跳到主要內容

/rewrite//brief 到底是不是 ChatGPT 的內建功能？一篇說清楚

先說結論

ChatGPT 官方不支援 /rewrite//brief 這種語法

ChatGPT (GPT-3.5 / GPT-4 / GPT-4o) 本身的 prompt 處理是自然語言為主，目前官方 API、ChatGPT 網站、OpenAI 文檔 沒有定義 /rewrite//brief 這種 Parser Prompting 語法。

也就是說，丟這樣的指令，ChatGPT 會「試圖當作自然語言理解」。

這類語法通常是「外掛的 parser」、「客製化的 prompt 模板」、「LangChain、Flowise、Notion AI、自建系統」做出來的 conventions，不是 ChatGPT 本體的功能。

ChatGPT 目前的行為現象，因為 2024–2025 年 GPT-4o / GPT-4-turbo 確實「開始對部分格式 prompt 有潛在 parsing 能力」，但這要拆成兩層來看，才能理解為什麼你「看起來它可以用」：

第一層：ChatGPT 現在會「嘗試理解」這種格式

GPT-4o（或 GPT-4-turbo）確實現在會：

  • 把 /rewrite 當作「你希望重寫」
  • 把 //brief 當作「風格（brief）」
  • 把 : 用一句話重寫這段內容 當作目標說明
/rewrite//brief: 用一句話重寫這段內容

因為目前 GPT-4o 裡面強化了 parsing ability：

  • 有更多 “markdown parser” / “command style parser” 訓練
  • 有被大量 Slash Command prompt 訓練（Discord / Midjourney / Slack 等 prompt corpus 裡有大量 /xxx//yyy）
  • 有 exposure 到 LangChain / Prompt template 社群的 parsing 風格

所以 GPT-4o 其實「能靠類比學習」理解你這樣的 prompt，並進行正確回答。官方文檔（OpenAI API docs、Prompt Engineering Guide）目前並沒有正式定義 /rewrite//brief 這種格式是官方語法。

它是靠 LLM 本身的泛化能力 + 過去大量 prompt 模型學習資料影響，導致 GPT-4o 現在能理解這類 prompt。

  • 在自建 bot 或自建 API Wrapper 裡可以用（ex: Slack bot, Discord bot, 自建 LangChain agent）
  • 在 ChatGPT.com 直接用 → 不一定 work，要靠資料、外掛、plugin 或自建 parser。

第二層：「是不是 官方有支援規範格式？」

答案是：沒有明文規範。

官方文檔（OpenAI API docs、Prompt Engineering Guide）目前並沒有正式定義 /rewrite//brief 這種格式是官方語法。

👉 它是 靠 LLM 本身的泛化能力 + 過去大量 prompt 模型學習資料影響，導致 GPT-4o 現在能理解這類 prompt。

後記及統整

為什麼你覺得「看起來可以用」？GPT-4o 已經 implicit 隱晦的學會解析這種 prompt pattern，所以你丟進 ChatGPT 裡，它「通常」能理解並正確執行

但是這種不是「保證行為」→ 未來模型更新後可能會更穩定，也可能格式規範會改變

✅ /rewrite//brief 是屬於進階 prompt parser 技巧
✅ ChatGPT 本身沒內建，但很多進階框架（LangChain、Flowise）會用這種 Parser Prompting Skill
✅ 你要用，可以自己加 parser，或改用 ChatGPT 支援的自然語言/Function Calling
✅ 學習資料已整理，依照需求選擇對應場景。

現況分類

用法 在 ChatGPT 內建 解析穩定性 備註
/rewrite//brief: xxx ✅ GPT-4o 會理解 90% 準確（目前 GPT-4o 行為） 靠語言模型學出來，不是官方明訂規範
/rewrite brief: xxx ❌ 容易被當自然語言誤解 低（常失敗） 沒有分隔符，parser 不好拆解
Function calling + schema ✅ 官方支援 100% 穩定 需要 API + schema 設定
自建 parser（LangChain 等） ✅ 自己定義 100% 控制 自己定義指令解析規則

GPT-4o 現階段支持清單

雙斜線風格 (/command//mode:)

GPT-4o 行為：幾乎 100% 理解 command + mode 結構，會照模式執行。

/rewrite//brief: 將下面這段話用一句話改寫
/translate//zh-hant: Please translate the following text.
/summarize//bullet: 幫我摘要成條列式

斜線+dash風格 (/command -mode:)

GPT-4o 行為：目前大致能理解，但比 // 稍弱（大概 80~90% 成功）。

/rewrite -brief: 用一句話改寫
/translate -zh-hant: 翻譯成繁體中文

YAML block / tag prompt

GPT-4o 行為：穩定解析，因為 YAML prompt 是官方 prompt engineering 裡常用格式。

task: rewrite
mode: brief
content: 將這段內容改寫成一句話

JSON-style inline prompting

GPT-4o 行為：穩定解析，非常推薦用於 API / GPT Builder。

{ "command": "rewrite", "mode": "brief", "content": "請改寫以下內容" }

Function-like syntax

GPT-4o 行為：解析能力佳（目前 85% 以上穩定性），容易受到 Function Calling 的學習影響。

rewrite(mode="brief"): 請改寫以下內容
translate(to="zh-hant"): Please translate this text.

冒號風格 prompt (Command: Mode: Content)

GPT-4o 行為：意外穩定（受到 Notion AI / Jasper 等工具 corpus 影響）。

Rewrite: Brief: 用一句話改寫
Summarize: Bullet: 以下文章請摘要

【目前 GPT-4o 還不穩定 / 不建議用】❌

Prompt 風格 GPT-4o 理解率 問題
/rewrite brief: xxx < 60% 沒有分隔符，容易被誤解
/command/ mode: xxx 低 單斜線容易被當成 URL
沒有 command，直接 //brief 開頭 低 缺主動詞
/command --mode xxx（雙減號） 低 受 CLI 語法影響，混淆概率高

目前能學的詳細文件

類別 學習資料
ChatGPT 官方 Prompt Engineering https://platform.openai.com/docs/guides/prompt-engineering
OpenAI Cookbook - Prompt 使用 https://github.com/openai/openai-cookbook
LangChain Prompt Templates https://python.langchain.com/docs/tutorials/llm_chain/#langsmith
LlamaIndex Prompt Engineering https://docs.llamaindex.ai/en/stable/optimizing/basic_strategies/basic_strategies/#prompt-engineering
Flowise Docs（圖形化 Prompt 編排） https://docs.flowiseai.com/
Midjourney Prompt Parsing https://docs.midjourney.com/hc/en-us/articles/32023408776205-Prompt-Basics
Notion AI（非公開） https://www.notion.com/help/guides/using-notion-ai
Prompt Engineering Guide（AI 社群版） https://www.promptingguide.ai/
Awesome Prompt Engineering（超級大全） https://github.com/dair-ai/Prompt-Engineering-Guide

參考來源

標籤：

留言

張貼留言

這個網誌中的熱門文章

Vibe Coding：為什麼 Junior 更快上手？Senior 要如何追趕？

現象層面（市場觀察） 最近有篇文章討論 junior & senior 開發者在 AI 時代的角色轉變，非常熱門。 身為 Cympack 產品開發團隊 ，我們也一直關注這個議題，在閱讀這篇文章時觀察到一些有趣的現象，對我們來說，這正好反映出 AI 正在改變開發生態，junior 借力 AI 快速成長、senior 則需要在 「架構思維」 與 「多 agent 協作」 中找到新定位，其中有些啟發（insight) 可以跟大家分享。 為什麼 Junior 更容易上手 vibe coding？ 心智負擔低 → Junior 沒有太多傳統 code workflow 的框架包袱 敢於嘗鮮 → Gen Z / 年輕工程師天生習慣用 prompt-based 工具、跟 LLM 互動 少「優雅程式設計」的束縛 → 不太糾結「這樣寫會不會不夠優雅」，反而 embrace 快速迭代、快速出成果 反觀 Senior： 熟悉大型系統設計 有豐富的「工程正統流程」知識（架構設計、測試策略、效能優化、設計模式） 對 AI 生成 code 的品質 / 維護性通常比較保留 部分 10+ 年資深工程師，對 prompt engineering 沒那麼熟練，還在觀望 技能面（未來的關鍵能力） Vibe coding 本質上 = prompt engineering + AI co-pilot 管理能力 能力項目 誰目前比較有優勢？ Prompt 撰寫 / AI 互動 Junior 較強（熟悉 chat-based 流程） 系統設計 / 架構把關 Senior 較強 AI 生成 code 驗證 / Bug 察覺能力 Senior 較強（能看出潛在問題） 快速疊代 / Hackathon 式開發 Junior 較強 長期維護性 / 穩定性 Senior 較強 總結 Junior 確實更快適應 vibe coding，並且更習慣以 「chat-based coding」 的工作流開發。 Senior 擁有驗證 AI 產物與系統設計的深度能力，但若不主動練習 vibe coding，長期會逐漸落後於新一波開發潮流。 就如同在 GAI 技術年會分享，希望帶給各位的感受， 『與 AI 協...
張貼留言
繼續閱讀>>

RAG 和 Prompt 原理超簡單解說！想知道 AI 怎麼找答案看這篇

這篇文章是給對於你已經開始使用所謂的 ChatGPT / Claude / Gemini 之類的 AI 服務，甚至是 Siri (嘿丟，他也是一種 AI 應用服務喔） 簡單來說是非 技術人員， PM，小白，想要趕快惡補的人 ，直接花十分鐘可以看完的一篇科普業配文章。 或者是概念僅止於，AI 這東西會幻想，會有誤差，會對於生活有些幫助但沒有幫助的人們，做個簡單又不是太簡單的介紹，希望用一個非常入門的方式讓你們有個了解。 當然，這篇文章目的很簡單， 就是引流 ，如果你身邊有已經對於 Web 技術開發的人員，歡迎報名分享給他，年末出國不如學一技在身，參加今年我們舉辦最後一場 RAG 實作工作坊，報名連結 ， https://exma.kktix.cc/events/ai-for-dev-course-rag-2 注意： 接下來每個大段落結束都會有一段工商導入，但文章絕對精彩，請注意！ 為了讓各位容易想像，我們將整個世界的資訊，先濃縮到這本『西遊記』的世界觀當中，我們整個世界都在這個 『西遊記』 ，而 大型語言模型 我們用 『書精靈』 來描述。 PS. 我們先預設各位，應該都有聽過，西遊記！如果沒有聽過西遊記的，請右轉出去，謝謝！ 先來談談向量 在《西遊記》的世界裡，我們可以把 向量想像成一種「內容座標」 ，讓系統知道每個角色、場景、法術等的 「位置」和「距離」 。向量幫助語言模型知道不同內容之間的關聯程度。 向量就像內容的「距離」和「位置」 比方說，唐三藏的 「位置」（向量）會接近「佛經」和「取經」 的概念，因為他一路上都是為了取經而前進。孫悟空的 向量位置則會更靠近「金箍棒」和「七十二變」 這些概念，因為這些是他的特徵。 相似內容靠得更近：像「佛經」和「取經」會靠近唐三藏的向量，因為它們彼此有很強的關聯。 相差較大內容會離得較遠：像「取經」和「妖怪」「妖怪的寶藏」就距離比較遠，因為妖怪的寶藏和取經的目標關聯性不大。 是誰決定的這些位置？ 簡單來說，這些位置和關係是模型自己學出來的。語言模型會閱讀大量的資料和這世界觀的資訊，觀察哪些詞語經常一起出現，根據「共同出現的頻率」來決定它們的關係，並且自動生成向量。例如： 如果模型看到 「唐三藏」 總是和 「取經」 一起出現，它就會讓「唐三藏」的向量靠近「取經」。 ...
2 則留言
繼續閱讀>>

Vibe Coding 協作到自建 Dev Agent？從 Claude / Codex 到 OpenHands

過去一年，越來越多工程師開始 把 AI 真正帶進工作流程 。從一開始用 ChatGPT、Claude 來問語法問題，到後來很多人愛上 Cursor，直接在編輯器裡讓 AI 幫忙改 code、補 test case、甚至自動整理 PR。這樣的開發體驗，已經大大改變了我們寫程式的方式。 更現實的是，在很多企業內部、政府單位、或涉及機密資料的專案裡， 其實根本不能直接用 Cursor 或雲端 LLM 工具。   畢竟這些服務通常會把資料傳到雲端模型做處理，萬一專案裡有未公開的技術、敏感客戶資料，或是受限於法規 （像金融、醫療、政府標案） ，直接用雲端 AI 工具就會踩 紅線 。  因此，許多團隊反而更希望 「自己架一套 Dev Agent」 ，可以在內網執行，資料完全掌握在自己手上，該整合的內部工具、該讀的私有 repo、該串的 CI/CD pipeline，全部客製化、安全可控。 這時候，像 OpenHands 這樣的開源 Dev Agent 框架就特別有價值。它的出發點不是單純的 AI 助手，而是讓你能夠打造出一個真的可以跑在自己環境裡、可以理解整個開發流程的 AI 工程師。從建置到部署，從 CLI 操作到瀏覽器查詢， 從多檔案編輯到自動測試，全部都能自己完成，甚至還能針對不同專案調整專屬的工作流。 對很多開始探索 AI 協作開發的團隊來說，這是一條 從 「AI 幫你寫一段程式」，走向「AI 幫你解決一整個任務」 的進化路徑。而且，還是在可控、可自定義、安全的環境裡完成的。 🧩 主要概述 OpenHands 是由 All‑Hands AI 開發的開源「軟體開發代理人平台」，能模仿人類工程師從建立程式、修改程式碼、執行指令，到瀏覽網頁、呼叫 API……等一整套開發流程 它提供雲端（OpenHands Cloud）與本地 Docker 運行版本，用戶能配置 LLM（如 Claude、OpenAI、Gemini…) 📚 核心特性與怎麼使用 代理人的工具能力 支援代碼編輯、命令行、執行環境、網頁瀏覽、API 呼叫—接近人類開發者完整技能。其中 OpenHands Cloud 版本提供 $50 試用額度讓大家方便使用，又或者如果自己本機有 docker 的話，可以自己Local 版本透過 Docker 自架環境。 ...
張貼留言
繼續閱讀>>