〈2026 長照醫療應用競賽產生範例〉這個連結是示範如何透過 ChatGTP 產出長文本的作業範例，裡面的產品、企業、競賽都是模擬出來的資料，並非真實的場景。
今天收到公文，我們的產品繼九月榮獲〈2025 AI 大健康醫療應用創新大賽〉第二名後，又接連拿下〈國家新創獎〉「企業新創獎」的肯定。
回想今年六月與七月，公司曾表示有意參加幾項不同競賽。當時研發部門僅有三名工程師，搭配一位產品經理與一位專案經理，原本 PM 認為難以撥出人力與時間投入。但我心想若僅是撰寫參賽文件，而我們又已具備具體的技術架構與細節，或許可以一試。於是我主導了第一場競賽的計畫書撰寫，後續也負責第二場競賽的技術內容與最終文件調整。得知最終獲獎的那一刻，內心百感交集。
這裡簡單分享我如何運用 LLM（大型語言模型）的功能，來完成這兩項任務，並最終獲得實質肯定。不過在分享之前，必須先強調，真正的關鍵仍在於技術實力與產品本身。參賽文案的角色，是將我們的核心技術與產品價值完整展現與包裝。若缺乏這份實質內容，或欠缺好的呈現方式，終究難以在眾多競爭者中脫穎而出。而若不理解其中技術與邏輯，LLM 終究也幫不上忙。
提供競賽的原始資料來源，透過深度研究（Deep research）來產出第一版的競賽分析，在這個步驟應該要完整說明我們參賽產品的背景資料，包含這個產品應用在哪裡？有哪些功能，功能的細部描述，以及我們已知的產品參賽優勢與劣勢。
當 LLM 進行深度研究時，有些 LLM 會請我們補充關鍵資訊，這時候應該將關鍵資訊補上，接著等 LLM 將深度研究完成。若深度研究的結果有需修正的地方，也可以透過後續的提示詞來修正，但記住後續提示詞的修正過程，是額外將深度研究內容進行處理，並不是重新處理深度研究裡的所有文案。
注意：深度研究只適合資訊蒐集跟研究的任務，較不適用於單純的文章撰寫或是其他專業的問答。
LLM 本身有上下文跟文字（Token）的處理限制，因此我們必須善用分段處理的方式，達到我們進行長文本的分析或寫作需求，以下是我透過 LLM 來進行長文本產出的方式。
除了前面競賽策略分析時，我們提供了完整的參賽背景資訊之外，我們首先要先告訴 LLM 接下來的主要「任務」。因此我先提供了「○○科技」的公司背景。這邊可以是我們從已有的文件或新聞稿來貼上，也可以自己補充缺少的資訊。
像參賽規定中有提到，團隊簡介是要求 300 個字，在這裡就可以先讓 LLM 產出 300 字以內的介紹。另外當產出的文案不完全滿足我們的需求時，可以給予新的提示詞，讓 LLM 進行修正。
注意：有時限制了輸出字元數量，但 LLM 並不完全能遵守我們給的提示詞，若不符合我們需求，可以多次嘗試到符合需求為止。
前面提到 LLM 無法處理長文本，因此可以利用分段的方式，讓它一次處理一小段。而要讓每一段本身能夠前後連貫，就可以先從架構來展開。
以某個競賽為例，參賽規範有明定計劃書為 20 頁，因此我會將第二項到第五項，先請 LLM 分析頁面比例。但它給出的頁面配比跟我想要的有所差異，所以我有透過提示詞修正了頁面配比，最後修正為產品概述為 4 頁；創新性為 5 頁。市場性為 5 頁，發展性為 5 頁。
參賽書的規範已經明定了架構，接續我會讓 LLM 產出每一項的大綱。這邊我會請 LLM 給出大綱跟它的描述，我確認方向沒問題之後，才會讓它開始展開文案生成。若產出的內容不太符合需求，可以手動修正架構。這個階段因為是大架構，因此需要更正 LLM 的認知，不然後續圍繞在骨架往下產生的細節就會有誤。
舉「二、產品及技術概述」為例，我就依序讓 LLM 產出每個子項的文案。通常產出內容沒有太大的落差時，我不會在這個階段讓 LLM 去修正，而是會先把初步的文案都先依序產出。