简介这是一份专注于中文场景的 ChatGPT 调教指南面向希望把大型语言模型用在实际写作、翻译、编程、数据分析等任务中的学习者。文档系统梳理了 ChatGPT 的典型应用方向包括学术论文、创意写作、商业写作、SEO 优化、技术文档、教育培训等并给出大量可直接套用的提示词示例例如让它充当 Linux 终端、英语翻译、面试官或文字冒险游戏还可辅助绘制表格、设计小工具等方便读者快速理解提示词结构并迁移到自己的需求中。资源包共 1 个 PDF 文件大小约 694KB内容结构清晰适合作为入门与进阶的案头参考。已有 699 人浏览学习对于刚接触 ChatGPT 或想扩展提示词技巧的读者这套操作模板能有效缩短摸索时间快速获得可落地的调教思路与实战方法。1. ChatGPT 中文调教指南一本能直接抄的提示词速查手册ChatGPT 中文调教指南这份资源表面看是一堆可以复制粘贴的提示词实际上解决的是绝大多数人用 ChatGPT 时最尴尬的问题——模型能力很强但你就是问不出想要的东西。它的核心价值在于把「怎么写提示词」从玄学变成了一套可复现的流程先定义角色再布置任务最后锁死输出格式。资源里覆盖了学术写作、创意写作、翻译润色、数据分析、角色扮演、格式化输出等二十多个场景每个场景都给了现成的中文提示词哪怕你完全不懂提示词工程也能照着用出效果。适合内容创作者、产品经理、运营、程序员以及所有想用 ChatGPT 干活但不想每次从零开始设计提示词的从业者这是一本提示词速查手册更是一套调教思路的落地参考。2. 提示词调教的底层逻辑角色、任务、约束、格式四要素2.1 为什么「角色扮演」是最有效的调教姿势很多人在刚开始用 ChatGPT 的时候习惯直接问「帮我写一篇产品文案」得到的答案往往泛泛而谈、充满正确的废话。原因很简单没有给模型划定行为边界。ChatGPT 基于海量语料训练在没有约束的情况下它会自动选择一个最安全、最普遍的输出风格也就是我们常说的「AI 味」。而「角色扮演」类的提示词之所以有效是因为它把模型的输出空间大幅度收窄。当你对 ChatGPT 说「你是一名资深电商文案」它就会从语料库中检索电商文案写作相关的表达方式、语气和结构在角色设定下组织语言。这相当于给模型装了一个专业的思维框架而不是让它东一榔头西一棒子地自由发挥。对比一下两种问法的差异。直接问写一段蓝牙耳机的产品介绍换一种方式你是一名资深电商文案为通勤族用户写一段蓝牙耳机的产品介绍重点突出降噪功能控制在30字以内输出3个备选版本。第二种问法同时完成了三件事设定了身份锚点、明确了目标受众、锁死了输出格式。模型输出的质量会比第一种高一个量级而且稳定得多。这是整个提示词工程最基本的原理——你不告诉它怎么做它就按自己的默认方式做你告诉得越具体它就越接近你的预期。2.2 一条合格提示词的四个组成块把上面两个例子拆开看一条合格的提示词通常包含四个组成块角色、任务、约束、输出格式。这四个块不一定要全部出现但缺得越多输出质量越不可控。组成块作用示例角色划定行为边界与知识范围你是一名资深电商文案任务说明要做什么事越具体越好写一段蓝牙耳机的产品介绍突出降噪功能约束限定范围、语气、长度等面向通勤族30字以内不要用感叹号输出格式规定结果的呈现形式输出3个版本每个版本单独编号角色和任务是一对配合关系。角色负责提供专业视角任务负责说明具体目标。约束和输出格式则是控制质量的阀门约束负责「不能出现什么」格式负责「最终长什么样」。在实际使用中我一般会建议把角色放在提示词第一句任务紧随其后约束和格式放在最后。模型对提示词的注意力不是均匀分布的开头的指令权重更高。角色放前面相当于先给它穿好衣服再让它干活反过来先给一堆任务细节再补充角色模型容易在细节里迷失方向。2.3 从「写一篇文案」到「你是一名广告文案」一个可操作的改写示例把一段不合格的提示词改写成合格的提示词是练习提示词工程最好的入门方式。下面是一个实际改写的例子。改写前帮我写一篇关于咖啡机的文案改写后你是一名生活方式类品牌的内容策划为家用咖啡机写一篇社交媒体文案。目标受众是25-35岁、注重生活品质的城市白领。文案需要包含使用场景描述和品牌价值观传递语气轻松但不轻浮。输出300字左右分三个段落每段不超过4行。不要使用「品质生活」「匠心」这类被用滥的词汇。前者的输出大概率是「这款咖啡机采用先进萃取技术为你带来醇正口感」这种废话。后者的输出则会有具体的场景感比如工作日早晨的匆忙、周末下午的慢节奏因为模型被要求以内容策划的身份面向特定人群在特定字数内组织语言自然会在语料库中寻找更贴合的表达。这个改写过程也说明了提示词调教的一个核心逻辑不是模型不行是给的指令太模糊。改写提示词的训练价值在于每一次改写都是在搞清楚自己到底想要什么。当你能准确说出角色、任务、约束、格式四要素时你对一个需求的理解深度已经超过大多数直接把需求丢给 ChatGPT 的用户了。3. 可抄作业的六类中文提示词模板从角色扮演到格式化输出3.1 角色扮演类面试官、产品经理、心理咨询师的通用结构这份资源里最丰富的就是角色扮演类提示词从面试官到心理咨询师从足球解说员到脱口秀演员覆盖面很广。表面看这些提示词各有各的玩法但结构高度一致可以抽象成一个通用模板我想让你担任[角色名称]。我将提供[输入信息]你的任务是[具体职责]。你只负责[职责边界]不要[禁止事项]。我的第一个请求是「[具体请求内容]」。以资源中的面试官提示词为例我想让你担任Android开发工程师面试官。我将成为候选人您将向我询问Android开发工程师职位的面试问题。我希望你只作为面试官回答。不要一次写出所有的问题。我希望你只对我进行采访。问我问题等待我的回答。不要写解释。像面试官一样一个一个问我等我回答。我的第一句话是「面试官你好」这里面的关键设计是「只作为面试官回答」和「不要一次写出所有的问题」。「只作为面试官回答」是在告诉模型不要跳出角色不要同时扮演候选人和面试官「不要一次写出所有的问题」则是在控制对话节奏让它像真正的面试一样逐步推进。这两个约束缺一个模型就可能把整个面试流程一次性列出来失去练习价值。角色扮演类提示词有一个通用技巧给角色加上经验值标签。同样是面试官「担任Android开发工程师面试官」不如「担任有10年Android开发经验的面试官」效果好。模型会用「10年经验」对应的语料来调整提问深度和风格。经验值标签是这类提示词里最值得调整的参数不要只写角色名加上年限和领域会让角色立得更稳。3.2 格式化输出类表格、SQL终端、正则表达式的输出锁定技巧格式化输出类提示词的核心诉求是无论模型怎么发挥输出格式必须严格可控。这类提示词在资源里也有大量示例比如做表格、充当 SQL 终端、充当正则表达式生成器。表格生成器的提示词是这样的请你充当表格生成器。您只会回复我一个包含10行的表格。我会告诉你在单元格中写入什么你只会以markdown表格形式回复结果而不是其他任何内容。请注意您的回答应该是简明扼要的不需要附带任何额外的解释。你只会回复 markdown 表的作为结果。首先回复我十二生肖表。这条提示词里出现了三次对格式的强调「包含10行的表格」「只会以markdown表格形式回复结果」「不需要附带任何额外的解释」。三次重复不是冗余而是对模型的注意力做强制引导。模型在处理长指令时注意力会集中在开头和结尾中间容易被忽略。把格式要求放在句首和句尾各强调一次能显著提高格式执行的稳定性。SQL 终端的提示词也是同样思路我希望您在示例数据库前充当 SQL 终端。该数据库包含名为「Products」「Users」「Orders」和「Suppliers」的表。我将输入查询您将回复终端显示的内容。我希望您在单个代码块中使用查询结果表进行回复仅此而已。不要写解释。除非我指示您这样做否则不要键入命令。我的第一个命令是「SELECT TOP 10 * FROM Products ORDER BY Id DESC」这个模板的实战价值在于你可以用它来模拟数据库查询验证自己对 SQL 语句的理解甚至在上线前跑一遍查询逻辑。使用时把数据库表名替换成你自己的表结构把命令替换成你要验证的 SQL就能得到一个不会连错库的「测试环境」。格式化输出类的提示词有一个需要注意的地方不要在同一句话里同时要求内容质量和格式复杂度。比如「写一篇800字的文章并使用markdown表格输出」模型会倾向于优先完成格式要求然后压缩内容质量。格式要求简单、内容要求复杂时分开两条指令提格式要求复杂、内容要求简单时可以把内容和格式合并成一句以格式为主。3.3 翻译润色类英译中、中译英、学术润色的差异配置翻译润色类提示词是内容创作者和高频双语工作者的刚需。资源里提供了翻译、润色、英语发音辅助等几种不同用途的模板它们的配置差异很大值得单独拆开看。英译中模板下面我让你来充当翻译家你的目标是把任何语言翻译成中文请翻译时不要带翻译腔而是要翻译得自然、流畅和地道使用优美和高雅的表达方式。请翻译下面这句话「how are you ?」这个模板的精髓是「不要带翻译腔」这六个字。没有这个约束模型会把「How are you」直译成「你好吗」有了这个约束模型会翻成「最近怎么样」甚至更贴合语境的表达。「翻译腔」是一个很微妙的质量标准翻译软件解决不了但 ChatGPT 在提示词约束下可以做到这是它优于传统翻译工具的核心原因之一。英文润色模板我希望你担任英语翻译、拼写校对和修辞改进的角色我会用任何语言和你交流你会识别语言将其翻译并用更为优美和精炼的英语回答我。请将我简单的词汇和句子替换成更为优美和高雅的表达方式确保意思不变但使其更具文学性。请仅回答更正和改进的部分不要写解释。注意这里的关键句是「请仅回答更正和改进的部分不要写解释」。没有这句话模型会先解释一遍它改了什么、为什么这样改把真正有用的改写内容淹没了。这条约束同样适用于代码审查、文档校对等场景——只要你只需要结果就必须明确告诉模型不要输出解释过程。用这三类模板时建议按需求类型选择不同的提示词配置而不是一条模板打天下。日常沟通翻译用英译中模板需要正式文件用学术润色模板写邮件用英文润色模板。每种模板的约束条件都是针对特定场景调过的混用会导致输出风格不一致。4. 让输出更可控负面约束、多轮迭代与任务拆解4.1 用负面约束排除「AI 味」输出提示词工程里最容易被忽视的是负面约束也就是告诉模型「不要做什么」。新手写提示词习惯只写正面要求比如「帮我写一段产品介绍」但完全不限制风格和语气结果就是一段标准的模型默认输出——辞藻华丽、空洞无物、正确但无用。负面约束的价值在于排除模型默认的「安全模式」。模型在没有明确禁止事项时倾向于输出最普遍、最保守的表达也就是大家常说的 AI 味。加上负面约束之后模型被迫绕开那些被高频使用的套话去寻找更具体、更贴合场景的表达。实际操作中我一般会加三类负面约束不要使用「首先、其次、最后」这类过渡词。 不要使用「总而言之」「综上所述」等总结性套话。 不要出现任何你没有把握的数据或案例宁可留白。这三条几乎可以通用于所有文字产出场景。「首先其次最后」是模型组织段落时最常用的骨架禁掉之后它必须换一种逻辑串联方式「总而言之、综上所述」是模型收尾时的默认习惯禁掉之后结尾会变得更具体第三条约束对内容创作者尤其重要模型幻觉会导致编造数据明确禁止等于给输出加了一道保险。负面约束不是一次加得越多越好。一次提示词里超过三条负面约束模型的注意力会被分散反而记不住前面的角色设定。如果确实有超过三个不允许出现的元素分两轮处理第一轮给三条核心负面约束生成结果后第二轮把剩余的限制带上让模型在初稿基础上修改。4.2 多轮追问让 ChatGPT 自己修正答案很多用户把 ChatGPT 当成搜索引擎问一次得不到满意的结果就放弃。实际上 ChatGPT 是一台带有修正机制的生成机器多轮追问是提升输出质量最有效的手段。以翻译为例第一轮直接要求翻译把这句话翻译成中文「The quick brown fox jumps over the lazy dog.」第一轮输出大概率是「敏捷的棕色狐狸跳过了懒狗」中规中矩。第二轮追加约束翻译得更有文学性和韵律感适合出现在散文开头。模型会重新生成一个版本「一只毛色棕褐的狐狸轻快地跃过那条沉睡的黄狗。」第三轮再追加篇幅要求保持散文风格但压缩到15个字以内不要丢失动作描写。经过三轮迭代输出会明显优于第一轮的结果。这个过程的底层逻辑是模型在每一轮对话中都会看到前面的全部对话内容后一轮的修正指令会覆盖前一轮的输出倾向。利用这个机制不需要在第一轮就把所有要求想全完全可以先生成再打磨。多轮迭代有一个节奏技巧每一轮只追加一个维度的要求不要同时追加两个以上。一次追加「更文学、更简短、更正式」三个要求模型会顾此失彼。一次只加一个维度然后观察效果是迭代调教的基本纪律。4.3 把大任务拆成小步骤分步调教法ChatGPT 对长任务的完成质量随任务复杂度下降。让模型一次性「写一个完整的 PRD 文档」它给出来的往往是一个结构正确但细节空泛的骨架。更可靠的做法是把大任务拆成多轮小任务每一轮只专注一个子目标。以资源中的产品经理模板为例请您作为产品经理回复我。我将会提供一个主题您将帮助我编写一份包括以下章节标题的PRD文档主题、简介、问题陈述、目标与目的、用户故事、技术要求、收益、KPI指标、开发风险以及结论。我的需求是做一个赛博朋克的网站首页。直接跑这条提示词模型会输出一个十段式的 PRD 框架每段两到三句内容不痛不痒。换成拆解方式第一轮你是一名产品经理。我们要做一个赛博朋克风格的网站首页目标用户是喜欢科技感和复古美学的年轻用户。先帮我明确问题陈述和用户痛点不需要写完整PRD。第二轮基于上面的问题陈述帮我定义核心用户故事拆成登录用户和访客两个角色每个角色三个故事。第三轮结合用户故事列出技术要求包括前端框架、性能指标、埋点方案。最后补上KPI和风险。三轮下来PRD 的每个部分都比一次生成的版本深入得多。原因是模型在聚焦单个子问题时可调用的注意力资源更集中细节自然更扎实。把「写一份 PRD」变成「先定义问题再拆用户故事最后定技术方案」是提示词工程中性价比最高的进阶操作。5. 调教中的常见翻车与排查方法五个高频坑5.1 角色设定被无视输出通用答案现象提示词明明写了「你是一名资深文案」但模型的回复跟没写角色一样甚至直接跳出角色说「作为AI语言模型我无法……」。原因角色设定与任务要求存在冲突或者角色设定被埋在了一长段指令中间没有留在模型的注意力区间内。模型的任务是最大化满足用户需求如果角色设定阻碍了任务执行它会自动降级处理。解决把角色设定放在提示词的第一句保证它是模型最先看到的指令。同时让角色与任务强相关比如「你是一名有10年电商经验的文案」去配合「写一篇电商产品文案」角色和任务属于同一领域模型更容易进入状态。5.2 字数控制失效输出长度严重超标现象提示词写了「控制在100字以内」模型输出了300字。重试一次可能变成150字数值不稳定。原因模型对「字」的量化感知不精确尤其处理中文内容时经常把「字」和「词」混在一起计算。模型不是按字数计数的它是按 token 生成内容的token 和汉字不是一一对应的关系。解决不要只说「100字以内」改成「输出100字左右分两段每段不超过3行」。把长度的度量从字数变成行数和段落数模型对段落的感知比对字数的感知更稳定。另外可以用格式兜底「结尾必须是一句不超过20字的总结句」用句式的确定性对冲字数的不可控性。5.3 格式要求执行失败markdown 表格变成文本段落现象提示词明确要求「以markdown表格形式回复」模型却给出了一个列表式的文本结构没有用竖线和横线分隔。原因提示词中同时包含了多个复杂要求模型的注意力被分配到了内容组织上格式指令被弱化了。尤其是当内容本身比较复杂时模型倾向于用更灵活的文本结构去承载信息牺牲格式规范。解决把格式要求独立成一句放在提示词的最后。比如「只回复markdown格式的表格不要其他内容」这样格式指令会在模型组织输出的最后阶段生效直接约束输出形态。如果还是不生效在提示词里加入「将代码放在代码块中」——代码块的强制语义会让模型更严格地处理内部格式。5.4 翻译结果带有解释性文字不只要译文现象要求翻译一句话模型先把原文分析一遍再解释文化背景最后才给译文。或者要求润色模型输出了「修改建议」「修改原因」「修改结果」三段需要的信息淹没在中间。原因模型默认用户希望了解处理过程尤其对编辑、翻译类任务它倾向于展示自己的「工作成果」。没有禁用解释它会把解释当成输出的一部分而不是只输出最终结果。解决在提示词里明令禁止解释。参照资源中的写法「请仅回答更正和改进的部分不要写解释」「不要写解释。除非我指示您这样做否则不要键入命令。」这两句是这类场景下的标准约束。补充一句「如果你理解了回复『明白』」更有效——角色设定类提示词经常用到这个方法。5.5 多轮对话后模型「失忆」忘记初始设定现象第一轮模型还在扮演面试官进行到第五轮它的角色感突然减弱了甚至开始用候选人的口吻回应。再次提问时模型完全忘记了第一轮的初始设定用通用回答代替角色扮演。原因模型的上下文窗口是有限的当对话轮次变多、内容变长之后最早的指令会被后续的新内容挤出有效的上下文区间。尤其是中间穿插了大量候选人的回答模型的注意力会被最近的对话内容占据初始角色设定逐渐被稀释。解决每进行三到四轮对话就重新发送一次角色设定把核心指令重复一遍。不要担心重复模型不会觉得啰嗦反而会因为指令被重新强调而回到正确状态。如果对话内容特别长直接开一个新会话把角色设定和之前的对话摘要一起贴进去再继续后续任务。6. 进阶技巧用提示词生成器建立你的专属模板库资源里有一类特别容易被忽略的提示词——提示词生成器。它的完整写法是这样我希望你充当提示词生成器。首先我会给你一个这样的标题《做个英语发音帮手》。然后你给我一个这样的提示「我想让你做土耳其语人的英语发音助手我写你的句子你只回答他们的发音其他什么都不做。回复不能是翻译我的句子但只有发音。发音应使用土耳其语拉丁字母作为语音。不要在回复中写解释。我的第一句话是『伊斯坦布尔的天气怎么样』」你应该根据我给的标题改编示例提示。提示应该是不言自明的并且适合标题不要参考我给你的例子。我的第一个标题是「充当代码审查助手」这个生成器的核心用法是你给它一个标题它返回一段完整的提示词。把标题换成「充当电商文案」「充当抖音脚本策划」「充当论文润色助手」它就能按固定结构生成对应的提示词。这相当于 ChatGPT 在帮你设计给自己的指令省去了从零构思的环节。用这个生成器建立自己的提示词库我会做三件事。第一按场景分类建文件每类场景里存标题、提示词、适用说明三项长期积累下来就形成了个人专属的模板库不用每次都临时设计。第二模板参数化把提示词中的人称、主题、字数要求替换成变量比如「[角色名]」「[主题]」「[字数]」下次使用换变量即可。第三验证模板质量同一个模板跑三次三次结果结构接近但细节不同说明模板稳定三次结果差异巨大说明模板的约束还不够强需要补负面约束。从那以后我每次拿到一个新的提示词都会强制走一遍这个流程先拆角色和任务再加约束和格式然后跑三次对比稳定性最后存进模板库。这套习惯帮我从「每次从零写提示词」变成了「从库里选模板改参数」效率提升不止一倍。希望这份调教指南也能帮你把 ChatGPT 从聊天玩具变成真正的生产力工具祝用得顺手。本文还有配套的精品资源点击获取