黃霑「加減乘除」創新法則 × ChatGPT：打造高效 AI 創作流程的技術解構

幾年前，我對著空白編輯器發呆，心裡只想著：「我好像沒什麼東西可以寫。」明明學了不少技術，也寫過很多程式，但每次準備寫作，腦袋卻一片空白，總覺得沒有什麼值得分享的內容。那時我以為，創造力是屬於別人的天賦。理工出身的我或許能解決問題，但要從零開始創作，總是感覺力不從心。

而現在，我每天產出技術文章、每週舉辦線上講座、每月落實一個產品實驗。創作的節奏不但沒停，反而越寫越快、越做越穩。不是因為我變得更有靈感，而是我建立了一套可以工程化的創作流程——像寫程式一樣，有邏輯、有模組、能重複、能優化。

這一切，都是從我重溫黃霑的經典講座《創意與創造力》開始的。他提出的「加減乘除」創意思維，讓我意識到：原來創意也可以被拆解，成為一種可以封裝、疊代、複利的系統性能力。這篇文章，就是我結合這個框架與 ChatGPT Prompt Engineering 的實戰經驗，寫給所有想讓創作變得穩定又可持續的人。

加法（Additive Prompting）：以 5W1H 精準擴展問題向量

Person Using MacBook Pro (Glenn Carstens-Peters)

黃霑的加法，強調在既有想法上「加料」：增添元素、轉換視角、延伸場景，從而激發更多內容分支與創意走向。應用在 ChatGPT 的語境裡，就是透過「精準擴展問題」來放大上下文，賦予語言模型更清晰的任務邊界與生成引導。

舉例來說，面對「什麼是生成式 AI？」這類過於籠統的問題時，僅靠單一問句往往只能獲得通用且缺乏深度的答案。這時就需要加法：我們可以善用 5W1H（Who、What、When、Where、Why、How）提問邏輯，將原始問題拆解成多維向量，系統性地明確情境、目標與細節。這種做法能大幅提升 LLM 輸出的精準度與上下文豐富度。

以實務應用為例，針對不同受眾（Who），我會明確指定「請針對國中生說明」或「從產品經理角度分析」。任務目標（What/Why）則會要求「解釋生成式 AI 如何加速內容創作」。需要特定時間或地點（When/Where）時，會加入「2023 年在台灣」等條件，確保內容具備時效與地域脈絡。針對方法論（How），我會要求逐步說明操作流程，讓內容更容易技術落地。

對比單一問句「什麼是生成式 AI？」與經過 5W1H 擴展後的複合提問：「什麼是生成式 AI？請針對國中生說明，並舉三個 2023 年在台灣的實際應用案例，說明它如何協助內容創作。」可以發現後者生成的內容更具結構性、針對性與實務價值。

實際操作時，我會設計 prompt 結構，根據 5W1H 不同面向自動拼接生成多元問題。例如：「什麼是生成式 AI？」（What）、「為什麼生成式 AI 在教育領域重要？」（Why + Where）、「誰最常使用生成式 AI？」（Who）、「2023 年生成式 AI 在台灣的應用現況如何？」（When + Where + What）、「如何用生成式 AI 製作國中生適用的學習卡？」（How + Who）。這一自動化加法流程，讓 prompt 工程師能批次生成多樣情境、持續優化內容覆蓋與品質，並結合模板引擎或腳本快速測試不同向量組合，大幅提升 AI 創作的規模化與效率。

減法（Subtractive Prompting）：去除冗餘，聚焦核心

Long exposure photography of road and cars (Marc-Olivier Jodoin)

在黃霑的創意模型中，減法代表刪除無關要素，凸顯主體價值。應用在 AI prompt 工程時，減法是一種主動移除非必要資訊、聚焦核心任務的設計策略。其本質在於讓語言模型專注處理最關鍵的目標，避免被雜訊與多餘細節干擾。對於大型專案或長鏈式自動化流程而言，減法能有效提升模型理解精度，同時優化產出結構與整體品質。

實作上，減法 prompt 的關鍵在於主動排除與任務無直接關聯的修飾語、背景說明與次要條件，僅保留最核心的操作需求。若指令中混入過多要求，AI 往往會試圖「平均滿足」，反而導致輸出分散、品質下降。唯有精簡至問題本質，才能真正發揮語言模型的效能，產出精確一致的內容。

這類策略的另一個實務優勢在於：降低錯誤率、簡化維護流程、強化模組化設計。先用最小需求驗證主流程，再逐步疊加條件（對應加法），能提升測試效率並建立可複製的優化迴圈。

具體落實時，可針對每句 prompt 檢查其與任務的直接相關性，並以「是否刪除後仍能完成任務」作為標準篩選依據。進階應用可搭配自動化腳本，使用正則表達式或 NLP 工具（如 spaCy、GPT classifier）批次偵測冗詞，搭配型別描述工具如 JSDoc 或 TypeScript，讓語意結構更明確、輸入更具一致性。

減法不是「刪掉內容」而已，更是讓問題回歸本質的過程。無論是 AI 寫作、知識庫建置、產品規格設計，都應養成「寫完必減法」的工程習慣，並建立可審查、可維護、可優化的 prompt 工程流程。這是建構高品質 AI 內容產線的基本功。

乘法（Multiplicative Output）：用 ChatGPT Prompt 實現內容規模化

All famous AI chat apps like Character.AI, Perplexity, Claude, Copilot, Chat GPT, Deepseek, Gemini with Appstore icon on an iphone screen. (Saradasish Pradhan)

在黃霑的創意思維中，「乘法」代表的是將既有成果放大，或透過組合不同元素，創造超越總和的新價值。對應到 ChatGPT 的應用場景，乘法意味著：透過一組設計良好的 prompt，將單一內容延展為多種形式、多重用途，實現知識的規模化輸出。

以一篇技術文章為例，只要針對不同受眾與媒介需求設計 prompt，便能一鍵生成初學者導向的摘要、視覺化資訊圖結構、Podcast 腳本、60 秒短影片文案、社群貼文、多語翻譯版本，甚至延伸出教學講義與互動教材。這不僅擴大了內容的應用範圍，也顯著提升跨平台的傳播效率。範例 prompt 如：

「請將以下技術文章轉寫為 60 秒短影片腳本，語氣活潑，並附上三個重點 bullet point。」

同樣地，對於技術團隊而言，乘法策略能為產品文件與開發資源創造倍增效益。依據不同場景設計 prompt，就能批量產出教學程式碼範例、使用流程說明、多語 SDK 文件、行銷素材、客戶案例故事，甚至部署腳本。範例 prompt 如：

「針對這個 API 功能，請生成一份 Node.js 教學範例，附詳細註解與使用說明。」

乘法的關鍵不在於重複輸出，而是以結構化 prompt 為工具，將一次性內容轉化為多軸應用資源。當你不再把內容視為一次性輸出，而是可繁衍的素材節點，創作的複利效應就此啟動。

除法（Summarization）：精萃內容，提煉本質

Romans 7:21 Book, notebook, pen, and coffee on a blanket (Calpa Liu)

在黃霑的創意思維中，「除法」強調的是刪去多餘、保留精華，讓訊息更加集中、價值更加明確。對應到 AI 創作流程中，除法代表的是內容的「濃縮工程」：將冗長、複雜的資訊精煉為重點摘要，提升資訊密度，並強化跨平台的應用彈性。

在實務應用上，我們通常會設計明確的 Summarization Prompt，要求 LLM 移除贅詞、去除重複，聚焦在主旨與關鍵訊息上。進階做法則結合 NLP 工具（如 spaCy、TextRank、BERT 句向量比對等），自動擷取重要句子，再由 LLM 進行語意重組與語氣統一，輸出不同層級的摘要內容。

舉例而言，一篇新聞稿可以自動分段提取主旨，彙整為 3–5 句關鍵訊息；一份技術文件則可濃縮為一句功能概述或版本重點；而教學講義可以轉化為課前預習概要或課後複習清單。根據不同平台需求，還能輸出標題、meta 描述、bullet point 精華、甚至一句話金句版本，進行多層級摘要。

為確保品質穩定，建議建立自動摘要與人工審核的雙軌流程：由 LLM 初步提煉，再由人工判讀補足語義、校正錯漏，特別適用於知識密度高、語境要求嚴謹的技術場景。

除法的價值，在於讓內容「少而精、短而準」。當我們能有效濃縮資訊，不僅提升閱讀效率，更讓知識得以快速流通、反覆利用，實現內容生產從量到質的跨越。