ChatGPT 給了個怪答案，不少人的結論是「這題它不會」，接著換工具或自己查。Google Research 的兩篇研究提醒我們，這個結論常常下得太早：模型很可能存著那份知識，只是沒被喚起。以下是三個可複製貼上的 ChatGPT prompt 技巧。
查事實類問題答錯時，Google 研究發現模型多半「知道」，只是沒想起來
Google Research 用維基百科衍生的 2,150 個事實測了 13 個模型，發現 GPT-5、Gemini-3 這類前沿模型已存進 95% 到 98% 的事實，不開額外思考時卻有 26-34% 無法直接回想。開啟思考後，這批事實約能找回 40-65%。
另一篇研究指出多想有用的原因：模型寫出中間的字就多了一段運算空間，寫出相關事實還會替答案鋪路。下面三招都讓 ChatGPT 先寫出中間步驟。研究直接測的是開啟思考（推理）功能的結果，用之前先確認你的 ChatGPT 模型有開思考。這三招 Google 沒測過，我們也沒實測，所以不附 before/after 輸出，請拿自己的題目驗證。
Step 1：先請 ChatGPT 列出相關事實，再回答
先請它把相關事實列出來，再讓它作答。這段 prompt 要求 ChatGPT 在回答前列出 5 件相關事實或背景，並標上確定程度，列完才回答。它適合有標準答案的單點事實題，例如某個名詞的定義、某套制度的由來。
Prompt：
我的問題：〔貼上你的題目〕
回答之前，先列出你記得跟這個問題有關的 5 件事實或背景，每一條註明你有多確定（高／中／低）。列完再回答。
為什麼可能有用：研究稱這個機制為事實啟動。研究舉的例子是：被問尼泊爾第 10 任國王是誰，推理模型可能先列出前九任，這段暖身讓第十任更容易浮現。
怎麼確認做對了：它先列出 5 條帶確定程度的清單才作答。清單裡有你一眼看出錯的條目，整份答案先別採信。
Step 2：換三種問法，看答案穩不穩
同一題問三次，看答案站不站得住。請 ChatGPT 用三種不同說法重述你的問題，各答一次，最後列出三個答案不一致的地方。答案不一致的地方要查。
Prompt：
我的問題：〔貼上你的題目〕
請用三種問法重述我的問題：①換成別人會怎麼問；②把問題反過來問（例如把「某某提出了什麼理論」改成「某某理論是誰提出的」）；③先給一句結論，再解釋原因。各答一次，最後列出三個答案不一致的地方。
為什麼可能有用：VentureBeat 轉述該研究時提到，模型對「反向問題」（問主詞而不是受詞）特別吃力，也提醒要測試不同問法，別只信單一 prompt。所以第二種問法刻意把問題反過來問。
舉例：你是 HR，要補一段管理模型的由來，第一版年份怪怪的。請它照上面三種問法各答一次，盯著不一樣的人名、年份與數字。
怎麼判讀（編輯整理）：
| 三個答案的狀況 | 怎麼解讀 | 下一步 |
|---|---|---|
| 說法一致 | 模型比較有把握，但也可能是同一個錯誤重複三次 | 要引用的數字仍抽查 |
| 人名、年份、數字不一致 | 這幾處最可能記錯 | 標出來，自己查 |
| 流暢但空泛 | 它在給安全答案 | 補脈絡，參考反問式 prompt |
Step 3：請它回頭標出不確定的事實，這一步要你自己查
ChatGPT 給了一份看起來很完整的答案，而你準備拿去引用時，再補一句：請它逐條檢查前面列出的事實與答案裡的人名、年份、數字，標出不確定、可能記錯的。標記只能縮小查證範圍，查證仍由你完成，這一步省不掉。
Prompt：
把你前面回答裡列出的事實，以及答案中的人名、年份、數字，逐條檢查，哪幾條你其實不確定、可能記錯？標出來，我自己去查。
為什麼接在 Step 1 後：Google 另一篇研究發現，推理中只要混進一個幻覺的中間事實，最後答對的機率就明顯下降。模型標的「不確定」只是線索，自己查才是重點。
三招幫不上忙的情況：
- 研究測的是維基百科類事實。公司內部資料、小眾專業領域，模型可能真的沒學過；對沒存進去的事實，思考只能找回 5-15%（出自第一篇部落格）。
- 這類題目要改成把資料貼給它，貼之前先確認公司資安規範允許；本文三招只問公開知識，不必貼公司內部或機密資料。VentureBeat 也提醒，別把補資料（RAG）當萬用解，先判斷模型是不是本來就有答案。
怎麼知道這三招有沒有用？拿上週答不好的那題重跑一次
挑一個上週 ChatGPT 答得怪、而你查得到正解的問題。十分鐘內依序貼上三招的 prompt，每招各開一個新對話，免得後面的答案被前面影響，記下哪一招讓答案更可靠、或讓你更快找出錯處。這題要有標準答案可核對，也不能涉及公司機密。團隊版：每人挑一題，週會花十分鐘交換哪一招有用、哪裡仍要查。轉述給老闆時，一句話就夠（編輯整理）：「前沿模型多數事實其實存著，先試追問，再決定要不要補資料或換工具。」
把結果記成一張小表：哪類任務、哪一招有效、哪裡仍要自己查。這張表的邏輯跟智谷的個人 AI 技能診斷相同，以工作任務為單位，盤點 AI 幫得上忙的地方。累積一週，就知道哪些題可信。
只學一次、隔週就忘，是員工上完 AI 課卻什麼都沒改變的常見樣子。想擴充指令庫，可從20 套必學的 ChatGPT 指令挑幾條；團隊想練成習慣，可看企業 AI 應用力培訓與把 AI 工具變成競爭力。
FAQ
常見誤解：同一題問三次，答案都一樣就代表是對的？
不代表。三次一致只說明模型對這個說法比較穩，它也可能穩定地記錯同一件事。要引用的數字、人名與年份，一致時仍要抽查一次；三次都不一致的細節，更要回頭查原始來源，別因為其中一個答案寫得流暢就採用。
常見誤解：叫 ChatGPT「想久一點」就等於研究裡的多想？
未必。研究測的是模型本身的推理能力，本文三招是用提問把中間步驟寫出來，Google 沒有測過這些 prompt。它們是依機制推演的做法，有沒有效，要拿你自己的問題驗證，並記下哪一招有用。
常見誤解：用了這三招，AI 幻覺就會消失？
不會，研究也沒有這樣說。Google 的另一篇研究反而發現，推理過程只要出現一個幻覺的中間事實，最後答對的機率就明顯下降。三招能幫你多找回一些答案，並把可疑處標出來，最後的查證仍要靠人。
哪些題目不必用這三招？
需要即時資訊的題目（今天的匯率、本週新聞）要靠搜尋或原始網站，模型的記憶幫不上忙。純創意發想沒有標準答案可以核對，標記不確定也沒有意義。簡單、可以立刻驗證的問題，直接查更快。
關於智谷
智谷網絡（Kvalley Network）自 1996 年創立，專注企業 AI 轉型與中高階主管培訓，累計服務 3,000+ 家企業、75,000+ 小時訓練執行時數、年度訓練 30,000+ 人次。
研究來源
- Google Research 2026〈Empty shelves or lost keys? Recall is the bottleneck for parametric factuality〉https://research.google/blog/empty-shelves-or-lost-keys-recall-is-the-bottleneck-for-parametric-factuality/
- Google Research 團隊 2026 論文〈Empty Shelves or Lost Keys? Recall Is the Bottleneck for Parametric Factuality〉arXiv:2602.14080 https://arxiv.org/abs/2602.14080
- Google Research 2026〈Thinking to recall: How reasoning unlocks parametric knowledge in LLMs〉https://research.google/blog/thinking-to-recall-how-reasoning-unlocks-parametric-knowledge-in-llms/
- Google Research 團隊 2026 論文〈Thinking to Recall: How Reasoning Unlocks Parametric Knowledge in LLMs〉arXiv:2603.09906 https://arxiv.org/abs/2603.09906
- VentureBeat 2026〈Frontier models can recover up to 65% of facts they can’t directly recall just by thinking longer〉https://venturebeat.com/orchestration/frontier-models-can-recover-up-to-65-of-facts-they-cant-directly-recall-just-by-thinking-longer
CTA：想讓團隊把這幾個追問習慣練成日常，預約一次智谷企業 AI 培訓諮詢。