當大型語言模型進入寫作、研究、設計與知識工作，提示工程很容易被縮減成指令技巧，彷彿只要掌握幾個模板，便能穩定獲得理想輸出。真正困難的部分卻早已超過句法層面的命令。模型面對龐大語料與概率分布，提問者則必須決定哪些內容要被帶入、哪些限制需要提前設定、哪些範例足以改變生成方向，又該如何在大量可能答案之間建立暫時秩序。T. S. Eliot（1888–1965）在二十世紀初面對的當然不是大型語言模型，但他面對過另一場資訊與形式危機。第一次世界大戰後的歐洲，都市經驗、古典文獻、報紙、流行歌曲、宗教殘片與多種語言在同一文化空間內互相碰撞。《荒原》（The Waste Land, 1922）沒有試圖把破碎世界重新縫成平滑敘事，而把破碎直接納入形式，讓引文、聲音、神話與日常話語互相干擾。
詩的秩序並非來自素材減少，而來自編排強度。把 Eliot 詩學與提示工程放在一起，價值不在宣稱兩者具有神祕同源關係。更值得處理的是相似的形式難題：當素材多到無法由單一線索統攝，創作者如何安排選擇、限制、引用、順序與聲音。《荒原》提供的是現代主義對過量文化素材的處理經驗，提示工程面對的則是模型生成能力過剩後的控制問題。
兩者相隔百年，卻都把「如何編排」推到創作核心。大型語言模型也不宜被描述成擁有人類全部知識的巨大心靈。模型由龐大文本資料訓練，能在參數中壓縮語言規律與知識關聯，但並不具有文學作者那樣的生活史、創作意圖與歷史責任。把模型浪漫化為沉默智者，容易掩蓋資料、訓練方法與提示結構對輸出的影響。提示工程的真正意義，在於承認生成始終受上下文、範例、格式與任務界線牽引，並不存在脫離條件的憑空湧現。
客觀對應物：不要要求情感，先安排條件
1919 年，Eliot 在《哈姆雷特及其問題》（Hamlet and His Problems, 1919）提出客觀對應物（objective correlative）。他認為，藝術若要傳達情感，需要找到能承載該情感的物件、情勢與事件序列，讓感受透過外部事實抵達讀者。
Eliot 對《哈姆雷特》的批評，正建立在情感強度與戲劇事實之間缺少充分對應的判斷上。這段論述後來成為現代文學批評裡最廣為流傳的概念之一。提示工程可以從這裡得到很直接的提醒，當提問只寫「寫得悲傷」「寫得專業」「寫得有哲學感」，模型收到的是高度抽象的評價詞。抽象詞沒有明確指向句法、節奏、感官、場景或資料密度，模型只能依訓練資料中常見關聯去填補空缺，結果往往落入高頻措辭。悲傷容易被翻譯成空房間、雨夜與沉默，專業則滑向管理語彙，哲學感也常被誤認為抽象名詞堆疊。較有效的提示會把抽象要求翻成外部條件。與其要求「寫出孤獨」，可以規定人物在凌晨便利商店整理過期食品，收銀機每隔幾分鐘響起提示音，店外公車已停駛，手機沒有新訊息，但人物不能直接說自己孤獨。情感不再是標籤，而被分配到空間、聲音、時間與行為。
模型要完成的任務也從模仿情緒詞彙，轉成組織能承載感受的具體條件。少樣本提示（few shot prompting）與客觀對應物之間可以建立進一步連結，但不能直接畫上等號。官方提示文件至今仍把範例視為穩定語氣、格式與結構的重要方法，精心挑選的示例能縮小模型需要自行猜測的範圍。範例提供可觀察的寫作結果，模型得以從語句長度、段落節奏、用詞與組織方式推測任務標準，情感公式反而退到次要位置。
客觀對應物真正適合 AI 寫作的地方，還在於它要求提問者檢查形容詞。每次準備輸入「冷峻」「壓迫」「疏離」「精確」時，都應再問一步：相關特質在文本表面會留下什麼痕跡。冷峻可能來自少量形容詞、有限心理說明與偏硬的物件名詞；壓迫可以來自空間尺度、聲音重複與行動受阻；精確則能落在日期、數量、位置和因果關係。抽象評價經過外部化後，才真正成為可操作的提示內容。不過，Eliot 的概念仍提醒我們保留藝術與工程的距離。客觀對應物原本處理的是情感如何在作品中獲得形式，少樣本提示處理的是模型如何從示例推定輸出模式。
前者包含審美判斷，後者偏向條件控制，把兩者放在一起，目的應是互相照亮，而非宣稱百年前的文學理論已預言今日模型技術。
感官條件與抽象詞的降維
客觀對應物若只被理解成「多加感官細節」，很快又會變成新的公式。嗅覺、觸覺與聲音確實能增加文本的物質密度，但如果每次創作都固定加入雨味、粗糙牆面與遠方鐘聲，陳腔只會從抽象形容詞轉移到感官清單。Eliot 真正重視的是情感與外部事實之間的結構適配，物件本身沒有魔法，只有當物件、事件與節奏共同形成足夠壓力，情感才會在讀者端成立。AI 創意提示也需要同樣的結構意識，假設任務要寫老年失落，與其規定「至少加入三項感官描寫」，更有效的方式可能是安排人物反覆忘記某件家用品的位置，卻記得四十年前餐桌上的座位順序；空間裡沒有哭泣，也沒有直說記憶衰退，情感卻能從行動落差逐步出現。提示的精度來自關係而非細節數量，前後內容能否互相支撐，比單純增加細節更重要。
同理，要求「學術」時，真正需要規定的可能是概念定義、引用來源、反例處理與推論邊界，艱深名詞的增加並不能自動帶來學術性。要求「大眾化」也不等於縮短所有句子，可以改成限制未解釋術語的密度，要求每個抽象概念在兩段內回到例子，同時保留必要的理論深度。提示品質往往取決於操作者是否能把價值判斷翻成文本層面的可觀察條件。從工程角度看，範例與限制共同負責縮小模型的可能輸出。
從文學角度看，客觀對應物則提醒提問者，真正有效的條件不應只是格式命令，還要能在讀者感知裡產生作用。兩邊交會後，提示設計就不再只是「告訴模型怎麼寫」，而變成先分析某種效果究竟由哪些形式關係構成。
碎片不是故障：《荒原》與模組化提示
《荒原》最醒目的形式特徵之一，是語言、聲音與文化來源高度碎裂。詩中可以突然從倫敦街景轉向古典神話，從私人對話轉到宗教文獻，再從英語切換到德語、法語、義大利語或梵語。碎片沒有被藏起來，接縫也沒有完全磨平。讀者感到斷裂，正因斷裂本身就是作品組織現代經驗的方法。把碎片化理解成提示工程時，最有價值的部分不在鼓勵把所有任務切碎，而在重新理解複雜工作應如何分配。長篇寫作若只靠單次巨型提示完成，模型必須同時維持章節結構、人物一致性、資料準確度、文體限制、前後伏筆與篇幅比例，任何層級鬆動，都可能在後半段放大。
把任務分成相互連接的模組，能讓每次生成只承擔有限目標，再透過後續整合形成長文本。模組化的關鍵也不在切得越細越好，若每段都獨立生成，整體聲音會變得鬆散，角色與概念也容易漂移。《荒原》的碎片雖然斷裂，仍有反覆意象、神話骨架、聲音回聲與節奏關係穿過各部分。
AI 長文本工作同樣需要跨模組的共同記憶，例如角色表、術語表、核心命題、時間線與禁用規則。模組負責局部，公共約束負責讓局部仍屬於同部作品。碎片化還能改變提問者對錯誤的處理，當整份任務只存在於單次輸入，錯誤往往到了後段才被發現，修正成本很高。若寫作被分成規劃、資料核對、段落生成、風格校正與最終整合，問題會較早暴露。提示工程於是逐漸接近編輯工作，重點從「寫出答案」轉向「安排哪個階段負責哪種判斷」。原始構想中提到馬賽克攻擊，若放入公開論述，更合適的處理方式是把它視為安全研究提醒。複雜意圖若被拆散，局部片段可能看起來彼此無關，安全判斷便需要關注跨訊息、跨工具與跨步驟的整體目的。
碎片能支援創作，也能遮蔽意圖，所以「分解」本身沒有固定倫理方向，真正重要的是誰在編排碎片，以及整體行動最後指向哪裡。
蒙太奇、接縫與上下文編排
碎片化之外，《荒原》更值得注意的是接縫。兩段內容彼此相鄰時，意義不只存在於各段內部，也產生在轉換瞬間。從高文化引文突然落到酒館口語，從神話人物切到辦公室日常，讀者會在落差裡感到現代生活的斷裂。拼貼的力量並不等於素材彼此獨立，而在於剪接如何逼迫讀者重新調整閱讀位置。提示工作流同樣存在「接縫問題」，若第一階段產生研究摘要，第二階段直接拿摘要寫散文，摘要裡被壓縮掉的不確定性可能在下一階段被當成確定事實；若角色設定與場景生成分開處理，角色表中的抽象性格也可能在正文裡僵化成固定行為。模組之間傳遞什麼，比模組數量本身更重要。所以，複雜任務的中介產物需要經過設計。
研究階段可以輸出「已證實」「有爭議」「推測」三種狀態，寫作階段再依狀態調整語氣；小說階段可以把角色設定拆成已知事實、角色自我理解與他人誤解，避免模型把每項設定都當成客觀真相。接縫若保留資訊層級，後續生成就比較不容易把前階段的壓縮誤差擴大。Eliot 的拼貼也提醒我們，轉場不必總是解釋得完全平滑。
AI 長文最常見的人工感之一，正是每節末尾都替下一節預告，每節開頭又重述前節結論，結果讓文章像由大量橋接句包圍。適度保留跳接，反而能讓不同內容彼此產生壓力。流暢不等於每處都加銜接詞，真正的連續性可以藏在概念回聲、意象或問題延續之中。
Ezra Pound 與刪除：提示工程也是編輯工程
《荒原》的完成史還提供另一項很適合 AI 時代的提醒。Eliot 將早期稿件交給 Ezra Pound（1885–1972）後，作品經歷大幅刪改。Eliot 後來回憶，原先相當龐雜的稿件經 Pound 編輯後縮短許多，而 1922 年正式出版時，詩作也以「il miglior fabbro」向 Pound 致意。
作品今日最著名的碎裂密度，與刪除、壓縮和重排密不可分。生成式寫作常把注意力集中在第一輪輸出，好像提示寫得夠精準，理想文本便應一次完成。實際工作更接近 Eliot 與 Pound 的編輯關係。模型可以產出內容，提問者仍需判斷哪些段落只是重複命題，哪些比喻過度飽滿，哪些句子雖然漂亮卻偏離論證，哪些素材應該移往別節。生成量增加後，刪除能力反而比單純增加文字更重要。提示工程到這裡也開始離開「命令機器」的想像。真正成熟的流程包含多次回看與再編排：先生成，再抽取核心，再檢查重複，再改變段落次序，最後重寫接口。若每次修訂都只要求模型「更好」「更流暢」，模型仍會依高概率方式補句。若修訂指令指出具體問題，例如「第三與第五段功能重複，保留第五段史料，將第三段改成概念過渡」，編輯方向才會真正清楚。
刪除還關乎文本倫理，因為大型語言模型很擅長填補空白，卻也容易把尚未確定的地方寫得過度完整。論述一旦過度平滑，讀者反而看不到內容之間原本存在的裂縫。Eliot 的現代主義形式提醒我們，有些接縫值得保留，有些問題不必被強行解釋完畢。AI 寫作的成熟度，可能部分表現在它是否允許不確定性留下，而非每段都以整齊結論收束。
複調：單一模型裡的多重聲音
《荒原》裡的人聲不斷換位，上流社會的焦慮、酒館裡的閒談、預言者的聲音、神話人物、城市職員與匿名說話者互相穿插。Eliot 自己在詩注裡特別指出 Tiresias 位於全詩核心，雖然主要是一名觀看者，卻把多個人物與性別經驗連接起來。作品由此形成不穩定的發聲結構，讀者很難把全部句子固定在單一抒情主體上。 若借用 Mikhail Bakhtin（1895–1975）後來發展的複調概念，需要先保持理論邊界。Bakhtin 的複調主要從 Fyodor Dostoevsky（1821–1881）的小說分析展開，並非 Eliot 自己描述《荒原》的術語。
不過，把複調當成閱讀工具仍有意義，因為它提醒我們，文本可以容納彼此衝突而未被單一作者聲音完全消化的立場。角色提示（role prompting）是最容易與複調建立關係的技術。當模型被要求從法律研究者、工會代表、創業投資者或藝術家的位置回應同一議題，提示其實在改變輸出所採取的概念框架、詞彙範圍與證據偏好。
官方模型文件也把角色設定列為聚焦行為與語氣的常見方法。角色並沒有把模型變成真正的社會行動者，卻能把不同論述位置顯性化。 多角色提示真正有價值時，並不是讓模型排列幾段彼此禮貌的觀點。若每個角色都被要求「提供平衡看法」，最後仍會滑向中庸摘要。較好的設計會把衝突寫進任務，例如要求各角色指出對方最無法接受的前提，再要求第二輪只回應先前批評，最後才整理仍未解決的爭點。如此才能讓多聲部保持摩擦，避免過早融合成沒有棱角的共識。Tiresias 也提醒我們，不應把大型語言模型浪漫化為跨越所有身分的全知聲音。模型確實能模擬多種語言風格與知識位置，但模擬來自訓練資料與提示條件，並不等同親身經歷。
當它模擬失業工人、難民、病患或少數群體時，文本仍是統計生成，不能取代當事人的證詞。複調提示最合理的用途，在於展開分析空間，再把真正需要經驗證據的位置交回來源資料與實際發言者。
思維鏈與可見理由：不要把解釋誤認成內部心智
原先把《荒原》的意識流與思維鏈（chain of thought）並置，是很有誘惑力的類比，卻需要大幅修正。2022 年的思維鏈研究顯示給予中間推理示例可以改善部分算術、常識與符號推理任務的表現。後續研究同時指出，模型輸出的理由未必忠實反映內部計算過程，表面上連貫的步驟有時只是與答案共同生成的說明文本。 所以，AI 產出的可見理由不能直接等同 Eliot 詩中的內在意識。《荒原》的聲音排列屬於文學構造，讀者面對的是被精密編輯過的語言表面；模型的步驟說明則是生成結果之一，具有功能性，也可能產生事後合理化。把兩者連接起來，更值得注意的是可見語言如何建立可信感，以及可信感何時會超過內容本身的可靠程度；「內心被外化」反而容易把模型擬人化。
在複雜工作裡，與其要求模型展示所有內部推理，更合適的方式往往是要求可檢查的工作產物。例如研究任務可以要求列出引用來源、關鍵假設、計算結果與仍待確認的問題；寫作任務可以要求先給章節結構，再附上每節功能與證據來源。檢查點應落在外部可驗證內容，流暢的推理文字不能直接當成心智透明度。Eliot 的詩學在這裡反而提供警告。《荒原》充滿具有權威感的引文與聲音，但權威來源彼此異質，部分甚至被斷章、錯置或移入全新關係。讀者必須主動辨識聲音來源，不能只因語調莊嚴就接受其地位。
面對 AI 生成的長篇解釋，也需要同樣的閱讀紀律：語氣穩定不代表事實可靠，推理連續也不代表前提正確。
神話方法：框架如何控制生成
1923 年，Eliot 在評論 James Joyce（1882–1941）的《尤利西斯》（Ulysses, 1922）時提出「神話方法」（mythical method）。他關注 Joyce 如何讓《奧德賽》的古典結構與現代都柏林生活形成平行關係，並把神話理解成組織現代混亂內容的方法。Eliot 認為，神話骨架能替龐雜現代經驗提供秩序與形式，而不必回到傳統線性敘事。 提示工程裡最接近神話方法的部分，落在先建立結構，再讓生成內容進入結構；特定神話內容本身只居於次要位置。長篇報告可以先規定章節功能與證據層級，資料抽取可以先定義欄位，工作流也能預先設定每階段要接受什麼輸入、交付什麼結果。
當模型知道輸出應該落在哪些欄位，生成空間便會受到明確約束。結構化輸出在 API 系統裡甚至能進一步透過 JSON Schema 限定欄位與型別。現行模型介面已提供符合 schema 的結構化輸出機制，讓應用程式不必只靠自然語言祈求格式穩定。 神話方法與 schema 當然分屬文學與軟體兩端，但兩者共同呈現相似原則：龐大內容若沒有先行關係框架，後續整合成本會迅速升高。
框架也可能過度僵硬，神話若只剩模板，現代經驗就會被壓成古老故事的翻版；schema 若定義得太早，模型也可能把原本值得保留的例外硬塞進欄位。好的結構需要同時保留「unknown」「other」「notes」或人工覆核空間，讓無法被既有欄位吸收的內容不必被強行分類。控制生成並不等於消除所有剩餘，結構的價值仍要接受內容本身的反向修正。
限制、格律與負面提示
原先把語法提示比成古典格律，方向值得保留，但更適合從「限制如何生產形式」來處理。詩歌的格律、行長、押韻與音步都會收窄可選語句，作家必須在有限範圍內尋找較精準的組合。提示中的篇幅、段落、詞彙禁則、格式欄位與視角限制，同樣會改變模型的生成空間。限制並非越多越好，若指令同時要求短句、長句、零重複、高學術、高口語、完全中立、強烈個人風格、固定篇幅與大量引用，規則彼此可能衝突，模型只好在局部妥協。
真正有效的限制需要有層級，先說明最重要的任務目標，再交代硬性格式，最後才補風格偏好。當規則相撞時，也應提前指定哪項優先，否則模型只能在多重要求之間自行猜測。值得注意的是，近期官方提示文件更強調正面說明理想輸出，大量堆疊「不要」已不是首要建議。例如若希望散文流暢，可以直接規定完整段落與連續論述，數十項禁則未必能提供同等清楚的方向。 負面條件仍有價值，尤其適合排除明確陳腔、格式錯誤或法律風險，但若整份提示幾乎全由禁止構成，模型會得到龐大的排除空間，卻仍不清楚最終應該往哪裡走。Eliot 的現代主義紀律也不等於任意增加限制。
他反對陳腔，重視形式控制，但《荒原》的力量並沒有來自整齊規則。詩中恰恰同時存在韻律、自由詩、引文、戲劇對話與歌謠殘片。提示工程若真要從 Eliot 學習，重點或許是讓不同限制服務不同區域，全文壓成單一模板反而會削弱形式變化。
傳統與檢索：RAG 不只是外接記憶
在《傳統與個人才能》（Tradition and the Individual Talent, 1919）中，Eliot 對「傳統」的理解遠比引用經典更嚴格。詩人需要形成歷史意識，知道當代作品進入既有文學秩序後，也會重新改變人們閱讀過去作品的方式。Eliot 所說的傳統更接近持續重排的關係網路，遠遠超過資料倉庫的概念。 檢索增強生成（retrieval augmented generation，RAG）與這裡確實存在耐人尋味的對照。2020 年提出的 RAG 架構，其核心想法是把參數化模型與外部非參數記憶結合，讓生成時能檢索相關文件。今天許多知識型應用也沿著近似方向工作，先找出相關資料，再讓模型根據檢索內容回應。 但把 RAG 直接稱作 Eliot 傳統觀的機械版本仍會過度簡化。
RAG 解決的是知識取得、更新與來源連結問題，Eliot 關心的則是創作者與歷史秩序之間如何彼此改變。檢索系統可以找到 Dante Alighieri（1265–1321）、William Shakespeare（1564–1616）或 Charles Baudelaire（1821–1867）的段落，卻不會自動理解引用放入新作品後形成的文化壓力。
資料能被提取，互文關係仍需要編排，檢索只能把來源帶到眼前，無法替創作者完成歷史判斷。真正接近 Eliot 的地方，在於提示者不能把外部文件當成無差別資料堆。檢索結果需要排序、去重、判斷可靠度，也要區分原始史料、評論、二手摘要與推測。若所有文件都以相同權重塞入上下文，模型很可能把權威來源與低品質內容混在一起。歷史意識到了 AI 工作流裡，首先表現為來源層級意識。《荒原》的引文方法更進一步說明，引用並不只是證明自己讀過什麼。Dante、Shakespeare、Baudelaire、宗教文本與流行歌曲進入同部詩後，原先來源並未消失，但語義位置已經改變。
RAG 若只追求「找對答案」，功能偏向知識服務；進入創作領域後，真正困難的是如何讓來源彼此產生關係，逐段貼上檢索片段只會留下資料拼接感。
互文性、來源層級與幻覺
《荒原》的互文密度容易讓 AI 時代讀者產生錯覺，彷彿只要加入大量引用，文本便會自動獲得深度。Eliot 的引文之所以成立，卻與來源的位置、歷史重量和轉換關係密切相關。引文不是裝飾性證據，它們會改變當下句子的時間尺度，也會把讀者帶入其他作品留下的記憶。生成模型特別容易製造「看起來像來源」的文字。當提示要求學術風格卻沒有提供資料，模型可能產生合理格式的作者、書名、論點與頁碼組合，即便其中部分並不存在。檢索系統能降低相關風險，但檢索本身仍需要來源治理。搜尋到的網頁、摘要、資料庫條目與原始文件具有不同證據重量，模型若無法區分，引用數量增加也不會自動提高可靠度。較好的工作方式，是先要求來源具有明確身分，再進入寫作。
第一手文獻可以支撐作者自身主張，學術研究適合處理爭議與歷史脈絡，官方技術文件則負責當前功能與規格。當某段只能找到二手摘要，正文應降低確定語氣。來源層級若先被保存，模型就較難把轉述寫成原話，也較容易標記仍待核對的位置。Eliot 本人替《荒原》加入註釋，註釋後來又成為作品閱讀史的一部分。那些註釋並沒有徹底解開詩，反而有時增加迷宮感。
AI 寫作也可以從中得到更成熟的來源觀：註解不必承諾消除所有歧義，它首先應讓讀者知道資料從哪裡來，哪些連結由作者提出，哪些判斷仍需要讀者自行衡量。RAG 的價值由此不只在「補充知識」，還在建立可追溯性。若外部文件只是被悄悄吸收進生成，讀者仍無法判斷答案如何成立；若系統能保留文件身分、引用位置與證據邊界，模型才真正從模糊記憶轉向可檢查的知識工作。檢索只能替傳統進場準備基礎設施，傳統本身還包含歷史位置與關係判斷。
無人格詩學與模型：相似之處最容易誤導
Eliot 在《傳統與個人才能》中提出無人格詩學，並以催化劑比喻成熟詩人的心智。詩人的心智像化學反應中的媒介，情感、語句與意象在其中形成新組合，而藝術價值不等於作者直接傾倒私人情緒。 這段理論放到 AI 時代，很容易讓人產生驚人的熟悉感：模型同樣接收大量語言內容，再重新組合成新的文本。但相似到這裡就必須停下來，因為 Eliot 的「無人格」仍建立在人的歷史意識、技術訓練與審美判斷上，他要求詩人壓低自我宣洩，並沒有取消作者責任。
大型語言模型則沒有需要被克服的私人情緒，也沒有自我犧牲的審美倫理。把模型稱為 Eliot 意義下的完美無人格詩人，會把比喻推得過遠。真正值得借用的是「媒介」概念，AI 生成可以被理解成多種內容進入轉化環境後的再組合，而提示負責改變哪些內容被帶入反應、哪些關係被放大。
提問者也不必把模型視為具有固定人格的合作者，反而可以把注意力移到輸入條件、資料來源、範例與限制如何共同塑造結果。無人格詩學還能修正「風格模仿」的粗糙想像。輸入某位作者姓名，模型確實可能調動與該作者相關的句法和詞彙模式，但名字只是高度壓縮的文化索引。更負責任也更精確的方式，是拆解風格特徵，說明句長、敘事距離、意象密度、對話比例與修辭偏好，再要求模型在相關條件內工作。風格由可描述特徵組成，不必被神祕化成作者靈魂。
作者性沒有消失，只是移動了位置
生成式 AI 最常引發的文學問題之一，是作者究竟還剩下什麼。如果模型能迅速提出比喻、段落與情節，作者似乎只需從候選結果裡挑選。Eliot 的無人格理論常被拿來支持相關看法，彷彿現代主義早已宣布人格不重要，只要內容能在媒介裡形成新組合即可。但 Eliot 的理論恰好拒絕如此簡化。他要求成熟詩人建立歷史意識，經過長期閱讀、比較與形式訓練，再讓私人情緒轉化成作品內部的關係。
人格退場並不代表判斷退場，相反地，作者需要更強的技術自覺，才能知道哪些內容值得留下，又如何讓它們脫離私人宣洩後取得公共形式。AI 寫作裡的作者性也可以從「產句權」轉向「決策責任」。模型可能提出二十種開頭，真正決定文章的是哪段被保留、哪段遭刪除、哪些來源被信任、哪些敘述被改寫，以及最後願意以何種名義公開。生成行為可以分散，責任卻不能被概率模型吸收。相關觀點也能處理共同創作，若作者提供素材、研究問題與風格規則，模型負責候選文本，作者再經多輪重寫與查核，成品已經很難用「全由人寫」或「全由 AI 寫」兩類簡單判斷描述。更準確的問題是創作鏈如何分工，以及關鍵判斷落在哪些節點。作者性由單點來源轉成編排權與責任鏈，創作來源變得分散，責任判斷卻需要更清楚。
Eliot 曾把成熟詩人的心智比作催化媒介，但催化劑比喻不能拿來替模型免責。模型沒有法律與倫理責任，部署者、編輯者與發表者仍需承擔公開文本的後果。無人格美學可以幫助我們離開自我表白中心，卻不能成為取消人的責任位置的理論藉口。
從「風格提示」走向形式分析
「以 Ernest Hemingway（1899–1961）的形式特徵改寫」「帶入 Oscar Wilde（1854–1900）的機智節奏」之所以吸引人，正因短短名稱能召喚龐大文化聯想。模型把人名當成語義索引，讀者也會如此。問題在於索引同時帶來模糊，不同人心中的 Hemingway 並不一致，有人想到短句，有人想到冰山理論，也有人想到戰爭、酒吧、狩獵與男性氣質，最後的生成方向並不穩定。Eliot 對傳統的要求反而鼓勵更細緻的分析。若真正理解某位作者，就應能說出形式如何工作，單靠姓名不足以完成形式分析。
提示可以把「像 Eliot」拆成多聲部轉換、跨文本引文、都市意象、神話結構、語域碰撞與節奏斷裂，再從中選擇適合任務的部分。作者姓名由此退回參考座標，真正主導生成的是可檢查的形式條件。相關轉向還能降低 AI 文本最常見的「塑膠感」。
塑膠感通常不只是因為模型沒有感情，而是指令太抽象，結果只能依賴高頻美學符號。若要求「詩意」，模型會堆積月光、記憶、回聲與時間；若改為指定聲音來源、物件、視角距離、句法速度與意象禁區，文本就更容易離開通用抒情模式。提示工程到了這裡已經接近文體學，操作者需要知道哪些形式因素真正產生效果，也要分辨哪些只是讀者對名家的刻板印象。AI 沒有替文學分析省事，反而讓分析的重要性變得更高。你越能精確描述文本如何成立，就越能避免把生成交給模糊的文化標籤。
《荒原》的拼貼與上下文視窗
大型語言模型還帶來另一項與《荒原》相互映照的問題，那就是上下文容量。模型一次能處理的資訊再大，也仍有選擇與排序問題。長文件、範例、規則、對話歷史與檢索片段一起進入提示後，資訊量可能已經遠超人類工作記憶，但「多」並不自動轉成「好」。《荒原》對文化素材的處理很少追求百科全書式完整。Eliot 讓少量引文承担巨大的歷史重量，同時依靠位置與碰撞產生意義。提示設計也需要類似節制，因為放入十篇文件不等於提供十倍幫助，真正重要的是任務需要哪些內容，以及它們彼此的優先順序。
上下文若沒有層級，模型會同時面對過多競爭訊號。長上下文技術進步後，提示工程反而更接近策展。策展者不以把倉庫全部搬進展廳為目標，而是在有限觀看時間裡安排作品關係。面對模型也是如此，哪些內容放在前面，哪些置於任務附近，範例是否和指令明確分開，來源能否被清楚辨識，都會影響生成結果。近期官方文件也持續強調清楚分隔上下文、範例與指令，正說明資訊結構的重要性。 上下文視窗還帶來遺忘問題，當對話很長，早期設定可能逐漸被後續內容稀釋。長篇創作若只依賴聊天歷史保存人物與世界觀，穩定度通常有限。
更可靠的方法是定期把核心設定重新壓縮成短文件，再把最新版本送回工作流程。這很接近 Eliot 對傳統的理解：過去並非原封不動地堆著，而要不斷經過重新排列，才能繼續作用於現在。
提示本身也需要批評
提示工程常被理解為向模型下達工作要求，卻很少被當成值得分析的文本。其實提示本身已經包含作者對世界的預設。要求模型扮演「成功企業家」時，成功由什麼指標定義；要求它寫「典型家庭」時，典型家庭包含誰；要求它生成「專業女性」形象時，專業又被哪些外觀符號代表。模型會沿著提示裡未被檢查的假設繼續生成。Eliot 的批評工作提供很好的反向提醒。寫作之前先批評自己的素材與形式，並不是創作的附屬程序。提示也需要經歷類似檢查：哪些詞太抽象，哪些角色帶著刻板框架，哪些分類先把答案預設好了，哪些來源其實只是方便而非可靠。若提問本身帶有狹窄前提，再高性能的模型也只能在狹窄空間內精緻化結果。
「提示素養」到了這裡便超過技巧熟練，它包含能否辨認任務裡的權力關係、資料缺口與評價標準。教育場景若只教學生如何讓模型回答得更像標準答案，最終可能只是提高服從模型輸出的效率。更重要的訓練，是讓學生比較不同提示如何改變同份資料的解釋方向，再追問誰決定問題、誰設定分類、誰沒有被放進問題。從文學角度看，提示也像前文本，它通常不公開出現在最後作品裡，卻影響文本的視角、節奏與排除項目。
研究 AI 創作若只分析成品，卻忽略提示、檢索資料與修訂紀錄，就像研究《荒原》卻完全不碰草稿、註釋與 Pound 的編輯痕跡。生成作品的歷史存在於成品之前，批評方法也需要跟著往前移動。提示批評還需要承認偶然性，相同提示在不同模型、不同版本與不同時間可能得到不同結果，提示不是固定樂譜，模型也不是完全可預測的演奏者。真正穩定的能力不在記住某句神奇指令，而在面對模型變動時仍能重新界定任務、提供資料、檢查輸出，再依結果調整流程。
模型的「碎片」與現代主義碎片並不相同
把《荒原》的碎片形式映射到大型語言模型時，還需要辨認兩種碎片的來源差異。Eliot 的碎片經過作者與編輯者有意識地選擇、剪裁與定位，每段引文為何出現在特定位置，可以從作品結構與文化來源進行分析。模型訓練資料則不是以單部作品的審美目的被收集，語料之間的關係先經統計學習壓縮，生成時再依當下條件重新取樣。所以，模型生成看似能自由穿梭文體與知識領域，並不等同現代主義拼貼。前者的跳接常來自概率關聯，後者則有作者安排的歷史與形式責任。
若提示者希望生成真正具有拼貼力量的文本，就不能只命令模型「混合五種風格」，還需要指定素材之間為何衝突、接縫要保留到什麼程度，以及每次轉換對整體命題有何作用。兩者最值得比較的地方，反而在「異質素材如何被迫共處」。模型擅長把衝突素材平均化，經常自動補上平滑解釋。
《荒原》則保留不少不能互相化解的聲音。提示若要抵抗平均化，可以明確要求不要提前綜合，先保存概念衝突與來源差異，待最後階段再判斷哪些部分真的能合併。如此做法較接近現代主義拼貼的精神，也比較能避免 AI 常見的四平八穩。此外，碎片不應成為逃避知識準確度的藉口。Eliot 可以透過斷裂產生詩意，研究寫作卻仍需區分事實、引文與推論。AI 文字若故意模仿《荒原》的不確定聲音，讀者也許能接受文學模糊，但涉及歷史、科學與公共政策時，來源標示仍不可省略。形式自由與知識責任需要在不同文類裡重新配置。
評估比生成更接近批評
提示工程經常把成功理解成「模型有沒有照做」，但文學創作很少只有服從問題。文本可能完全符合格式，仍然空洞；也可能在部分違反原先規定後，意外產生更好的形式。Eliot 長期把批評與創作放在相互牽動的位置，提醒我們技術控制之外還有判斷。模型愈能遵循指令，評估反而愈需要獨立於指令本身。評估可以分成幾個不同層面，但不必做成僵硬量表。事實性任務首先檢查來源、數據與推論；長篇論述還要觀察章節是否真的前進，或只是換詞重述；小說與散文則需要注意人物、視角、節奏、感官密度與語氣是否互相支撐。
模型很容易在局部句子上表現良好，整體卻陷入功能重複，所以評估必須能跨越單句。Eliot 的批評方法還帶來另一項提醒：不要只檢查文本像不像既定範本，也要檢查它是否在範本內部產生新關係。少樣本提示若提供三段高度相似的範例，模型往往能複製表面形式，卻也可能把範例中的偶然特徵誤當核心規則。真正好的範例需要帶有變化，讓模型抓到較高層的共同原則，避免只記住某個開頭、句長或結尾姿勢。當模型輸出失敗時，修正也不該立刻歸咎於模型能力。問題可能出在任務定義模糊、資料彼此衝突、範例品質不佳、上下文過載，或評估標準本身沒有說清楚。提示工程若缺乏批評環節，就會陷入無止境改寫指令，卻沒有真正定位錯誤來源。批評在這裡更接近工作流的診斷能力，功能遠超過事後挑錯。
提示與批評於是形成循環，提示先提出形式假設，生成結果讓假設接受測試，評估再把失敗回傳到下一輪條件設計。循環沒有保證作品愈改愈好，但它讓創作不再依賴單次幸運輸出。Eliot 與 Pound 對《荒原》的反覆刪改，也提醒我們，重要作品往往在修訂過程逐步辨認真正需要留下的結構，第一稿很少天然接近完美。
提示工程的文學性究竟在哪裡
若提示工程具有文學性，原因不在 Prompt 本身必然具有詩意，也不在操作者需要把指令寫得華麗。文學性更接近對形式後果的敏感：知道刪掉哪個形容詞會改變語氣，知道把內容提前或延後會改變讀者判斷，也知道同一句要求放在不同上下文裡可能得到不同文本。提示的文學價值來自關係設計，而非修辭裝飾。這點也能反過來修正文學對 AI 的焦慮。模型最容易取代的是大量慣例化表達，因為慣例本來就具有高度可預測性。當作品依靠固定轉場、標準情緒詞與熟悉比喻維持文學感，模型很快便能生成近似結果。真正難以被簡單複製的部分，常落在素材選擇、長期記憶、地方知識、形式冒險與作者願意承擔的判斷。
Eliot 並沒有把創新理解成與傳統斷絕。他反而要求創作者深入傳統，再從重新排列關係中產生新作品。AI 時代也許會把相關命題推向更尖銳的位置：當機器已能大量重組既有語言，人類創作者更需要知道自己為何重組、從哪裡重組，以及重組後願意對誰負責。
提示工程不是咒語，而是編排責任
把提示稱為「咒語」很迷人，因為輸入幾句文字後，螢幕確實會迅速出現成篇內容。但咒語隱喻容易把系統行為神祕化，也讓失敗看起來像提問者沒有找到正確密碼。現實更接近條件設計：模型根據指令、上下文、範例、工具與既有對話產生回應，結果帶有概率變動，沒有單句永遠有效的魔法格式。提示工程師真正接近的角色，或許是編輯、導演、研究設計者與策展者的混合。工作重心落在既有內容與生成能力之間的關係設定，從虛無中產出所有內容並非主要任務。哪些資料允許進場，哪些聲音需要分開，哪些規則屬於硬限制，哪些部分能留給模型探索，都涉及判斷。創造力也隨之改變位置，傳統浪漫主義想像偏好把創作放在內在靈感爆發，Eliot 則長期反對把詩等同私人情緒的直接表達。
AI 時代把相關問題推得更遠：當模型能快速生成大量候選文本，人的價值更集中在選擇、比較、拒絕、重組與承擔後果。生成越廉價，判斷越昂貴，創作者需要投入更多時間辨認價值，而非只是追求產量。作者並沒有退化成按鍵者，恰好相反，當文字取得變得容易，作者必須更清楚知道為何保留某句，為何刪除某段，為何相信某個來源，為何拒絕某種自動完成。作品不再能只以「模型寫的」逃避責任，因為真正進入公共空間的是經過人選擇後的結果。
從雷聲到控制：結尾不必變成操作口號
《荒原》第五部以雷聲與梵語進入結尾，Datta、Dayadhvam、Damyata 分別連向給予、同情與控制。把三個詞直接翻成「提供上下文、理解需求、控制輸出」頗有機智，也很適合作為文章最初的發想，但若全文已經把 Eliot 詩學放進更嚴謹的理論關係，結尾最好保留原詩的宗教重量與不可完全工程化的部分。「給予」可以讓我們想到提示必須提供足夠資料，但資料越多並不必然越好；真正重要的是願意交付什麼背景，又願意承認哪些資料缺席。「同情」也不只是理解客戶需求，它可以擴展成對讀者、被描述者與資料來源位置的注意，提醒寫作者不要把所有人都縮成任務欄位。
「控制」則不必理解成完全控制模型，而更接近對自身生成慾望的節制。節制在 AI 時代尤其重要，因為模型可以瞬間提供更多版本、更多字數、更多比喻與更多論點，擴張幾乎沒有自然停止點。真正成熟的寫作流程需要知道何時停止生成，何時回到原始資料，何時承認證據不足，又何時寧願留下空白。
控制最先指向的也許是操作者面對無限生成時的取捨能力，模型控制只佔其中部分。Eliot 在《荒原》裡沒有替破碎文明提供工程解方。詩的結尾仍留有不安、殘響與未完成感，若把它帶到提示工程，最值得保存的或許正是這份未完成。提示能安排條件，檢索能補充來源，schema 能限制格式，模型仍不會替人取消價值判斷。數位荒原需要的不只是更有效率的生成，也需要知道哪些問題不能被生成本身解決。
從《荒原》回看當代 AI 寫作
一百年前，《荒原》處理的是現代性帶來的文化斷裂，人工智慧當然尚未進入問題範圍。它面對龐雜素材時沒有尋找簡單中心，而透過碎片、引文、神話與聲音組織出可以承受斷裂的形式。當代提示工程面對的則是另一波過剩：模型能生成太多，檢索能取回太多，上下文能容納太多，真正稀缺的逐漸變成選擇與秩序。客觀對應物提醒我們把抽象要求轉成可觀察條件；碎片化提醒我們拆分複雜任務時仍需保存跨模組關係；複調提供多角色分析的啟發，同時警告模擬聲音不能取代真實經驗；神話方法則讓結構化輸出與工作流獲得更深的形式理解。
傳統與個人才能又把檢索問題推向來源關係，提醒我們外部知識不是單純倉庫。幾組對照之間沒有機械對應，客觀對應物不等於少樣本提示，神話方法也不等於 JSON Schema，Eliot 的無人格詩學更不能直接拿來替模型主體性背書。真正有價值的地方，在於文學理論提供較古老也較精細的形式問題，讓提示工程離開技巧清單，轉向創作秩序如何成立。原文最後借用《荒原》結尾的梵語「Datta. Dayadhvam. Damyata.」來替提示工程安排三項原則，這個想法可以保留，但不必把三個詞硬翻成操作守則。Eliot 從《奧義書》取來的給予、同情與節制，在詩中本來就帶著宗教與倫理重量。
放到 AI 寫作，它們更適合成為提醒：給予模型足夠資料，同時理解讀者與任務真正需要什麼，最後對生成保持節制，不把所有可能文字都推向成品。《荒原》晚近最常被引用的意象，是把碎片堆在廢墟旁，以有限碎片抵抗崩塌。提示工程的處境與此確有某種相似，面對龐大概率空間，我們只能暫時選取片段，建立當下足以工作的秩序，再等待下一輪修訂。秩序並不永久，提示也不會成為終極格式。螢幕上的游標仍在閃爍，但真正重要的已經不是如何向模型說出更漂亮的命令。
問題逐漸轉向：我們準備把哪些碎片帶進來，願意讓哪些聲音彼此碰撞，又打算留下哪些空白。當生成能力不再稀缺，創作的重心重新落在編排與判斷，而這正是 Eliot 百年前已經以詩與批評反覆處理的工作。