简介《ChatGPT使用秘籍150个ChatGPT提示词模板中英文版全面揭秘.pdf》围绕ChatGPT提示词设计与场景化应用展开面向自然语言处理爱好者、机器学习从业者、语言模型研究者以及希望提升日常对话与任务执行效率的普通用户帮助读者理解提示词如何组织并快速复用。资源包共1个PDF文件大小约5.18MB内容以中英文提示词模板为主覆盖问候、聊天、娱乐、购物、旅游、科技等常见话题并给出充当Linux终端、英语翻译与改进者、岗位面试官、JavaScript控制台、Excel工作表、英语发音助手、旅游指南、抄袭检查员、角色扮演和广告商等具体示例。已有1274人学习适合在写作、翻译、面试模拟、编程辅助和旅行规划等场景中按需取用。读者可从中获得可直接改写的中英文模板、提示词结构范式和场景迁移思路用于搭建个人对话流程、对照优化输出质量也可作为学习ChatGPT应用的参考材料但需具备一定自然语言处理与机器学习基础并结合实际需求调整。1. 提示词模板库不是速查表150 个角色提示词到底该怎么用拿到一份 150 条的 ChatGPT 提示词模板绝大多数人的用法是翻到「翻译」那条粘进对话框用完关掉下次再翻。这套动作看着省事实际浪费了模板里真正值钱的东西——那些藏在正文里的行为约束比如「只回复一个代码块」「不要写解释」「一次只问一个问题」。漏掉一句输出就从干净的结果变成一段带前言后语的口水文。这份中英文对照的 PDF 核心价值不在数量在于每条模板都把角色、输入约定、输出格式、首轮种子写全了尤其英文原版里那些用花括号标出来的可变位是后面做参数化改造的抓手。适合天天和对话模型打交道、想把 CtrlV 变成半自动流程的 NLP 从业者和语言模型使用者只想找两句漂亮话术的人翻两页就会放下。生活娱乐向的旅游指南、影评、脱口秀模板也在里面但用法和工程模板完全是两码事。2. 拆开一条模板看角色、约束、首轮种子这三层缺一不可2.1 一条能落地的模板四个零件把充当 Linux 终端那条拆开看结构非常清晰角色声明「我希望你充当 Linux 终端」。这一句不是许愿它给模型一个强条件前缀把续写空间从「万物皆可聊」压到「命令行回显」这个窄分布上。输入约定「我会输入命令」「当我需要用英语告诉你一些内容时我会用花括号 {像这样}」。这是在告诉模型接下来的对话里哪些是数据、哪些是元指令。输出格式约束「只回复一个唯一的代码块不要写解释不要输入命令」。这条决定你能不能直接把输出丢进管道。首轮种子「我的第一个命令是 pwd」。没有这句模型大概率会先回一句「好的我已准备好请发送命令」凭空多一轮。这四个零件里最容易被忽略的是第三个。很多人复制模板时觉得「不要写解释」是废话删掉省事结果模型每答一条都附一段说明你写脚本解析的时候就得额外写正则去剥。我在一个日志分析的小工具里就吃过这个亏原本一个awk就能处理加了剥解释的代码后变成了三十行状态机还经常误杀。从语言模型的行为看格式约束之所以有效是因为它把「什么算合法输出」写进了上下文。模型在生成时是逐步续写的前面有「只回复一个代码块」这个条件第一步生成 的概率就远高于生成「好的下面是结果」。反过来如果你把格式约束放在很长的模板末尾中间隔了几百字描述权重会被稀释遵守率明显下降。常见做法是把最硬的那条约束放在模板最后一句紧挨着用户输入。2.2 中英文版本怎么选这份 PDF 每条模板都有中英两版不是简单的双语冗余。实测下来两者的差异主要在三处维度英文原版中文翻译版否定指令强度「do not write explanations」边界清楚「不要写解释」偶被理解成「少写解释」占位符风格{character}{series}命名规整部分沿用{像这样}这类说明性花括号术语精度Excel、console 等词直接对应工具语义个别术语本地化后指向变宽阅读与改写成本需要读懂再改改起来快适合内容创作类选型上我一般这么分格式强约束类终端、控制台、Excel 表格、抄袭检查优先用英文原版因为这类任务对「只输出什么」的要求极严否定句的强度直接决定你能不能省掉解析代码内容创作类讲故事、写诗、励志演讲、影评用中文版更顺语义类任务对格式不敏感中文模板改起来还快。有个细节值得记一笔英文模板里的{like this}是给模型看的约定说明不是给你替换的变量而{character}、{series}是真变量。这两类花括号长得一样后面做参数化的时候会直接踩坑第 3 章专门处理。2.3 跑通第一轮终端模拟和表格模拟以终端模拟为例完整走一遍验收流程新开一个干净会话不要接着之前的对话。上下文里只要有一条无关内容角色设定就会被稀释。粘贴完整模板包括最后那句「我的第一个命令是 pwd」。别自己改种子先用原版验证。看输出应该只有一个代码块里面是pwd的回显路径块外一个字都没有。发第二条真实命令比如ls -la看它是否还保持格式。中途插一条元指令用花括号包起来例如{接下来请只用中文回复}看它是否识别为约定而不是命令。Excel 模拟那条更严格模板要求输出「10 行、列标 A 到 L、首列留空做行号」的纯文本表。这条的验收标准是表格结构必须稳定你连续发三条写入指令列数不能从 12 变成 11。为什么容易变因为纯文本表格没有 schema 强制模型对「A 到 L」的理解会随上下文漂移写到第五六行时开始自行合并列。我一般会在第三轮之后补一句{保持列数不变从 A 到 L}用花括号提醒它回到约定。这里有个反直觉的结论模板越长第一轮越稳第三轮之后越容易崩。长模板把行为规范写得很细初期约束力强但随着对话变长早期指令在上下文里的相对权重下降模型会逐渐向「正常聊天」回归。所以每条模板都要配一句短约束作为「锚」在 drift 出现时重新钉一下。这个锚不需要长一句话足够。3. 占位符改造把 150 条死模板变成可传参的模板函数3.1 先扫花括号哪些是变量哪些只是说明直接上手str.replace会翻车。模板里至少有三类花括号类型示例处理方式命名变量{character}、{series}参与渲染必须提供值约定说明{like this}、{像这样}原样保留不能替换中文说明{接下来请只用中文回复}是运行时指令不是模板变量区分办法是定一条命名规范变量名只用小写字母加下划线长度不超过 20且必须出现在预先声明的变量表里。任何不在白名单里的花括号一律当说明性文本原样保留。这条规则看着土但能挡掉九成以上的误替换。变量表我一般单独存一份 JSON每个模板一个条目写清楚变量名、类型、默认值、是否必填{ role_play: { character: {type: str, required: true, desc: 角色名}, series: {type: str, required: true, desc: 作品或系列名}, seed: {type: str, required: false, default: Hi {character}.} } }seed里嵌套了{character}这是故意的首轮种子通常要引用角色名渲染时得做两轮替换。第一轮填character第二轮再填seed里的引用。顺序错了就会得到Hi {character}.这种半成品。3.2 渲染脚本先校验再替换import re import json import pathlib TPL_DIR pathlib.Path(templates) SPEC_FILE pathlib.Path(specs.json) # 只认小写字母加下划线的变量名避免把 {like this} 误判成变量 VAR_PATTERN re.compile(r\{([a-z][a-z0-9_]{0,19})\}) def load_spec(): return json.loads(SPEC_FILE.read_text(encodingutf-8)) def scan_vars(raw: str, whitelist: set) - list: 扫出模板里所有命中白名单的变量名去重排序 return sorted({m for m in VAR_PATTERN.findall(raw) if m in whitelist}) def render(tpl_name: str, values: dict) - str: spec load_spec()[tpl_name] raw (TPL_DIR / f{tpl_name}.txt).read_text(encodingutf-8) # 白名单 变量表里声明的名字 whitelist set(spec.keys()) need scan_vars(raw, whitelist) # 先补默认值再查缺失避免可选变量被误报 merged {} for name in need: if name in values: merged[name] values[name] elif default in spec.get(name, {}): merged[name] spec[name][default] else: raise ValueError(f[{tpl_name}] 缺少必填变量: {name}) # 两轮替换第一轮填主变量第二轮填种子里的嵌套引用 out VAR_PATTERN.sub(lambda m: str(merged.get(m.group(1), m.group(0))), raw) out VAR_PATTERN.sub(lambda m: str(merged.get(m.group(1), m.group(0))), out) return out逻辑上有几个点值得说明。第一正则只匹配符合命名规范的字符串{like this}因为含空格直接被跳过{像这样}因为是非 ASCII 字符也被跳过这就是白名单加命名规范的双保险。第二先合并默认值再检查缺失顺序反了会把可选变量报成必填。第三两轮替换解决嵌套引用第二轮对已经替换过的文本再跑一次正则此时剩下的{character}就是种子里那个正好填上。参数上要注意VAR_PATTERN里的{0,19}限制长度这不是洁癖。超过 20 字符的「变量」基本都是模型输出示例被误粘进模板了。我见过一次模板里混进一段{输出格式为 markdown 表格列头固定}长度超标被规则挡下来人工一看果然是误粘。3.3 批量生成种子消息并落盘目录结构先摆好后面所有脚本都按这个约定找文件mkdir -p promptkit/{templates,specs,seeds,out} # templates/ 存从 PDF 里抄出来的原始模板一个模板一个 txt # specs.json 变量表 # seeds/ 渲染后待发的首轮消息 # out/ 记录每次对话的原始返回方便回溯批量渲染import json from pathlib import Path CASES [ (role_play, {character: 某侦探, series: 某推理剧}), (terminal, {seed: pwd}), (excel_sheet, {seed: A1: 姓名, B1: 部门}), (interviewer, {seed: 你好}), (travel_guide,{seed: 我在某市中心只想看博物馆}), ] Path(seeds).mkdir(exist_okTrue) for name, vals in CASES: text render(name, vals) (Path(seeds) / f{name}.txt).write_text(text, encodingutf-8) print(f{name:14s} {len(text):4d} chars)这段跑完seeds/下每个文件就是可以直接整段发出去的首轮消息。为什么强调「整段」因为模板和种子必须同一条消息发出分两次发会多出一轮模型确认而那一轮确认本身就会污染格式。我早期图省事先发模板再发种子结果模型在中间回了一句「明白请提供角色名」后面整个会话都在跟我确认参数格式约束直接失效。渲染完还要做长度自检。中文模板超过 800 字、英文超过 1200 字符的基本可以判定塞了太多示例实际使用时遵守率会下降。这个阈值不是硬标准但拦下来的模板十有八九需要精简。模板库进版本管理之前跑一遍这个检查比事后调试便宜得多。4. 模板体检用 20 条小样本测出哪几条提示词在裸奔4.1 评测集怎么造150 条模板不可能一条条手测也没必要。按类型分层抽 20 条就够看出规律格式强约束类抽 8 条终端、控制台、Excel、抄袭检查等多轮交互类抽 6 条面试官、辩论教练、关系教练等内容创作类抽 6 条讲故事、写诗、影评等。每类里至少留一条英文原版和一条中文版做对照。每条样本准备两个东西一条首轮输入一个通过判据。判据要写成机器能算的规则不能写「感觉还行」。我用四个维度维度判据示例权重格式合规输出中代码块数量是否等于 1表格列数是否等于 120.4无多余解释是否出现「好的」「以下是」「希望」等前缀词0.3语言一致输出主语言是否与模板要求一致0.2内容可解析去掉代码块围栏后剩余文本能否被 json/csv 解析0.1权重不是拍脑袋格式不合规的模板在流程里根本没法用所以占大头内容质量是第二个会话才判断的事首轮只看「能不能被程序吃下去」。4.2 跑对照同一模板三种写法拿充当 Excel 工作表做对照实验三种写法分别是原版、删掉「不要写解释」的版本、把格式约束移到模板开头的版本。import re PREFIX_WORDS (好的, 以下是, 下面是, 希望, 当然, Sure, Here) def judge(output: str, expect_cols: int 12) - dict: blocks re.findall(r(\w*)\n(.*?), output, flagsre.S) body .join(b[1] for b in blocks) if blocks else output # 格式代码块恰好一个 或 纯文本表格列数正确 if blocks: fmt_ok len(blocks) 1 else: rows [r for r in body.strip().splitlines() if | in r or \t in r] fmt_ok bool(rows) and all(len(re.split(r[|\t], r)) expect_cols for r in rows) # 解释块外文本是否以客套词开头 outside re.sub(r.*?, , output, flagsre.S).strip() clean not outside.startswith(PREFIX_WORDS) return {fmt_ok: fmt_ok, clean: clean, score: 0.4 * fmt_ok 0.3 * clean}judge里对代码块和纯文本表格分别处理是因为这份模板库两种输出形态都有终端类回代码块Excel 类回纯文本表。写判据的时候如果只按代码块算Excel 那批会全部判负得到一堆假阴性。outside那段先剥掉所有代码块再看剩余文本剥完还剩客套话就说明模型没守住「不要写解释」。跑 20 条样本、每条重复 3 次取平均结果大致会呈现这样的分布格式强约束类通过率能到 80% 以上中文版比英文版低 10 到 15 个百分点多轮交互类通过率中等主要失分在「一次只问一个问题」这条模型倾向于一口气列五个问题内容创作类格式分几乎满分但「无多余解释」这条普遍不合格因为创作类模板本来就没写这条约束。4.3 读数哪些模板天生不稳通过率低于 60% 的模板基本可以归到三类原因。第一类是输出空间太开放。比如「充当诗人」模板只说「写有感染力的诗」没说行长、行数、是否押韵判据就无从下手。这类模板不是不能用是要在你自己的副本里补一条可量化的约束比如「四行每行不超过 12 字」。第二类是约束互相打架。「担任面试官」那条既要求「像面试官一样一个一个问」又要求「等待我的回答」模型有时候理解成「先问完再等」一次抛出五个问题。解决办法是把「一次只问一个问题」单独提到模板最后一行用最短的句子重述。第三类是中英混用导致语言漂移。中文模板里夹了英文示例模型会按示例的语言回。这个坑在翻译类、发音类模板上特别常见修法是在模板末尾加一句明确的语言指定别指望模型从上文推断。体检做完我一般会给每条模板打一个标签存进 specsstable、needs_anchor、needs_rewrite。后面批量跑任务时只有stable的能直接进自动化流程其余两类要先补锚点句。这个标签机制比反复人工 review 省事也比一刀切全用英文版更实际——毕竟内容创作类用中文改写效率高得多。5. 避坑模板粘进对话框后翻车的六种现场5.1 现象输出带着「好的以下是」开头格式约束完全没生效原因通常是模板里那条「不要写解释」被放在了中段后面又跟了一大段角色描述权重被稀释。模型在生成第一个 token 时最近的上下文是角色描述而不是格式约束自然按聊天习惯开场。解决方法是把格式约束复制一份到模板最后一行紧挨用户输入并且在后续对话里每隔两三轮重述一次。我现在的做法是给每条模板配一个anchor字段drift 一出现就把锚点句单独发一遍比重新粘贴整条模板便宜。5.2 现象同一个会话里换了角色新角色说话带着旧角色的腔调原因是没有开新会话历史消息还在上下文里。角色设定本质是条件前缀旧前缀的权重不会因为新指令出现就归零。解决方法是每个角色一个会话物理隔离。如果确实要在同一会话里切换先发一句「忽略以上全部设定重新开始」再发新模板但即便如此也只能恢复个七八成。血泪经验是别图省事复用会话尤其是终端模拟和 Excel 模拟这种格式敏感的串味之后输出会带上前一个角色的格式习惯。5.3 现象输出里原样出现了{character}模型把它当字面文本了原因是渲染时漏替换或者变量表里没声明这个变量白名单把它当说明性文本保留了。这个坑隐蔽在于模型不会报错它会很自然地回答「Hi {character}.」看起来像是理解了格式实际是照抄。解决方法是在渲染函数里加一道断言渲染完成后再次扫描如果还有命中白名单的变量名残留直接抛异常不要发出去。上面render里没写这道检查实际使用时建议补一个assert not scan_vars(out, whitelist)。5.4 现象模板前几轮很稳第五轮之后开始自由发挥原因是上下文变长早期指令的相对权重下降模型逐渐向默认聊天行为回归。这不是模型坏了是条件生成的自然结果。解决方法有两个方向一是缩短会话把长任务拆成多个短会话每个会话只做一小段二是用锚点句定期回钉每三轮补一句最短的格式约束。我一般两个一起用长任务拆段段内加锚。判断该不该拆段的信号是输出里开始出现解释性文字或者格式从代码块退化成散文。5.5 现象中英混用模板输出语言随机漂移原因是模型按最近的语言信号走。中文模板里如果夹了英文示例句输出很可能跟着示例走英文英文模板里如果用户用中文提问输出又可能转中文。解决方法是在模板末尾显式写死语言不要依赖推断。中文任务写「全程使用中文回复包括代码注释」英文任务写「Reply in English only」。这条对翻译类、发音类模板尤其重要因为它们的输入输出本来就跨语言。5.6 现象终端模拟给出的命令回显是编的原因很直接模型没有真的执行命令它在根据训练分布猜输出。pwd这种它猜得准ls -la在自定义目录下就纯属虚构。这个坑的严重性取决于你怎么用——只是找找命令写法没问题把回显当真实结果去排错就会误导。解决方法是把这类模板定位成「命令语法助手」而不是「终端替身」真正要执行的结果自己在本地跑一遍。同理Excel 模拟给的公式计算结果也不能直接信公式结构可以参考数值必须自己算。这个边界在 PDF 原文里没写但用之前必须清楚。6. 进阶把模板库挂到命令行上顺手做一个模板体检脚本用顺了之后翻 PDF 复制粘贴会变成瓶颈。我的做法是给常用的十来条模板做个命令行入口参数直接传渲染结果进剪贴板#!/usr/bin/env bash # ptpl: 用法 ptpl role_play character某侦探 series某推理剧 set -euo pipefail name$1; shift args() for kv in $; do args(--set $kv) done python -m promptkit render $name ${args[]} | tee /dev/stderr | pbcopytee /dev/stderr让渲染结果既进剪贴板又在终端可见方便先扫一眼有没有变量漏填pbcopy换成对应平台的剪贴板命令即可。--set收keyvalue形式和前面render的values字典一一对应。这个脚本不长但它把「翻文档、找模板、改占位符、复制」四步压成了一步。配套的体检脚本更值得写。每次改完模板跑一遍小样本把四个维度的得分和stable标签一起写回 specsdef health_check(tpl_name, samples, repeats3): scores [] for _ in range(repeats): for s in samples: out call_model(render(tpl_name, s[vars]), s[input]) scores.append(judge(out)[score]) avg sum(scores) / len(scores) label stable if avg 0.8 else (needs_anchor if avg 0.6 else needs_rewrite) return {template: tpl_name, avg: round(avg, 3), label: label, n: len(scores)}call_model里换成你手上任意兼容 chat 接口的服务端点就行base_url和密钥走环境变量别写进代码。repeats3是为了压掉单次采样噪声样本量小的时候这个参数比调判据阈值更管用。跑完把结果按label分组打印needs_rewrite那几条就是下次迭代的重点。最后说一个习惯。我以前拿到这类模板合集第一反应是全部导入、建索引、写个检索界面结果三个月过去真正用上的不到二十条索引本身还花了两天调。后来改成先用第 5 章那六条坑过一遍把会翻车的挑出来标好再按第 3 章参数化入库剩下的原样躺在 PDF 里当参考。这个顺序反过来之后模板库的维护成本降了一大截也不会出现「库里一百五十条、实际能用五条」的尴尬。从那以后我每次收进新模板都强制走一遍「扫花括号、跑二十条样本、打标签」这三步哪怕当天只加一条。希望帮到你。本文还有配套的精品资源点击获取