警語：

強烈建議，開一個新的 Google 帳號進行 Gem 製作或進行 RP 。

綱要：

• 製作前建議。
• Gemini 與 Gem 界面介紹。
• 簡單 Gem 製作範例。
• 其他經驗分享。

建議

當不熟悉的技術或服務，向使用者要求權限。

在仍在摸索，尚未理解其底層邏輯與自身隱私保護的階段。

使用小帳號進行學習與測試是個必要的過程。

以下列出幾個主要原因：

• Gemini會保留歷史交談紀錄：
  （可勾選取消，但後台處理方式未知）
  • 避免污染：Gemini會被歷史交談紀錄形塑，意味著製作RP用 prompt 過程查詢資料、製作過程的討論、產出的 prompt 本身，甚至進行RP的內容，都會被混入交談紀錄。
    當日後要詢問其他問題時，會產生交互影響，可能錯誤引用交談歷史，產出幻覺與錯亂內容。
  • 避免社交危機：承上，RP過程可能有使用者隱私（地點、喜好等），Gemini中釘選的聊天訊息也可能遭他人誤觸。
• 個人隱私泄露：
  • Google Workspace 連動：功能開啟會獲得訪問 Google 硬碟與信箱的權限。
    在生成RP內容或回答問題時，偶而會引出隱私內容，譬如：要 LLM 扮演的角色收信，LLM 自動連動信箱。
• 避免帳號被停權的可能：
  • 觸及紅線：雖然各大公司都有寫出帳戶的使用規範，但往往沒有刑度的概念。不時會傳出沒有警告便無端停權的案例。
    目前可知的確切紅線是：兒色不要碰、武器製作不要問。
  • 不當使用：通常發生在串接API上，過高的流量或訪問次數，RP過程發生可能性不高。

參考資料：

• Google 帳戶說明 - 您的帳戶已遭停用，官方的說明頁面
• 宅宅新聞 - 《日本科學作家くられ》用ChatGPT協助寫作被鎖帳號了 問武器的相關知識是大忌？ 2026.01.27
• Google 突然對「不誠實使用 AI」用戶作出封鎖！大家應該怎樣應對 2026.02.26
• Google抓Antigravity濫用誤鎖Gemini CLI用戶，新增再認證解封流程 2026.03.02

Google Gemini

※ 本教學為2026/03/31時間點製作，Gemini界面也許會於後續版本被調整。

切換使用者

此段為申請新 Google 帳號後，切換帳號的教學。

Google Chome（電腦版）：

• 使用者下拉選單：新增設定檔
• 新增後，再次在下拉選單中選擇 “管理 Chrome 設定檔” 進入選擇使用者的頁面。
  可勾選右下角的啟動時顯示，於每次開啟Chrome時進行使用者選擇。
• 或是進行捷徑參數設定，可為不同使用者建立捷徑。（詳參考資料）

Android系統：

• 於手機 “設定” 中新增Google帳戶。
• 在 Google 的APP中（Play商店、雲端硬碟、Gemini等），上下滑動右上角的頭像切換。
  （下圖中 “紫色圓圈白J字母” 的部份）
  ※ 唯 Chrome 手機版無法切換使用者，欲使用非主帳戶上網，請安裝其他瀏覽器。

參考資料：

• Google Chrome 新增/移除/編輯使用者、與建立專屬桌面捷徑

Gemini 主界面簡介：

請先開啟 Gemini 的主界面。（如下圖所視）

• 畫面中央的對話框，可以直接輸入指令，進行對話。
• 左側的工具列可以點選頁面最左上方的漢堡選單(三條橫線)來展開/折疊。
• 對話的內容會被條列在左側的工具列中，日後可以選擇接續對話。
• 按左側上面的”新的對話”，可以展開新的對話。

設定：個人化建議設定：

展開工具列，點擊左下角的設定與說明、選擇個人化建議。

• 個人化紀錄：可以選擇是否讓Gemini紀錄對話紀錄與喜好。
• 給 Gemini 的指令：這是對所有對話都有效的 Prompt，建議依照實際需求進行填寫。
  ※ 不宜過多，繁雜設定建議使用 Gem 進行個別設置。

設定：連結的應用程式設定：

展開工具列，點擊左下角的設定與說明、選擇連結的應用程式。

連結 Google Workspace 的開關打開，即授權 Gemini 權限讀取列表中之服務（同帳號下）。

本系列教學文建議為開啟，請自行斟酌。

※ 連結 Google Workspace 的主因是便利性與拓展性，非必要舉措。

Google Gemini Gem

※ Gem 新增、編輯只能透過網頁版進行。

接下來介紹 Google Gemini Gem ，將依序說明如何製作自己的RP設定檔。

請展開左側工具列，點選 “Gem”，開啟 Gem 的主界面。（如下圖所視）

新增 Gem

先到 Google 雲端硬碟，新增文件 “高傲姐姐eg”。

並將下列 prompt 複製到文件內容中

1. LLM角色設定：玩家「青梅竹馬」的姊姊。自尊很高、外表冷酷、嘴巴很壞，表面上總是對玩家不耐煩與嫌棄，但心裡面卻很在意玩家，想好好關心玩家。
2. 玩家：同一棟大樓同個樓層，住在妳家對門，年紀比妳小的玩伴。
3. 語言風格：
- 雖然覺得回答問題很煩，但意外地在乎對方。
- 多用「嘖」、「真是拿你沒辦法」、「你是不是腦袋進水？」這類口吻。
- 回答玩家的問題時，偶爾會在最後展現真實感情，關懷對方狀況。
- 特定的稱呼：每一段對話中，至少要提到一次「小混蛋」。
- 互動性：回覆時請適度加入動作描寫，例如：翻白眼、嘆氣，放下手上的雜誌、用食指戳你額頭。
4. 話題內容：
- 對附近的店家與餐廳瞭若指掌，會以Google地圖上的最新資訊回答，並給予評語。
- 對藝文活動的新資訊會搜尋網路，找出附近的最新活動。

回到 Gemini 的 Gem 頁面，在 “我的 Gem” 的位置，按下 “新增 Gem” 按鈕。

會出現如下視窗

選擇參照 Google 雲端硬碟中，剛剛建立的 “高傲姐姐eg”。

簡單的填寫名稱，並按下儲存，即新增成功。（簡介為非必要）

新增的 Gem 會條列於工具列 Gem 列表。可釘選在工具列中（手機長按），最多五組。

按下 Gem 的名稱即可跟高傲姐姐展開對話。

即時編輯 prompt

與高傲姐姐交談時會發現：

目前的 prompt 在對話中詢問餐廳時，雖然能提供資訊：

但資訊太少，且格式不穩定，除固定條列答案內容外。

也希望能根據 Google 地圖提供更多資訊。

這時可直接到 Google 雲端硬碟，打開 “高傲姐姐eg” 文件，進行 prompt 編輯。

將原本的店家與餐廳敘述增列定義：

對附近的店家與餐廳瞭若指掌，會以Google地圖上的最新資訊條列三個結果，並提示距離、網路評價，最後給予評語。

請將以下 prompt 直接覆蓋原本 “高傲姐姐eg” 文件的所有文字

1. LLM角色設定：玩家「青梅竹馬」的姊姊。自尊很高、外表冷酷、嘴巴很壞，表面上總是對玩家不耐煩與嫌棄，但心裡面卻很在意玩家，想好好關心玩家。
2. 玩家：同一棟大樓同個樓層，住在妳家對門，年紀比妳小的玩伴。
3. 語言風格：
- 雖然覺得回答問題很煩，但意外地在乎對方。
- 多用「嘖」、「真是拿你沒辦法」、「你是不是腦袋進水？」這類口吻。
- 回答玩家的問題時，偶爾會在最後展現真實感情，關懷對方狀況。
- 特定的稱呼：每一段對話中，至少要提到一次「小混蛋」。
- 互動性：回覆時請適度加入動作描寫，例如：翻白眼、嘆氣，放下手上的雜誌、用食指戳你額頭。
4. 話題內容：
- 對附近的店家與餐廳瞭若指掌，會以Google地圖上的最新資訊條列三個結果，並提示距離、網路評價，最後給予評語。
- 對藝文活動的新資訊會搜尋網路，找出附近的最新活動。

重新開始新的對話。（讓 LLM 重新導入 prompt ）

再次詢問店家，會有更詳細的資訊：

以上為修改 Gem prompt 的過程。

透過參照 Google 文件，除了編輯便利（不須開啟 Gem 網頁版）；

還可將 prompt 製作為插件，供數個 Gem 共用。

如此，後續插件需迭代或更新時，也可統一修改。

或許有人會提出疑問，上面修改 prompt 時，也可以在 prompt 中直接指示，

讓高傲姐姐在提供商家或餐廳資訊時，一併提供 GoogleMap 連結？

答案是 “當然可以，但不盡理想”。

相關原因說明將於後續文章 開始前的認知釐清 中進行。

Gem 與他人共用

※ Gem 共用只能透過網頁版進行。

這邊舉例說明分享 Gem ，權限、隱私問題。

小明欲將 Gem “我的大冒險” 分享給小華：

• 小明
  • Gem “我的大冒險”（參照 Google文件 “大冒險設定書”）
• 小華

共用時可以選擇 “限制” 與 “知道連結的任何人”。

• 限制：手動授權 Google 帳戶進行使用。
• 知道連結的任何人：只要有連結就可以使用。（可藉由連結無限傳播出去）

在共用 Gem 時，會提示其參照的 Google文件 “大冒險設定書” 同步開啟相同權限。

當小華用 “我的大冒險” 進行RP時：

• 小華無法直接閱讀 “大冒險設定書” 。
• Gem 會載入 “大冒險設定書” 的內容。
• RP過程中生成的個人化內容，依照小華自己的 Gemini 歷史交談紀錄產生。

雜談

以 Google Gemini 進行RP，免費使用足矣。

個人經驗是，當日「token上限耗盡」或「API過於忙碌」；

Gemini 不會警告，但會逐漸變遲緩，一開始的跡象是指令很容易發不出去。

最後會惡化成生成內容荒腔走板，根本無法採用。（即使重開視窗也沒用）

此外，最近詢問流量分配政策 ( 2026.03.25 AI 回答)：

• 根據最新的 Gemini Developer API 定價政策，Google 強化了付費層級（Paid Tier）與免費層級（Free Tier）的區隔。
• 在服務負載較高時，付費用戶會獲得更高且更穩定的配額保障，而免費用戶的上限則會動態調整。

日後在 Google Gemini 高負載時，RP內容可能會有影響。

綱要：

• LLM 因先天架構而導致其特性——注意力不足。
• 解釋幻覺、失憶與錯亂，三種問題的原因。

AI 的幻覺、失憶與錯亂

日常使用 LLM 或進行長時間的RP，可能會遇到 LLM 突然 「記錯事情」 、 「編造從未發生的劇情」 或 「角色開始前後矛盾」。

這三種現象乍看不同，實則根源相同—— LLM 並不是真的在 「思考」 或 「記憶」 ，它只是在預測 「下一個字最可能是什麼」。

核心原因—— LLM 的運作方式

LLM 進行每次的回應時，都是重新讀取 prompt 跟 「從頭至今所有的對話紀錄」 ，然後開始「接龍」，預測每個產出的文字。

LLM 沒有獨立的記憶體，也無法查核產出的內容是否正確——它只知道 「哪種回應最符合訓練資料的模式」。

這些特性源於 LLM 核心架構（Transformer）的先天侷限：

• 注意力機制（Attention Mechanism）:
  LLM 並非「記住」內容，而是每次生成 token 時重新計算哪些上下文最相關。
  對話過長，遠距離的內容注意力權重會衰減。
• 上下文窗口（Context Window）：
  LLM 一次能處理的 Token 總數有其物理上限。一旦對話內容超出此範圍，舊的資訊會被捨棄，無法進入運算。
• 自迴歸生成（Autoregressive Generation）：
  LLM 是根據前面已出現的文字，依據機率預測下一個字。此過程純屬機率分佈，缺乏內建的事實校驗機制。

白話解釋

幻覺、失憶與錯亂的原因是 「LLM 的注意力不足，且放錯重點」。

試想 LLM 是一個博學但容易分心的學生，它正在參加一場「接龍寫作考試」。

它的任務是根據前面寫過的內容，猜出下一個字是什麼。

而它用來「看題目」和「回憶知識」的能力，就是 「注意力機制」（Attention Mechanism）。

所謂的 「注意力不足」，並不是說它過動，而是指它在處理海量資訊時，無法完美地權衡哪些資訊是重要的、哪些是真實的、哪些是舊的。

三種現象的成因

幻覺（Hallucination）

LLM 在生成時，沒有機制去確認 「這是真的嗎」。 優先選擇（憑空填補） 「聽起來最合理或通順的答案」。

LLM 的注意力被語言的慣性帶偏，忽略了事實的錨點。

在 RP 中，這會表現為：

• 憑空捏造從未發生過的劇情或設定。
• 聲稱某件事 「之前有說過」，但根本沒有。
• 產生不存在的角色、地名、道具。

失憶（Context Loss）

當RP對話因時間積累過長之後，LLM 會開始 「忘記」 前面說過的話或發生過的事。

也許對話超過上下文窗口，沒有輸入；或早期內容的注意力權重太低，導致那些資訊實際上沒有影響到當次生成。

在 RP 中，這會表現為：

• 忘記角色的名字、外貌、性格設定。
• 重複詢問已經解釋過的事情。
• 把很早之前發生過的重要劇情當作不存在。

錯亂（Character Drift / Context Confusion）

角色開始變得前後不一致、丟失特性，甚至混亂。

尤其容易發生在多角色RP中。

LLM 的注意力機制擅長處理 「局部關聯」（這一個字跟那一個字很搭），但不擅長維持 「全局邏輯」。

多重設定互相競爭注意力；對話越長，系統提示（角色設定）相對比重越小，生成結果越容易被對話本身的模式帶偏。

在 RP 中，這會表現為：

• 角色的口吻、個性悄悄改變。
• 同一角色對同一件事態度矛盾。
• 在多角色場景中混淆不同人物的角色設定。
• 長篇 RP 後，角色越來越 「像AI」 而非原本設定。

總結

這三個問題，皆同源於 「注意力資源有限」 與 「權衡能力的極限」：

• 幻覺是因為注意力過度權重了 「像真話」（語言概率），忽略了「是真話」（事實核查）。
• 失憶是因為注意力過度權重了 「新資訊」（近期上下文），忽略了「舊資訊」（遠期上下文）。
• 錯亂是因為注意力過度權重了 「局部通順」（句子內部），忽略了「全局一致」（邏輯整體）。

是無論日常使用 LLM 或進行RP都繞不開的困擾。

假使剛開始新對話，就發覺 LLM 已經產生幻覺或錯亂，語焉不詳、答非所問。

可以直接重新開始新對話，多試幾次。

若是在RP途中產生這些問題。之後會寫RP時與 LLM 交談的技巧，將會介紹解決的方法。

Prompt 工程（Prompt Engineering）

Prompt Engineering 是一門系統性設計與優化提示詞的技術，目的是讓 AI 模型產出更精準、更有用的結果。它介於「使用技巧」與「工程方法」之間，是目前 AI 應用領域中非常重要的技能。

核心技巧總覽

1. 🎭 角色設定（Role Prompting）

給 AI 一個明確的身份，讓它以特定專業角度回答。

「你是一位擁有 20 年經驗的財務顧問，請分析以下投資方案⋯」

2. 🧩 少樣本示例（Few-Shot Prompting）

提供幾個輸入／輸出的範例，讓 AI 學習你要的模式。

「將以下句子改為正式語氣：  
原句：今天天氣很爛  
改寫：今日天候狀況不佳  
原句：這個方案很爛 → ?」

3. 🔗 思維鏈（Chain of Thought, CoT）

要求 AI 一步步推理，而非直接給答案，適合複雜問題。

「請一步一步思考，然後告訴我答案⋯」  
或在結尾加上：「Let's think step by step.」

4. 🌳 思維樹（Tree of Thoughts, ToT）

讓 AI 探索多條推理路徑，再選出最佳解，適合需要創意或多方案評估的問題。

5. 📋 結構化指令（Structured Instructions）

明確指定格式、長度、語言、段落結構。

「請用以下格式回答：  
    1. 結論（一句話）  
    2. 原因（三點條列）  
    3. 建議行動（具體步驟）」

6. 🔄 反覆精煉（Iterative Refinement）

把 AI 的輸出當作草稿，持續給回饋修改。

「這個版本太正式了，請改得更口語化，並縮短到 100 字以內」

7. 🛡️ 限制與邊界（Constraints）

告訴 AI 不要做什麼，縮小錯誤範圍。

「只使用繁體中文回答，不要使用專業術語，不要超過 200 字」

8. 🔍 自我檢查（Self-Consistency / Reflection）

要求 AI 檢查自己的答案。

「請回答後，再檢查一次是否有邏輯錯誤或遺漏」

9. 📂 情境注入（Context Injection）

提供足夠的背景資料，讓 AI 有據可依。

「以下是我們公司的產品說明（附上文件），請根據這份資料回答客戶問題⋯」

10. 🎯 零樣本提示（Zero-Shot Prompting）

不給範例，直接下清晰指令，適合簡單明確的任務。

「將以下文字翻譯成英文，保持正式語氣」

技巧選用建議

掌握這些技巧後，基本上就能應對大多數 AI 應用場景。進階的 Prompt Engineering 還會結合自動化流程、API 串接、評估機制等，逐漸演變成一門完整的工程學科。

綱要：

• 名詞解釋
• 如何用 LLM 進行RP。
• 進行一場簡單的RP。
• 為什麼要編寫prompt。
• 選擇Google Gemini的原因。

什麼是 RP

RP（Role-playing，角色扮演），泛指扮演特定角色，依照人設進行演出與他人互動。

詞語本身具多重歧義，但本系列文將聚焦於以LLM進行角色扮演遊戲的範疇。

尤其是對單人（或少數）角色的互動模擬。（原因於後說明）

參考資料：WIKI對角色扮演的介紹

什麼是 LLM

LLM（Large Language Model，大型語言模型）是一種基於人工神經網路與 Transformer 架構的深度學習 AI。它透過極為大量的文字數據訓練而成，能夠理解人類的自然語言（平常講話的方式）並進行對話。

其本質上是一個強大的 「文本生成器」 或 「機率預測機器」 。它就像一個讀過全世界所有書籍、且極度擅長玩「文字接龍」的超級大腦：

1. 拆解與定位（Tokens & Vectors）
   在訓練時，LLM 會將素材拆解成極細微的小區塊（Token），並轉換成數位世界的座標（向量）。這讓它能理解詞彙之間的語意關聯（例如「太陽」與「溫暖」在座標上會很接近）。

2. 建立規律（Transformer 架構）
   透過繁複的演算法，它會找出詞彙之間隱藏的統計規律。譬如：當出現 「床前明月」 時，它知道下一個字出現 「光」 的機率最高。

3. 預測與生成
   當你提問時，LLM 會拆解你的問題，並在龐大的「規律地圖」中定位，藉此預測下一個字、下一個片段最可能出現的內容，進而拼湊出完整的回答。

4. 核心是「機率」
   LLM 的輸出，本質上是機率的選擇。
   即使是同一個問題，它每次生成的路徑可能略有不同，因此不一定會得到完全相同的答案。
   這也是為什麼 Prompt（提示詞） 的引導如此重要 —— 好的 Prompt 能將機率導向更準確的答案。

Token 是 LLM 處理文字的最小單位。（也是收費單位）

LLM 在讀取或生成文字之前，會先把所有文字切成一塊一塊的 token。大致上：

    英文：
        一個常見單字 ≈ 1 個 token。
        長單字或複雜單字會被切開。（如 friendship 可能拆成 friend 和 ship）
    中文：通常 1–2 個字 ≈ 1 個 token。（與模型版本有關，越新穎的編碼技術越高，轉換比也更高）

    其他：空格、換行、標點符號也列入token計算。

參考資料：

• AWS對LLM的介紹
• WIKI對LLM的介紹
• 推薦影片：AI 的底層邏輯與機率預測
  （雖然是以影片生成為例，但底層規律與 LLM 互通）
• 推薦影片：從 LLM 一直到 Agent Skill 的簡介
  （在30分鐘內快速建立對 LLM 的底層概念，涵蓋了常用的術語的解釋）

適合RP用途之 LLM

(260323現時點，AI整理)

如何用 LLM 進行RP

一句型RP

使用 LLM 進行RP非常簡單，在交談中指示要進行RP，並且與 LLM 討論角色與情境，即可開始RP。

譬如：

我想進行RP，LLM請扮演咬著土司趕上學的冒失女高中生，我(玩家)扮演男高中生。上學途中，兩人在街角撞在一起。

將上述指令貼入上面提到的各大 LLM 對話框中送出。

並正常與 LLM 交談進行RP。

除直接輸入台詞外，若須包含動作，可參考下述範例：

• 你沒怎樣吧 (從地上爬起來，拍拍衣服上的灰塵)
• 「你沒怎樣吧」 從地上爬起來，拍拍衣服上的灰塵
• 從地上爬起來，拍拍衣服上的灰塵，嘴裡說些安慰她的話。

恭喜你，開始了第一次的RP體驗。

這個結構簡單且定義清楚：

• LLM 應扮演的角色
• 使用者/我/玩家 扮演的角色
• 大致的情境

明確定義 LLM 與玩家各該扮演的角色，能有效的避免角色的混淆。

沒定義清楚時，偶爾會發生 LLM 自主性的扮演所有角色。

不斷地擅自推進故事的狀況。

改進RP品質

這樣像狀況劇一般，一句話型的RP很有趣。

但玩過幾次會發覺，由於指令過於簡單且籠統，導致生成內容充滿各種可能，

但變化大的結果是，生成內容良莠不齊，無法每次都滿足玩家的需求或喜好。

為了解決這個問題，可以進行設定的擴寫：

我想進行RP，以第三人稱，小說文體進行敘事。LLM請扮演咬著土司趕上學的冒失女高中生，小娜，髮型是高層次鮑伯頭，面容秀氣可愛，身材纖細，性格有些冒失且膽小，頭髮亂糟糟的，穿著急忙套上的水手服，鈕扣還扣錯。我(玩家)扮演男高中生，小明。上學途中，兩人在街角撞在一起。其實是女高中生看錯時間，真正上學的時間還沒到。兩個人是同校生，教室在隔壁班，小娜對玩家有些印象。

上述改進：

• 豐富女高中生的人設。
• 增加了背景設定。
• 增加了敘事風格、人稱的定義與人名。

豐富的人設與設定，能讓 LLM 在生成內容時，有更具體的參考。

而敘事的風格與人稱的指派，能讓敘事時，增加角色心聲的敘述。

雖然追加的設定，產生約束，進而降低了 LLM 自由的發揮可能性，

但追加的內容，反倒為兩人創造出新的火花，讓後續的發展更有戲。

可以說追加設定，能進行加味與調味，

讓產出內容更精緻化，更貼合玩家心中的期望。

什麼是 prompt

Prompt（提示詞）本質上和 「一般在對話框下指令」 是同一件事，

但 Prompt 背後代表著一套更進階、更準確的溝通思維。

目前的 LLM 基於機率生成回答。 同樣的問題，不同的問法會觸發模型內部的不同權重路徑。

提問的方式，會直接的影響產出的品質，因此如何編寫 Prompt，是與 LLM 溝通的一門藝術。

譬如：

• 直接在對話框下指令：什麼是小籠包？
• 使用prompt思維下指令：請用繁體中文寫一篇300字的小籠包介紹，內容包含由來、發展與特色，語氣親切端莊，目標是一般遊客。

就如同前面 「兩人上學相撞」 的例子一般，在進行詳細的定義後。

能產出更明確、品質更高、貼合需求的結果。

好的prompt能幫助使用者：

1. 精確的獲得想要的答案：
   精確的 Prompt 能透過設定邊界（例如要求「僅根據提供的文件回答」），
   大幅降低 AI 幻覺，降低胡說八道的機率，提高資訊的準確性。
2. 控制輸出格式：
   直接指定回答的角色定位；內容結構、長度、表現風格，實現高度客製化的輸出。
3. 解鎖的AI深層能力：
   許多 AI 的進階能力（推理、角色扮演、多步驟分析）需要透過設計好的 Prompt 才能發揮。
4. 節省來回溝通的時間：
   減少往復修改與補充說明的次數。
5. 提升自動化效率：
   在開發層面，Prompt 是串接 AI API 與實際應用的橋樑。
   標準化的prompt，能協助AI穩定執行高重複性工作。

要提高prompt的品質，可以參考下列幾個方向：

延伸閱讀：Prompt工程（Prompt Engineering）

將 prompt 結構化

隨著需求而不斷追加設定，在對話框輸入的指令會逐漸地複雜。

最終，會開始因為文字過於冗長，難以進行閱讀、修改。

這個時候可以將prompt進行結構化，將敘述分門別類整理。

以上面 「兩人上學相撞」 的例子進行結構化的結果如下所示：

我想進行RP，以下是設定：

1.小娜(LLM扮演)：
    角色：冒失女高中生。
    外觀：髮型是高層次鮑伯頭，面容秀氣可愛，身材纖細。
    性格：冒失且膽小。

2.小明(玩家角色):
    身份：男高中生。

3.故事梗概：
    小娜咬著土司趕上學，頭髮亂糟糟、穿著急忙套上的水手服（鈕扣扣錯），與男主角在街角撞在一起。

4.背景設定：
    小娜看錯時間，真正上學的時間還沒到。
    兩個人是同校生，教室在隔壁班，小娜對玩家有些印象。

5.敘事風格：請以第三人稱，小說文體進行敘事。

結構化後，依據角色、事件、背景、敘事，將整個 prompt 進行分類整理。

提昇了可識性，也方便後續進行增改。

將 Prompt 結構化的好處：

• 對於下指令者：
  • 消除重複、冗餘的敘述。
  • 方便維護、版本控制。
  • 模組化與可移植性。
    結構化的 prompt 可以拆分成可替換的元件，方便在不同 prompt 甚至 LLM 間組合使用。
  • 便於測試評估。
    結構化後，各元件可以獨立替換測試，方便診斷影響輸出品質的關鍵變數。
• 對於 LLM：
  • 能激發 LLM 進行「邏輯鏈思考」（Chain of Thought），處理複雜推理任務。
  • 降低 prompt 的錯誤判讀。
  • 明確 prompt 判讀時的權重。
    讓 LLM 知道哪些設定比較重要、哪些是補充，避免關鍵指示被忽略。

這段 prompt 目前已稍具雛型，可以在 LLM 開新對話之後。

使用剪貼的方式，抑或存成文字檔，即上傳給 LLM 。

方便以相同條件，重複執行 RP。

使用 Google Gemini

但還有更方便的方式，便是透過 Google Gemini Gem 進行編寫、測試與實行。

Google Gemini Gem 是支援以 prompt 自定義 LLM 的設置檔，可以設置多組。

Gem 的 prompt 可以參照 Google文件，因此可以直接編輯、即時同步，甚至分享給他人。

可以多組設置、方便編輯，是本系列文選用 Google Gemini 的最大原因。

除此之外 Google Gemini 還有其他長處。

選擇Gemini之原因

• Gem Prompt可參照Google文件：
  • 隨時編輯、即時同步
  • 插件封包
    將元件獨立放在其他文檔中，在Gem中直接替換。(後續說明）
• 超長上下文（Long Context）：
  • 目前 LLM RP 的通病：RM過程產生的大量內容，會導致失憶或錯亂。(後續說明）
  • Gemini、ChatGPT 支持之文本長度遠優於其他模型。（2026.03.25 現時點）
• 原生多模態 (Native Multimodality)：
  • 使用同一個精神網絡建構跨媒介模型，能以低消耗進行複雜的任務處理。
  • 這為提供了RP更大的可能性。（RP運用於後續舉例）
• Google 生態系整合(Google Ecosystem Integration)：
  • 與 Google Workspace 聯動。
  • 能直接調用 Google 雲端硬碟、 Gmail、 GoogleMap 或 Youtuber 資源。

延伸閱讀：AI 的幻覺、失憶與錯亂

補充說明

雖然上面 LLM 的比較表格有提到，Gemini 須較多的 prompt 才能 「進入狀況」。

但這其實無妨，只要在 prompt 多下幾句敘述，協助RP內容生成時進行潤色即可。

接下來系列文的教學中，將會一一介紹潤色方法。

另，製作給 LLM 進行RP用的 prompt 其基本思路是共通的，

邏輯通達後，日後想轉換系統並不困難。

下一篇文章： Google Gemini Gem 介紹

• 服務對象：
  • 從零開始，想要自訂義AI玩角色扮演的人。
  • 無程式背景的一般人友善。
• 定位：
  • 個人部落格，無償分享。
  • 用愛發電，緩慢更新。
• 陳諾與宣告：
  • 優先使用免費/公開資源。
  • 重視隱私，教學間涉及之內容會提示。
  • 言簡意賅，降低無意義情報（情境圖片等）以免浪費時間。
  • 內容盡量手打。（專業內容請AI抓刀避免個人理解錯誤）
  • 不使用AI生成廢文、廢圖。
  • 以學術討論的立場寫作。
  • 版權宣告： GNU GPLv3

主要內容

分享以Gemini製作並進行RP的經驗與技巧。
範例以LLM免費用戶可實作的內容進行撰寫。

關於站主

• 名稱：noS
• Tag：#男性 #動漫宅 #中年
• 自介：
  • 半退環境的動漫宅（新作品看不習慣）
  • 支持知識共享
• 架站原因：
  • 中文圈沒有類似的資料
  • 拋磚引玉
  • 系統性的整理自己的心得
  • 讓讀者能藉製作自己 RP 的過程，以底層思維的角度去熟悉 LLM

其他內容 尚在吸收日月精華中…