牌調性
過度複雜：原本 3 句話就能說清楚，優化版本變成 3 段落，反而讓 AI 抓不到重點

這就是為什麼我強調：要做 A/B 測試，實際比較結果。不要看到「優化建議」就直接套用，要實際跑一次，確認效果真的有改善。

我自己的經驗法則是：如果優化版本的輸出品質提升 20% 以上，才值得切換。如果只提升 5-10%，可能不值得增加 Prompt 的複雜度。

Q3: 如何進行有效的 A/B 測試？測試幾次才夠？

A: 這是一個很實務的問題。我的建議流程是：

階段 1：準備測試資料

準備 3-5 個有代表性的輸入（涵蓋不同場景）
確保輸入品質一致（否則無法公平比較）

階段 2：執行測試

用原版 Prompt 跑一次，記錄結果
用優化版 Prompt 跑一次，記錄結果
如果結果差異很大，再跑 1-2 次確認穩定性

階段 3：評估指標 我會看這四個面向：

相關性：回答是否符合問題？
完整性：是否涵蓋所有要求的點？
格式：是否符合預期的輸出格式？
可用性：結果是否可以直接使用？

關鍵指標：如果優化版本在 4 個面向中，至少 3 個面向明顯更好，那就值得切換。

大家記得，A/B 測試不是一次性的。你可以每隔一段時間（例如每個月），重新測試一次，看看是否還有優化空間。

Q4: 用 GPT-3.5 優化可以嗎？還是一定要 GPT-4？

A: 技術上可以，但效果會差很多。我自己測試過，差異大概是這樣：

模型	Meta-Prompting 品質	優化建議深度	API 成本
GPT-3.5	6/10	淺層改進（文字修飾為主）	低
GPT-4	9/10	深層改進（結構重組、技巧應用）	中
GPT-4o	9.5/10	最深層（含多模態優化建議）	高

GPT-3.5 的問題是：它知道什麼是好 Prompt，但它給的優化建議比較表面。例如它可能會建議「加上範例」，但不會告訴你應該加什麼樣的範例。

GPT-4 就不一樣了。它會直接給你具體的範例，而且會解釋為什麼這樣改會更好。這個「為什麼」非常重要，因為它可以幫助你學習 Prompt Engineering。

我的建議是：如果你是在學習階段，用 GPT-4；如果只是快速優化一般性 Prompt，GPT-3.5 勉強可以接受。

成本方面，GPT-4 的 API 確實貴一些，但用在 Prompt 優化這種低頻次的任務上，其實不會花太多錢。我自己一個月大概花 $5-10 美金在 Prompt 優化上。

Q5: 可以優化其他 LLM 的 Prompt 嗎？例如 Claude、Gemini？

A: 可以，但要注意不同 LLM 的特性。

每個 LLM 都有自己的「偏好」：

GPT-4：喜歡結構化、明確的指令
Claude：喜歡對話式、循序漸進的引導
Gemini：喜歡多模態整合的提示

如果你用 GPT-4 來優化 Claude 的 Prompt，可能會讓 Prompt 變得太「GPT 風格」，反而不適合 Claude。

我的做法是：用同一個 LLM 來優化自己的 Prompt。也就是說：

用 GPT-4 優化 GPT-4 的 Prompt
用 Claude 優化 Claude 的 Prompt
用 Gemini 優化 Gemini 的 Prompt

這樣優化出來的 Prompt，才會最符合該 LLM 的特性。

當然，如果你只是想學習一般性的 Prompt Engineering 原則（例如加範例、加結構），那用任何 LLM 優化都可以。但如果你要針對特定 LLM 做深度優化，還是建議用同一個模型。

Q6: 這個工具可以整合到現有的 n8n 工作流嗎？

A: 當然可以，而且非常建議這樣做！

我自己的做法是：把 Prompt 優化器變成一個「子工作流」（Sub-workflow），然後在需要的地方呼叫它。

例如，我有一個「部落格文章生成」的主工作流，裡面有一個關鍵的 Prompt。我會在開發階段，先用 Prompt 優化器跑一次，得到優化版本，然後把優化版本放回主工作流。

整合步驟：

把 Prompt 優化器獨立成一個工作流
設定 Webhook 接收 Prompt
在主工作流中，用 HTTP Request 節點呼叫優化器
拿到優化結果後，儲存到資料庫或環境變數
未來需要時，直接從資料庫讀取優化版本

這樣的好處是：你可以建立一個「Prompt 資料庫」，存放所有優化過的 Prompt，方便未來重複使用。

我在我的 Skool 社群裡有分享這個整合範例，歡迎加入一起討論！

🎯 下一步行動

🎓 想更有系統地學會這些技巧？ 到 AI 職場工作術（雲端方程式 Cloud F1 旗艦課程）看看完整的實作路徑。

讀到這裡，你的 AI 實力又變強囉！現在你已經了解如何用 AI 優化 AI 的 Prompt，大幅提升輸出品質。

建議你現在就開始行動：

動手做：花 20 分鐘在 n8n 上搭建這個 Prompt 優化器，實際測試看看效果
挑一個常用 Prompt：找出你工作中最常用的 Prompt，用這個工具優化一次
記錄結果：把優化前後的 Prompt 和輸出都記錄下來，觀察差異
持續迭代：每週優化 1-2 個 Prompt，一個月後你就會有一個高品質的 Prompt 資料庫

不用一次做完，先求大概懂，再開始用，最後才能做成功！

想深入學習更多 n8n 自動化與 AI 應用技巧？

💬 加入學習社群：Skool 雲端方程式 Cloud F1（免費加入，和 500+ 學員一起交流 Prompt Engineering 心得）
📧 訂閱電子報：獲取最新 AI 自動化技巧與實戰案例
📚 探索更多教學：查看下方相關資源，建立完整的 AI 工作流

有任何問題，歡迎在社群裡討論，我會盡力回答！

🔗 相關資源

內部資源

GPT Prompt 管理器 - 建立 Prompt 版本控制系統
ChatGPT 7 個技巧 - 提升 AI 對話品質的實用技巧
AI Agent 完整指南 - 打造智能 AI 助理

外部資源

n8n 官方文件 - n8n 完整技術文件
OpenAI Prompt Engineering Guide - OpenAI 官方最佳實踐

本文改編自 n8n 課程模組，由 Alex Hsieh 撰寫。最後更新：2026-02-11