企业官网建设流程全解析

简介：这是一份面向自然语言处理爱好者、机器学习从业者及语言模型研究者的ChatGPT提示词模板合集，聚焦对话系统搭建与提示词工程入门，帮助读者在问候、聊天、娱乐、购物、旅游、科技等场景中快速组织高质量指令。压缩包仅含1个PDF文件，大小约5.18MB，便于跨设备查阅与检索。内容围绕150个中英文提示词模板展开，涉及充当Linux终端、英语翻译与润色、岗位面试官、JavaScript控制台、Excel工作表、旅游指南、抄袭检查员、广告商等角色设定，并强调限定输出格式、逐步提问和避免多余解释等实用技巧，便于理解提示词结构、输出约束与多轮对话控制。已有1274人学习，适合希望积累提示词范式、对照改造并用于自身对话系统或学习研究的读者参考。

1. 拆开这份 150 条提示词模板：它到底能省掉哪一步

拿到这份 PDF 的时候，我第一反应是又一个把「你是一个……」抄一百遍的合集。翻完之后我改观了：150 个 ChatGPT 提示词模板，中英文各一份，值钱的不是数量，而是每条都按「角色设定 + 行为约束 + 首句输入」三段硬编码，连「只回复一个代码块、不要写解释」这种格式约束都明确写了进去。新手缺的往往就是这第一句话该怎么说，熟手缺的是一套能直接抄进脚本的角色库，这份资源两头都能接着用。它适合要把语言模型塞进日常流程的人——写文案、做翻译校对、出教学材料、做面试演练；不适合指望它替代模型原理学习的人。下面按我自己的实施顺序拆：先看结构骨架，再讲怎么改成代码、怎么分类管理、怎么调参，最后是几个真踩过的坑。

2. 三段式骨架：为什么「充当 Linux 终端」这条模板能稳定复现

2.1 role / rule / seed 三段各管什么

先不急着抄，把「充当 Linux 终端」这条拆开看。第一条是角色锚定：我希望你充当 Linux 终端。这句话在模型侧起的作用是收窄输出分布——它把「回复风格」从通用闲聊切换到命令行的语法体系和语气里。第二段是行为约束，而且写得很密：只回复一个唯一的代码块、不要写解释、除非我指示否则不要输入命令、需要用英文补充时用花括号包起来。第三段是种子输入：我的第一个命令是 pwd。

三段里最容易被忽略的是第三段。很多人只写「你是 Linux 终端」，然后干等，模型就会自己编一段欢迎语、自己执行几条命令、再给你解释一遍。加上一句「我的第一个命令是 pwd」，等于把第一轮对话的输入也定死了，模型没有自由发挥的空间，只能进入「你输一条、它回一条」的循环。这是这类模板能稳定复现的真正原因，不是「你是 XX」有什么魔力。

对照原文里另一条「充当 JavaScript 控制台」，结构几乎是同构的：角色换成 JavaScript 控制台，约束还是那几个，种子输入换成console.log("Hello World")。两条模板摆在一起看，骨架就露出来了——角色名可以换，约束条款基本用一套，种子输入随场景变。再看「充当 Excel 工作表」这条，多了一层东西：列头定义（A 到 L、第一列留空当行号、只回 10 行）。这等于把「输出结构」也写进了约束段。所以严格说约束段里其实混着两类内容：行为禁令（不要解释）和结构规格（几列几行、格式是什么）。这两类东西的调参方式不一样，后面第 4 章会说。

提示：判断一条模板值不值得留下来复用，看它有没有把「结构规格」写死。只写角色不写结构的模板，复用价值通常只有一半。

原文里还有一批纯对话型的模板，比如岗位面试官、人生教练、职业顾问，它们的约束段写的是节奏而不是格式：「请你只与我进行面试」「一个一个地问我问题，像面试官一样等待我的回答」「不要一次性写下所有对话」。这类模板调参的抓手不在输出格式，而在多轮的间隔控制，第 4 章会单独讲。而创作类的模板，比如诗人、小说家、编剧、说唱歌手，约束段反而应该松——写太死，产出就变成填空。原文这几条写得相对克制，只给了主题和体裁，没给句式限制，这是对的。

2.2 把模板改成可复用的拼装器

手工拷贝粘贴到第五十条就会崩，因为你会发现同一个角色你想改一个约束、想在中文版和英文版之间切换、想批量跑一遍看哪条坏掉了。我一般的做法是先写一个三十行的拼装器，把三段拆成三个字段。

from dataclasses import dataclass @dataclass class Prompt: role: str # 角色锚定：一句话定身份，越短越好 rules: list[str] # 行为约束：每条一个祈使句，禁令和结构规格分开写 seed: str = "" # 种子输入：把第一轮的用户输入也写死 def render(self, lang: str = "zh", seed_override: str | None = None) -> str: head = {"zh": "我希望你充当", "en": "I want you to act as "}[lang] body = "\n".join(f"- {r}" for r in self.rules) tail = seed_override if seed_override is not None else self.seed return "\n".join(x for x in (f"{head}{self.role}", body, tail) if x) terminal = Prompt( role="Linux 终端", rules=[ "我只输入命令，你只回复终端应该显示的内容", "只回复一个唯一的代码块，不要写任何解释", "除非我明确指示，否则不要自行输入下一条命令", "我需要用英文补充说明时，会用花括号 {像这样} 包起来", ], seed="我的第一个命令是 pwd", ) print(terminal.render())

render()里的lang只切换角色那句的开头，seed_override是给「同一角色换一个开场命令」留的入口——比如把pwd换成ls -la，不用改整个对象。rules用列表而不是一段长字符串，是为了后面能按索引单独替换某一条：排查问题的时候经常只需要改第三条，把「不要自行输入下一条命令」改成「绝对不要自行输入下一条命令」，其他不动。

这个拼装器看起来简陋，但它把「模板」从一个文本文件变成了一个可以 diff、可以单测、可以版本管理的对象。后面做索引、做批量回归、做参数绑定，都建立在这个结构上。如果一开始就用字符串，走到第三步就得推倒重来，这是血泪经验。

2.3 中英文对照的真实用途：排错工具而不是备份

很多人以为中英双版是为了照顾不同阅读习惯，实际上它的最大价值在排错。同一个角色，你跑中文版发现模型老是附带解释，跑英文版发现它老老实实只吐代码块，那就说明问题不在模板结构，而在语言本身对格式约束的服从度。这时候的正确操作不是换成英文就完事，而是混写：约束段用英文，内容部分用中文。

terminal_mixed = Prompt( role="a Linux terminal", rules=[ "reply only with what the terminal should display, inside one single code block", "do not write explanations", "do not type the next command unless I instruct you to", ], seed="my first command is pwd", # 种子保持英文，因为命令本身就是英文 )

判断标准其实很朴素：模型输出的是代码、命令、JSON、表格这类对格式敏感的东西，约束就用英文写；输出的是成品中文文案，约束用中文写反而更自然，因为模型会顺着中文语境给出中文。翻译类模板尤其要注意这一点——原文里那条「充当英语翻译、拼写纠正和改进者」的示例句是英文，如果能换成你要处理的实际句子，效果会立刻不一样。

还有一条经验：不要把中英文两版混在同一个会话里来回切。混合语言会让模型在某个轮次突然切换输出语言，尤其是多轮跑到五六轮之后，前面的语言惯性会盖过系统提示。真要切，新开会话。

3. 从 150 条到一张索引表：把模板做成可管理的资产

3.1 按输出形态分类，而不是按行业分类

拿到 150 条，第一件事是分类。绝大多数人会按行业分：写作类、教育类、娱乐类、职场类。这个分法对找模板友好，对工程化极不友好，因为同一个「行业」下的模板，输出约束强度可能差一个数量级。我按输出形态分四类：

这个表的用处是决定「要不要写测试」。确定性执行类的模板，输出格式是可以断言的——第一个字符是不是代码围栏、有没有出现解释性文字，机器一扫就知道。开放式创作类你去断言格式就是自找麻烦，它们只适合跑几遍看质量。中间两类可以做半自动校验，比如评审类检查有没有分段、有没有落到结论。

我踩过的一个坑是按行业分类之后，把「Excel 工作表」和「广告商」放在同一个「职场」文件夹里，结果批量跑测试的时候，前者因为格式断言挂了，后者因为根本没有格式断言被跳过，报告一片混乱。换成按输出形态分之后，测试策略自然就分层了。

3.2 用 YAML 建角色库，让模板脱离文本文件

分类完成之后，逐条把模板落成 YAML。用 YAML 而不是 JSON，因为规则是多行句子，YAML 的可读性明显更好，改起来不用纠结逗号和引号。

# prompts/terminal_linux.yaml id: terminal_linux category: deterministic # 对应 3.1 的四分类 role_zh: Linux 终端 role_en: a Linux terminal rules_zh: - 只回复终端应该显示的内容，并放在一个代码块里 - 不要写任何解释 - 未经指示不要自行输入下一条命令 rules_en: - reply only with terminal output inside one single code block - do not write explanations - do not type commands unless instructed seed_zh: 我的第一个命令是 pwd seed_en: my first command is pwd temperature: 0.0 # 确定性任务，温度必须压到 0 max_tokens: 300 # 够装一个命令的回显就行 tags: [命令行, 开发, 格式敏感]

装载很简单，一个 glob 加一个字典就够了：

import glob, yaml def load_library(pattern="prompts/*.yaml") -> dict: lib = {} for path in glob.glob(pattern): with open(path, encoding="utf-8") as f: item = yaml.safe_load(f) lib[item["id"]] = item return lib lib = load_library() print(f"{len(lib)} 条模板已装载") # 装载数量应该接近 150，缺了就是文件名或缩进有问题

temperature和max_tokens直接写在模板文件里，是这套做法最关键的一步。参数和模板绑在一起，才不会出现「模板对了但参数用错」这种排查一下午的情况。tags字段是给检索用的，第 6 章会用到。

落到这一步，150 个文本片段就变成了 150 条配置。配置的好处是可以被程序读、被 diff、被校验。比如你可以写一个三行的检查，扫出所有rules_en为空但category是 deterministic 的条目——这类模板基本一定会翻车，因为确定性任务靠中文约束往往压不住格式。

3.3 批量回归：给模板跑一遍冒烟测试

装好库之后，别急着上生产，先跑一遍冒烟。目标是筛出「结构上就跑不通」的模板，比如渲染出来是空的、参数没填、约束全是空字符串。

def call_llm(prompt: str, temperature: float, max_tokens: int) -> str: """替换成你手上的任意客户端；只要返回纯文本即可。""" raise NotImplementedError def smoke_test(lib: dict, seed_override: str = "echo hello") -> list[tuple]: report = [] for pid, t in lib.items(): if t["category"] != "deterministic": continue # 先只测最严格的一类 prompt = Prompt( role=t["role_zh"], rules=t["rules_zh"], seed=t.get("seed_zh", ""), ).render(seed_override=seed_override) try: out = call_llm(prompt, t["temperature"], t["max_tokens"]) has_fence = "```" in out # 确定性模板的硬指标：有没有代码围栏 no_talk = "解释" not in out[:40] # 开头四十字里不该出现解释性套话 report.append((pid, "pass" if has_fence and no_talk else "fail", len(out))) except Exception as e: report.append((pid, "error", str(e)[:80])) return report

seed_override这个参数是刻意留的：同一条终端模板，用pwd测和用ls -la测，模型的输出长度差很多，前者几十字符，后者可能几百。用固定种子测不出来长度问题，换一个种子就能看出max_tokens设得够不够。我第一次跑的时候max_tokens统一设了 200，结果所有列目录类的模板全部被截断，报告里一堆 fail，白排查了半天。

冒烟通过之后不要急着删测试代码。这类模板是会漂移的——同一个 prompt，模型侧更新一次、或者你自己改了某条约束的位置，输出形态就可能变。留着一个能在三十秒内跑完的脚本，比每次出问题再手工赌一把划算得多。

4. 输出格式与多轮控制：让模板按你要的形状吐内容

4.1 格式约束必须和温度一起调

原文那些模板里写「不要写解释」「只回复一个代码块」，很多人照抄之后发现还是偶尔会带解释。原因通常不是模板写得不够狠，而是温度没降。格式敏感的任务，温度压在 0 到 0.2，反复强调禁令都行；温度上到 0.7 以上，模型有采样自由度，再硬的禁令也可能被绕过一次。

这张表我一般直接写进代码，让它从配置里读，而不是靠人记：

PRESETS = { "deterministic": dict(temperature=0.0, max_tokens=400), "review": dict(temperature=0.4, max_tokens=900), "dialogue": dict(temperature=0.4, max_tokens=400), "creative": dict(temperature=0.9, max_tokens=1200), } def resolve_params(t: dict) -> dict: base = PRESETS[t["category"]].copy() # 模板文件里显式写的参数优先级更高，允许单条覆盖 for k in ("temperature", "max_tokens"): if k in t: base[k] = t[k] return base

覆盖顺序是「模板文件 > 类别预设」，因为总有个别模板需要例外。比如「充当 Excel 工作表」这条要输出 10 行 12 列的文本表，400 个 token 根本不够，必须在它自己的 YAML 里把max_tokens提到 800 以上，否则表格一定塌在中间几行。这种例外如果写进全局预设，会连带影响其他确定性模板，所以只能单条覆盖。

还有一个细节：max_tokens设得太小，模型会在句子中间硬停，看起来像是「模板坏了」，其实是预算不够。判断方法很简单，把同一 prompt 的max_tokens翻倍再跑一遍，如果内容突然完整了，那就是预算问题，不用去改模板。

4.2 多轮节奏：像面试官那样一次只问一个问题

原文的面试官模板里有一句很关键的约束：「请你只回答面试官的问题，不要一次性写下所有对话」「一个一个地问我问题，像面试官一样等待我的回答」。这类约束在多轮场景里的作用，比格式约束难维持得多，因为上下文越堆越长，最初那条规则的权重会被稀释。

我的做法是每四轮重放一次规则，而不是每轮都放——每轮都放会占用大量上下文，还容易让模型产生「你在催它」的错觉。

messages = [{"role": "system", "content": interviewer_prompt}] for turn in range(10): answer = input("你的回答：") messages.append({"role": "user", "content": answer}) # 每四轮补一次规则，压住格式漂移和一次性输出 if turn % 4 == 3: messages.append({ "role": "system", "content": "提醒：一次只问一个问题，等我回答后再问下一个，不要写解释。", }) reply = call_chat(messages, temperature=0.4, max_tokens=400) messages.append({"role": "assistant", "content": reply}) print(reply)

turn % 4 == 3这个间隔是试出来的。间隔太短（比如每两轮），模型会频繁回头确认规则，问出来的问题变得机械；间隔太长（比如每八轮），中期就开始出现一次抛出三个问题的情况。四轮在面试、教练、辩论这几类模板上都比较稳，但不是普适值，换成辩论教练这种需要长论证的场景，六轮更合适。

另一个边界是轮次上限。多轮对话跑到十五轮之后，早期信息基本被淹，模型开始编造前文没提过的细节。我的习惯是给每个多轮场景设一个硬上限，到点就总结并新开一轮，而不是硬撑着聊下去。这一点原文模板里没写，属于落地时自己得加的。

4.3 结构化输出的兜底：解析失败怎么办

就算温度压到 0，模型也可能偶尔不按代码围栏来。线上跑的时候不能假设格式永远正确，必须有一层解析兜底。

import re def extract_block(text: str) -> str | None: """优先取代码围栏内的内容；退化时取第一段非空文本。""" m = re.search(r"```(?:\w+)?\n(.*?)```", text, re.S) if m: return m.group(1).strip() lines = [ln for ln in text.splitlines() if ln.strip()] return lines[0].strip() if lines else None

正则里的(?:\w+)?是为了兼容带语言标注的围栏，re.S让.能跨行匹配，否则多行输出会被截断在第一行。兜底分支只取第一段非空文本，是保守做法——宁可返回一个可能有噪声的结果，也不要直接抛异常打断整个流程。

解析失败之后的选择有两条：重试一次，或者降级。重试要带上失败原因，比如「上次回复里带了说明文字，请只输出代码块」，直接原样重发一般还是同样的结果。降级就是把这条模板从确定性类别里摘出去，标记成需要人工看一眼，别让它在流水线里继续污染下游。

5. 避坑与排查：照抄模板后翻车的五个现场

5.1 终端模板自己连跑三条命令

现象：输入pwd之后，模型回了三行命令和对应的输出，甚至自己把ls、cd也演了一遍。原因：约束里只写了「不要写解释」，没写「不要连续执行」，而模型有强烈的补全倾向，看到pwd就顺手往下演。解决：把禁令写死成「只响应当前这一条命令，回复完立刻停止，不要预设我的下一条命令」，温度必须同步压到 0。补上这条之后我复测了十次，没有一次跑偏。

5.2 翻译模板把「改进」做成了「重写」

现象：原文那条翻译加纠错加改进的模板，用中文句子喂进去，返回的内容意思变了，甚至加了几段原文没有的论述。原因：一条模板里塞了三个任务——翻译、拼写纠正、文体提升，模型会自己决定优先级，结果把「提升」做成了主导。解决：拆成两步，第一步只做翻译和拼写纠正，第二步单独发一条「在不改变意思的前提下提升表达」的指令。合并任务看起来省事，实际排错成本高得多。

5.3 Excel 模板的表格塌在第七行

现象：要求输出 10 行，实际只给了 7 行，后面几行是半截。原因：不是模型不会算，是max_tokens不够，输出被硬截断。解决：把这条模板的max_tokens单独提到 800 以上，同时把列数从 A 到 L 收到实际用得上的范围。列越多、行越多，token 消耗是乘法的，12 列 10 行看着不多，实际很容易超预算。

5.4 角色扮演模板开始编知识

现象：拿角色扮演类模板去演一个虚构角色，问到设定之外的问题，模型不说不确定，直接编一段听起来很合理的背景。原因：原文这类模板里有一句「你必须知道该角色的全部知识」，这句话是幻觉催化剂，等于授权它补齐所有空白。解决：改成「只使用我提供的设定，超出设定范围时明确说这段设定里没有」，同时在系统提示里加一句「不确定就直说不确定」。这一条改动对评审类模板同样有效。

5.5 脚本化之后中英文语言漂移

现象：模板存成 YAML 之后，中文版偶尔会输出英文段落，尤其在多轮跑到第五六轮时。原因：约束段是中文、种子是英文命令，加上模型自身的语言惯性，跑到后面就切过去了。解决：在规则里显式加一条语言锁定——「无论输入是什么语言，回复一律使用中文」，并且这条要放在规则列表的最后一条，位置靠后权重更高。如果还是漂，就新开会话，别在同一段上下文里反复纠正。

注意：这五条里有四条不是模板写错，而是参数或上下文的问题。照抄模板之后先别怀疑内容，先检查温度和长度预算。

6. 进阶玩法：把 150 条模板压成一条命令能搜的本地库

把模板拆成 YAML 之后，最实用的一件事是把它变成一个能搜的本地库。150 条听着不多，真到要用的时候你根本记不住哪条叫什么名字，只记得「有个角色能帮我改简历」或者「有个能当终端用的」。这时候关键词检索比翻 PDF 快十倍。

最粗的版本一行就够，前提是文件都在同一个目录下：

# 按中文角色名或标签粗搜，-l 只列文件名，-i 忽略大小写 grep -ril "终端" prompts/ | head -5

这行的局限是只能匹配文件里出现过的字面词，搜「命令行」搜不到只写了「终端」的文件。所以我一般在 Python 里做一层标签匹配，把role_zh、role_en、tags拼成一个可搜的字符串：

def search(lib: dict, kw: str, limit: int = 8) -> list[tuple]: hits = [] kw_low = kw.lower() for pid, t in lib.items(): blob = " ".join([ str(t.get("role_zh", "")), str(t.get("role_en", "")), " ".join(t.get("tags", [])), ]).lower() if kw_low in blob: hits.append((pid, t.get("role_zh") or t.get("role_en"))) return hits[:limit] for pid, name in search(lib, "面试"): print(f"{pid:24s} {name}")

limit是必须的，不设上限的时候搜「写作」能命中二十条，输出刷屏反而找不到想要的那条。tags字段在这里兑现了价值——你可以给同一条模板挂多个别名标签，比如「终端」那条挂上「命令行、shell、开发、格式敏感」，搜哪个词都能命中。

再往上走一步，是把它接成命令行工具，一条命令直接渲染出可用的 prompt 并复制到剪贴板：

# 用法：pt terminal_linux → 渲染后直接进剪贴板 pt() { python -c " import sys, yaml from pathlib import Path t = yaml.safe_load(Path(f'prompts/{sys.argv[1]}.yaml').read_text(encoding='utf-8')) print('\n'.join([f\"我希望你充当{t['role_zh']}\"] + [f'- {r}' for r in t['rules_zh']] + [t.get('seed_zh','')])) " "$1" | pbcopy }

这个函数里pbcopy是某个桌面系统的剪贴板命令，换环境要改成对应的工具；sys.argv[1]直接对应 YAML 文件名，所以命名要统一用英文小写下划线，别用中文文件名，否则命令行里敲起来很痛苦。渲染逻辑和 2.2 节的render()是同一套，只是这里为了少依赖直接内联了——短期图快可以，长期还是应该 import 那个函数，避免两处逻辑不一致。

我现在的习惯是：新遇到一个场景，先搜库，搜不到再新写一条 YAML，写完挂三个标签。半年下来库从 150 条长到两百多条，但真正高频用的还是那二十来条——终端、翻译改进、写作导师、面试官、词源学家。剩下的一百多条更像是备选清单，需要的时候能翻到就行。

从那以后我每次拿到这类提示词合集，都不再整份往编辑器里贴，而是先花半小时拆成结构化配置、跑一遍冒烟、再挂上标签入库。这么做一次，后面每次用都省事。希望帮到你。

本文还有配套的精品资源，点击获取