讓 Agent 說你的產品語言：偏好、臺灣用語與事實邊界

產品中的 Agent 可能回答問題、整理資料，也可能引導使用者核准動作。這些功能應該用一致且看得懂的語言說明結果，但一致不等於每次都回同一種長度。產品口吻、臺灣用語與使用者當次要求，需要分開設定再一起套用。

假設使用者問：「這個 API 又失敗了，能不能直接告訴我怎麼查？」系統回了三段安慰，還沒有說到第一個檢查動作。即使措辭溫柔，這個回答仍然沒有滿足需求。使用者已經給出直接的指示，系統卻優先採用了自己對文字的推測。

對產品團隊而言，語氣調整可以視為一個有限範圍的策略選擇：回答要精簡、保持中性，或多加一句承接問題的說明。它不需要推導使用者的人格，也不能用來改變答案的事實、安全規則或授權範圍。

分開內容、策略與文字表達

我會把資料流拆成：讀取明確偏好、取得必要的當次文字線索、選擇語氣策略、產生回答、檢查輸出邊界。內容檢索與問題判斷仍然負責「有什麼證據」與「能做什麼」，語氣策略只處理這些資訊要怎麼呈現。

同一個故障判斷，可以中性地說「先確認回覆的錯誤碼，再查這次請求的追蹤」，也可以精簡成兩個操作步驟。友善引導的版本可以加上「目前先查這次失敗，不必一次重設所有設定」。三者都不應把尚未證實的原因說成已確定，也不應為了安撫而保證下一次一定成功。

若服務只需要回答長度與語氣，資料結構就只保存這些偏好。不要順便新增「焦慮程度」、「人格類型」或「容易被說服」等欄位。新增一個推測欄位，會新增保存、存取與誤用風險，但不一定增加回答的幫助。

明確偏好應該先被採用

教學策略的優先順序是：當次明確要求、使用者保存的偏好、可信的當次線索，最後才是中性預設。當次要求也應能覆蓋舊偏好，例如平常喜歡詳細說明的人，這次仍可以要求只給命令。

在圖解選擇沒有指定、中性、精簡或友善引導的偏好，再比較不明確的句子、技術描述與受挫表達等文字線索，調整「啟發式分數（不是機率）」。先看沒有指定時，策略如何隨分數改變，再固定明確偏好，比較推測是否仍能覆蓋它。滑桿是教學輸入，不是模型量測，也不是使用者真的處於某種情緒的機率。

圖解的節點與文字摘要展示策略選擇，讓讀者看到是明確偏好、線索或中性預設產生作用。「錯誤碼 E42，重現條件如下」是技術式線索，不等於明確要求精簡。圖解沒有執行文字分析，也沒有讀取真實對話。若線索不明確，保留中性策略，比硬選一種情緒分類更容易維持可預測的回答。

策略函式可以保持小而可檢查：

type Tone = "neutral" | "concise" | "supportive";
type Preference = Tone | "auto";
type Signal = "unclear" | "direct" | "frustrated";

function chooseTone(
  preference: Preference,
  signal: Signal,
  score: number,
  minScore: number,
): Tone {
  if (preference !== "auto") return preference;
  if (signal === "unclear" || score < minScore) return "neutral";
  return signal === "direct" ? "concise" : "supportive";
}

這個函式的門檻是可設定的政策參數，沒有通用最佳值。正式介面還應驗證分數範圍，遇到未知分類或分析失敗時改用中性，避免分類服務故障拖垮主要回答。示意程式只做決策，不會證明文字線索辨識正確。

分數高，不代表判斷一定可信

如果正式系統使用分類器，需要另外驗證分數是否能反映預測可信度。Guo 等人的研究討論神經網路分類器的信心校準，指出模型信心可能與正確率不相符；這不能直接證明某個 LLM 的自報分數可靠。On Calibration of Modern Neural Networks

對這個教學例，啟發式分數只是控制是否採用線索的輸入，沒有校準結果。正式評估應準備含糊、反諷、引用別人話語與混合語言的案例，例如「他氣得說『這系統爛透了』，請幫我整理事故紀錄」。不能把被引用的語句當成發訊者的心理狀態。

即使判斷正確，也需要確認策略有沒有幫助。有人用激烈措辭，只是想快速取得操作步驟；友善引導若變成冗長安慰，可能反而干擾任務。因此評估的問題應該是「這個呈現方式是否符合當次要求」，不能只問「情緒標籤猜對沒有」。

語氣可以改，事實與邊界保持不變

語氣指引應來自受控的策略內容，不讓分析模型產生任意指令直接插入高權限提示。分類結果只能選擇允許的策略，不能新增工具權限、跳過驗證，或把「使用者很急」變成執行外部寫入的授權。

輸出檢查要保留幾個固定要求：不捏造經驗，不假稱掌握使用者內心，不用親密關係暗示增加依賴，不以安撫取代風險說明。若原答案說「尚未確認是否有資料遺失」，友善引導的版本仍須保留這個不確定性，不能變成「不用擔心，資料一定都還在」。

拒絕或需要補充資料時，也可以使用合適的語氣，但不能改變判斷。例如缺少授權的動作，精簡版本仍要說出需要哪個決定。語氣選擇也不應改變價格、推薦排序或施加不同的促購壓力；如果它影響了這些行為，就已經超出文字表達的範圍。

不要依語言、國籍或地區直接套一組人格假設。使用者選擇臺灣繁中，能支持用語與文字格式的選擇，不能推出對方一定喜歡間接表達。需要調整正式程度或稱呼方式時，讓使用者設定，比從文化標籤猜測更具體。

把產品口吻寫進指引，不靠模型參數猜

OpenAI Agents SDK（@openai/agents）可以在 Agent 的 instructions 設定工作與表達規則；當規則依使用者、租戶或當次執行情境改變時，也可以用動態指引函式取得受控的設定。產品可以固定事實與安全要求，再依明確偏好選擇回答長度，而不是把未驗證的情緒分類直接變成高權限指令。OpenAI：Agent definitions

例如，基礎指引可以明寫：「使用自然的臺灣繁體中文；用『改善、回傳、逾時、語意』；保留 API 與識別碼；先回答問題，再補必要依據；無論語氣如何，都保留不確定性與操作限制。」精簡或友善的版本只補充呈現方式，不移除這些共同規則。這是產品自己的指引設計，不是 SDK 內建的臺灣用語保證。

Claude Agent SDK（@anthropic-ai/claude-agent-sdk）也可透過 systemPrompt 設定產品角色與臺灣用語。若接續既有 session，重新傳入不同的 append 不保證下一回合立刻套用，通常要等對話脈絡壓縮；當次的長度或格式要求應另外放進應用程式準備的當次輸入，並驗證實際效果。Claude：Modifying system prompts

temperature 是模型 API 的取樣設定，不是語氣規則，也不能假設每種模型或 Agent SDK 都提供相同參數。它無法替代「只給一個步驟」或「使用臺灣用語」這類明確指引。應先把規則寫清楚，再用同一批案例檢查答案，避免把參數高低當成友善或正式程度的刻度。OpenAI：Chat Completions API、Claude：Configuration

驗證策略，也驗證使用者能否撤回

單元測試可以涵蓋偏好與線索的組合：明確偏好不被推測覆蓋；不明確或低分線索回到中性；分析服務失敗仍可產生主要回答。圖解適合檢查規則，但完整回答還需要另外比較文字內容。

準備同一份事實輸入，分別產生不同語氣的答案；把臺灣用語也列入測試，例如技術說明是否採用「回傳」、「逾時」等固定用語。再檢查數字、限制、來源與下一步是否保持一致。加入「不要安慰我」、「只給一個步驟」、「這句話是引用」等反例，確認策略能尊重當次要求。可以請人比較哪個版本較易採取下一步，但不能把較長的對話時間直接當成效果較好。

若產品把任務交給不同 Agent，每個專門角色也要沿用共同的語言與事實規則，避免前一段是產品口吻，工具完成後卻變成另一套用語。

保存的偏好應讓使用者看得到、改得到，也能重設。當次推測則可在當次對話結束後移除，不預設累積成長期心理檔案。若使用者明確要求不要分析語氣，就跳過線索判斷，照指定格式回答。這個選擇需要出現在資料流與測試中，不能只寫在說明頁。

語氣系統最值得保存的資料，是使用者自己表達的偏好，以及本次選擇策略的有限理由。回答能否幫助完成任務，仍要回到內容與動作的檢查。

延伸閱讀

• OpenAI Agents SDK：Agent definitions：固定指引、動態指引與執行情境。
• Claude Agent SDK：Modifying system prompts：產品角色與接續 session 時的指引更新。
• Guo 等人，2017：On Calibration of Modern Neural Networks：分類器信心與正確率的差異。

SDK 文件參考日期：2026-10-07。

系列導覽

上一篇：Agent 的觀測與故障定位。也可以從產品架構開始，檢查整個任務流程如何保留相同的產品規則。