從複製到設計：CO-STAR地基 × CIMO骨幹，組裝你的知識研究模板
帶你從複製別人的提示詞，進化到可以製作屬於自己研究框架的提示模板。本文以 DBA 文獻挖掘為案例，結合 CO-STAR通用地基與 CIMO學術語法，用「原料—模具—品管」三步法設計專屬知識生產線，讓 AI 成為放大你專業判斷力的協作夥伴。
一、複製提示詞的困境：為什麼別人的神句，到你手上總是「差一點」？
你一定經歷過這個循環：
在社群看到一篇「超強提示詞」，興奮地複製貼上，AI 給出的回覆看起來厲害，但仔細一讀——跟你真正要解決的問題，總是隔了一層紗。像是穿別人的西裝，袖子長了，肩線不對，走路就是有點彆扭。問題不在提示詞不好，而在你搞反了順序：
你先看見「句子」，沒看見「句子背後思路」所規劃出來的生產線。
那條生產線，是作者根據他的專業、他的問題、他的輸出習慣，一點一點調出來的。你複製了句子，卻複製不了他的腦袋。
這篇文章，石頭哥不給你更多提示詞。我帶你從我的真實研究困境出發，手把手走一遍帶你：如何設計出，屬於你自己專屬的提示詞框架。走完這一趟，你會擁有一條別人拿不走的知識生產線。
二、案例登場：石頭哥的文獻題目挖掘困境
我是50plus DBA 博士生，研究領域在組織變革與領導。指導教授定期丟來文獻，要我讀完後「找出研究缺口，發想可執行的題目」。
這件事的難度不在讀文獻，而在「從文獻迷霧中提煉出值得追問的問題」。我試過直接問 AI：「請幫我想三個適合博士論文探究的題目。」結果呢？AI 給的題目要麼太泛（「論數位轉型對組織績效的影響」），要麼跟我的實務背景脫節（我是科技業背景，不是純軟體業）。
我意識到：我需要的不只是「好題目」，而是一條「能持續產出好題目想法💡的生產線」。
這條生產線必須滿足三個條件：
- 接軌我的實務：不能脫離我的科技業背景
- 符合學術嚴謹：要有理論脈絡、方法論對焦、證據等級
- 對接我的工作流：產出要能直接進入我的 GitHub 文獻庫與 Obsidian 知識卡片
於是，我開始設計自己的框架。
三、兩條框架：你的生產線需要「通用地基」與「學術專用邏輯」
在組裝生產線之前，你需要兩套工具：一套是通用的提問地基，確保 AI 聽懂你是誰、你要什麼；一套是學術文獻的專用語法，確保產出不是泛泛之談，而是可研究的命題。
底層邏輯：CO-STAR 框架（通用提問地基）
這是由新加坡政府 AI 團隊（GovTech Singapore）提出的通用模型，而且還獲得國際獎項。它是所有提問的「地基」，確保 AI 明白你的背景、目標、語氣與格式。
CO-STAR 六維度，以及它在文獻挖掘中的對應：
- C - Context（背景脈絡）：你的領域、實務經驗、當前階段
- O - Objective（目標）：你要 AI 完成什麼（發想題目 / 分析缺口 / 設計方法）
- S - Style（風格）：學術嚴謹、教學引導、腦力激盪
- T - Tone（語氣）：專業但親切、批判性、鼓勵式
- A - Audience（受眾）：你自己（博士生）、指導教授、期刊讀者
- R - Response（回應格式）：Markdown 清單、50 字敘述、證據等級標註
關鍵心法：CO-STAR 不是讓你多背六個字母，而是強迫你在下指令前，先回答「我是誰、我要什麼、給我什麼格式」。這正是後面「原料區」的底層結構。
學術精準化： CIMO 框架（文獻研究專用語法）
這是管理學大師 Denyer 等人在 2008 年提出的邏輯，專為解決管理問題與系統性文獻回顧設計。它也是我從原子句提煉成文獻探究缺口的 CIMO 框架，它能幫你將雜亂的資訊拆解為四個可研究的區塊：
- Context（情境）：在什麼背景下？（如：半導體封測廠的數位轉型）
- Intervention（干預）：採取了什麼行動？（如：導入變革領導機制）
- Mechanism（機制）：為什麼有效？（如：透過 Weick 的感知轉化理論）
- Outcome（成果）：結果如何？（如：組織韌性提升）
為什麼 CIMO 是學術生產線的骨幹？
因為它強迫你從「描述現象」躍升到「解釋因果」。當你要求 AI 分析文獻時，若沒有 CIMO 的結構，AI 只會給你「這篇論文說了什麼」的摘要；有了 CIMO，AI 會給你「這個干預在這個情境下，透過什麼機制，產生什麼結果」的可研究命題。
這也是我在 GitHub 倉庫中強調的核心邏輯。
四、設計你的知識生產線：三步法（融合 CO-STAR + CIMO）
有了地基與骨幹，現在來組裝工廠。設計生產線就像設計工廠：先盤點原料，再設計模具，最後設定品管。
第一步：盤點你的「原料」（CO-STAR 的 Context + Audience）
多數人寫提示詞的第一句是「你是專家，請幫我...」。這太粗糙了。AI 不知道你站在哪裡，只能給你通用答案。
你要先回答五個問題，這些是你的獨家原料，對應 CO-STAR 的 Context 與 Audience：
- 我的領域：高科技製造業的品質管理組織，在數位轉型中的變革領導
- 我的理論視角：Schein 組織文化三層次、Weick 組織感知（Sensemaking）
- 我的方法論偏好：質性個案研究（因為我要深入理解「怎麼發生的」）
- 當前階段：題目發散期（還在找缺口，還不需要鎖定假設）
- 已累積的文獻：Schein & Schein (2017)、Weick (1995)、近五年數位轉型領導的系統性回顧 3 篇
關鍵心法：這些原料不是背景交代，而是篩選網。有了它們，AI 才知道什麼建議對你有價值，什麼建議可以自動過濾掉。
第二步：定義你的「模具」（CIMO 四步工序 + CO-STAR 的 Objective + Style）
原料進了工廠，需要模具塑形。模具有兩個部分：誰來做（角色），以及按什麼順序做（步驟）。
定義角色：不是套頭銜，是定義「思維邊界」
我不會只說「你是一位管理學教授」。我會定義他的思維模式：
你是一位專精於組織變革與領導研究的博士班指導教授，同時具備質性個案研究的深厚訓練。你的思維習慣是：先檢視理論脈絡的連續性，再辨識方法論上的可能突破點，最後評估實務場域的接軌程度。
這段描述做了一件重要的事：它給 AI 裝上了「優先順序」。同樣的文獻，策略顧問會看到商機，學院派會看到理論斷層，而我定義的這位「教授」，會按照我需要的順序來思考。
設計步驟：把「分析文獻」拆成可驗證的 CIMO 工序
不要說「請分析文獻並給我題目」。要拆成具體工序，而且每一步都要能說出「憑什麼這樣判斷」。
我將文獻挖掘拆成四步，對應 CIMO 的學術邏輯：
工序一：脈絡定位（Context）
- 梳理這個領域近五年的核心對話主軸
- 指出目前文獻中「被視為理所當然」但可能過時的假設
工序二：干預設計（Intervention）
- 提出 3 個研究設計方向，每個方向需包含：核心構念的操作型定義、建議研究方法、預期資料來源
工序三：機制推演（Mechanism）
- 針對每個方向，推論「為什麼這個干預會產生預期效果？」
- 引用至少一位經典理論家的邏輯來支撐推演
工序四：成果規格（Outcome）
- 將每個方向濃縮為「50 字內的研究題目敘述」
- 用一句話說明「理論貢獻」與「實務貢獻」
為什麼要拆成四步？ 因為這強迫 AI（也強迫我自己）先理解脈絡，再發想題目。沒有這個約束，AI 很容易「先射箭再畫靶」——先給一個聽起來厲害的題目，再胡亂找理論包裝。
第三步：設定你的「品管標準」（CO-STAR 的 Response + 證據等級）
工廠最後一關是品管。沒有品管標準，產出就是藝術品，不是工業品。
我設定了三條品管標準，直接寫進提示詞：
- 證據等級標註：每個提議必須標註 A（文獻直接支持）、B（合理推論）、C（創意發想需驗證）
- 禁止常識建議：所有判斷需基於學術文獻或方法論邏輯，不能是「我覺得」
- 缺口警報：如果發現我提供的文獻背景有資訊缺口，請明確指出，並建議補充方向
最後，我規定輸出格式（對應 CO-STAR 的 Response）：Markdown 表格，包含題目代號、50 字敘述、理論貢獻、實務貢獻、證據等級、方法論建議。這個格式讓產出可以直接貼進我的 GitHub 文獻卡片，無需二次整理。
五、進階：我的真實挖掘路徑與三階段框架
上面的三步法是「生產線的語法」。但文獻挖掘真正的難題，是「從發散到收斂」的節奏控制——太早聚焦會掉進自以為創新的陷阱，過度發散又會產出一堆彼此無關的點子。
我實際執行時，採用的是 施教授提出的「三階段議題探索框架」，搭配 CIMO 邏輯進行收斂。這條路徑的完整提示詞與執行細節，已公開在我的 GitHub 倉庫：
我的研究倉庫｜github.com/whocare-lab/dba-research-topic
以下是我從這條路徑中提煉出的三個挖掘重點，你可以直接移植到你的領域：
第一階段：來自外部（學術積累與傳承）——站在巨人肩膀上找縫隙
目標不是讀完論文，而是建立「文獻地圖（Literature Map）」，辨識整個領域的「學術對話」。
具體動作：
- 分析 Review Paper 的「未來展望（Future Research）」，找出作者已點出的缺口
- 執行「時空背景差異」挑戰：國外理論在本地脈絡（如台灣高科技產業）適用嗎？更換研究對象會如何？
- 嘗試「方法論替換」：前人用量化，我能否改用質性個案？反之亦然？
產出：列出 3 個潛在文獻缺口（Research Gap），每個缺口用一句話描述「現況 vs 理想落差」。
第二階段：來自需求（實務痛點與解決方案）——從象牙塔走向真實世界
針對第一階段篩選出的缺口，進行「解決痛點分析三部曲」：
情境一：有相關研究但推廣度低
- 分析焦點：障礙在哪？（人、制度、文化）
- 研究方向建議：採用障礙分析（Barrier Analysis）、使用者體驗、政策限制
情境二：有相關研究但鮮少自身領域
- 分析焦點：可遷移性與在地化
- 研究方向建議：概念如何「借用」與「轉譯」到我的領域？需做哪些修正？
情境三：鮮少研究（新興現象）
- 分析焦點：高風險高回報
- 研究方向建議：論證「為何是現在？（Why Now?）」，進行定義性、基礎數據探索
關鍵動作：針對每個缺口，追問五次「為什麼？」（5 Whys）直到觸及根因，收斂為 1-2 個具備實務關聯性的研究命題。
第三階段：來自生活（跨域整合與創新思維）——打破框架，連結無關的事物
運用 SCAMPER 奔馳法 擴展選題邊界：
- Substitute（替代）：能否用新理論取代舊框架？
- Combine（合併）：能否與其他領域概念結合？
- Adapt（調整）：能否借鏡其他產業的解決方案？
- Modify（修改）：能否放大、縮小或改變某個變數？
- Put to another use（他用）：這個理論能否解釋新現象？
- Eliminate（消除）：能否簡化模型，去掉某個中介變數？
- Rearrange（重組）：能否顛倒因果順序或時間軸？
最後一哩路：SMART 檢核
針對最終收斂的 1-2 個題目，逐一檢核：
- S - Specific（範圍聚焦）：範圍是否夠聚焦？
- M - Measurable（可衡量）：能否收集數據或資料來回答問題？
- A - Achievable（可達成）：時間、經費、能力是否足夠？
- R - Relevant（相關性）：對學術或實務界重要嗎？（So What?）
- T - Time-bound（有時限）：能在畢業期限內完成嗎？
為什麼這條路徑有效？ 因為它強迫你在「發散」與「收斂」之間找到可操作的節奏，確保選題同時具備 理論前沿性 與 實務相關性。這正是我的 GitHub 倉庫中 index.html 視覺化報告所呈現的完整邏輯。
六、你的生產線組裝完成：完整模板
以下是石頭哥實際使用的提示詞模板，融合 CO-STAR 與 CIMO。你可以直接複製，只改「原料區」的內容，就能為你的領域量身打造
七、行動清單：今晚就讓你的生產線通電
讀到這裡，你已經有了地圖。石頭哥建議你今晚就做這三件事，不用多：
1. 複製模板，只改一處 把「原料區」的內容填上你的真實資訊。不要追求完美，先讓它動起來。第一版一定粗糙，但沒有第一版，就沒有第二版。
2. 執行一輪，記錄落差 跑完一次後，問自己：AI 給的題目，跟我真正想解決的問題，差距在哪？這個「落差」就是你下一版要調整的變因。把這個落差寫成一行筆記，存在你的手機備忘錄。
3. 建立版本紀錄 在你的筆記軟體或 GitHub 開一個 prompt-framework 資料夾，把 v1.0 存下來。三週後你會感謝現在的自己——因為你能清楚看見「我從哪裡進化過來」。
八、結語：從複製到設計，是你知識邊界的擴容
複製別人的提示詞，就像穿別人的鞋走路，能走，但不長遠。
設計你的知識生產線，就像為自己的腳訂做鞋楦——它貼合你的領域、你的方法論、你的工作流。當你開始這樣做，AI 不再是「給你答案的搜尋引擎」，而是「放大你專業判斷力的協作夥伴」。
這條生產線的最終產出，不是 AI 給你的題目，而是你辨識好題目的能力。
「擴容不是讓你把計畫做得更完美，是讓你在計畫做到六十分的時候就開始行動。」。當你從「複製句子」走向「設計系統」，你正在擴容的，是你與 AI 協作的知識邊界。
好風憑借力，但風向，這次由你決定。
關於作者✍️
石頭哥；科技業高階主管 × DBA 博士生 × 教育部部定講師
現於元智大學管理學院攻讀博士，專注組織變革與領導研究。深信學術的嚴謹應該服務於實務的困惑，而非相反。這裡沒有標準答案，只有經過驗證的思考路徑。
📌 我想聊聊｜[email protected]
