简介《ChatGPT指令集角色扮演》是一份面向K12教师、学生及AI应用入门者的PDF资料围绕Prompt设计与角色扮演展开帮助读者理解如何通过提问引导ChatGPT生成更贴合需求的回答。文件共1个PDF大小约1.57MB内容涵盖Prompt的基本概念、特定指令、指令模板、代理模式与示例模式四类交互策略并附角色扮演清单与STAR原则等示例便于在教育教学、智能客服和智能助手等场景中直接参考。已有1303人学习适合希望提升提示词组织能力、优化对话结构或尝试角色化交互的读者快速查阅。资料将自然语言处理与深度学习背景融入实操说明重点呈现不同模式的适用条件与表达方式可作为课堂互动设计、教学问答和对话练习的轻量参考手册。1. 从一个常见困惑说起Prompt 到底是什么很多人第一次用对话式 AI都会经历同一个瞬间一句「帮我写个方案」发过去回来的东西四平八稳、谁也不得罪看完只想说「不是我要的」。问题往往不在模型而在你递过去的那句话。Prompt提示词就是你交给 AI 的那段任务说明它是你和模型之间唯一的接口你写什么它就沿着什么往下接。而「指令集」和「角色扮演」就是把这段说明写出章法的两套办法。打个比方这就像新同事第一天到岗。你说「帮我弄个周报」他只能靠猜你说「按周汇总写三块做完的、卡住的、下周要做的每块不超过三条语气正式」他立刻就能上手。同一件事说法不同产出差一个档。搞懂 Prompt本质上就是搞懂怎么把心里那点模糊的期待翻译成一段能被照着执行的清楚话——这份资料想解决的正是这件事。2. Prompt 为什么能起作用把「接话」这件事讲透2.1 它不是搜索框而是一个极度擅长接话的模型先把最常见的错觉拆掉对话式 AI 不是高级版搜索引擎。搜索干的是「匹配加排序」——你给几个词它去已有文档里挑最像的几篇端回来。对话模型干的是「续写」——根据你给的上文预测接下来最可能出现的下文一个词一个词往外吐。差别就在这儿。搜索要的是关键词对话要的是完整的意思。你丢给它「周报 模板 正式」三个词它只能猜你想干嘛你说「把下面这段流水账改写成周报三段式正式语气」它就有了可接的下文。支撑这件事的是深度学习和自然语言处理那一整套东西模型在大量文本上做过预训练学到的是「什么样的上文后面通常跟什么样的下文」这种统计规律。所以它没有「查」的动作只有「接」的动作。理解这一点后面所有技巧都好懂了——你不是在下命令你是在给它一个足够好的开头让它顺着往下接得准。这也解释了一个很多人踩过的坑把提示词写得像搜索词越短越省事结果越飘。模型不是不努力是上文太薄它只能往最常见、最平均的方向接。2.2 一句提示词里其实藏了四样东西同一句提示词为什么有的人写完就能拿到能直接用的东西因为好用的提示词里通常都藏着四样东西缺一样结果就少一块。第一样是角色以什么身份来说这话。是「资深编辑」还是「班主任」决定了用词、语气和关注点。第二样是任务到底要它干什么改写、总结、对比、出主意动词要明确。第三样是上下文它需要知道的背景材料越具体越好不要让它猜。第四样是输出格式要什么形状几段、几条、表格还是清单、多长。对比一下就清楚了弱版本「帮我分析一下这个项目的风险。」强版本「你是一名做了十年交付的项目顾问。下面是我这个项目的三条现状描述请列出五个最可能出问题的环节按发生概率从高到低排序每条一句话说明触发条件不要给解决方案。」后一句没有变长多少但四样东西齐了角色给了、任务给了、材料给了、形状给了。模型不需要再猜产出自然收敛。很多人以为写提示词是「玄学」其实玄的部分大多来自这四样的缺失。补齐之后剩下的波动才是模型本身的随机性。2.3 为什么换个说法结果差一个档有人会问同样是我同样的问题昨天问和今天问答案怎么不一样这不是错觉。模型生成时有采样随机性同一个上文它可能接出好几条都说得通的下文。所以你会觉得它「时好时坏」。但随机性只解释了一部分波动更大的一部分来自提示词的松紧。提示词越模糊模型能落脚的范围越大它就越容易落到「最平均」的那个答案上——也就是那种读了等于没读的废话。提示词越具体可落脚的范围越窄你拿到想要的东西的概率就越高。这有点像给装修师傅交代活。你说「弄得好看点」他只能按大众审美来你说「原木色、不要吊顶、柜子做到顶」结果就贴近你的预期。前者不是他不用心是信息不够。所以稳定的做法不是反复重问、碰运气而是把变量固定下来角色固定、格式固定、材料固定只改真正要变的那一处。这样你才能判断到底是哪一句起了作用。否则每次都在改三四个地方出了问题也不知道是哪儿的锅纯靠感觉调很容易翻车。提示如果你发现同一个提示词连着三次结果都不理想先别加词先看是不是缺了「输出格式」这一样。格式缺失是最常见的隐形漏项。3. 四种对话模式特定指令、模板、代理与示例各自解决什么3.1 特定指令最省事也最常用的直球特定指令是四种里门槛最低的一种你给一个明确的问题或一组关键词模型生成与之相关的内容。问概念、要解释、求推荐基本都在这个范围里。它的好处是快。想到什么问什么不需要准备。日常绝大多数交互都是这个模式包括 K12 场景里学生问一道题的解法、老师让解释一个概念。它的短板也很明显你只控制了「问什么」没控制「答成什么样」。同一句「讲讲光合作用」给小学生讲和给高中生讲输出长度和用词完全不同但特定指令本身不携带这个信息模型只能按最普遍的情形来答。所以特定指令适合「先把事情问明白」不适合「要一份能直接交付的东西」。判断标准很简单如果这个回答你要拿去改一改才能用那它大概率还停留在特定指令的层级。3.2 指令模板把需求拆成槽位指令模板是在特定指令上加了一层骨架。你不再只说「总结一下」而是规定好三件事背景是什么context、输入是什么input、期望的输出长什么样output。模型按这个骨架往里填。最典型的应用就是结构化总结。比如让人把一段工作经历按 STAR 原则拆开——情境、任务、行动、结果四块。原始材料是一段囫囵话输出是四个清晰的条目信息没丢形状变了。这类需求在写简历、整理复盘、做汇报提纲时特别常见因为「说不清楚」往往不是内容不够是结构没搭。模板的价值在于可复用。你把骨架定好换一段材料进去出来的东西形状是一致的。批量处理同类任务时这一点比单次效果好更重要。用代码把模板固定下来会更省事def build_prompt(context: str, material: str, fields: list[str]) - str: 把背景、材料、输出字段拼成一条结构化提示词。 context : 任务背景比如「你在帮我整理工作复盘」 material: 待处理的原始文本 fields : 期望输出的字段名列表顺序即输出顺序 # 用编号把字段列出来避免模型自由发挥字段名 field_lines \n.join(f{i1}. {f} for i, f in enumerate(fields)) return ( f背景{context}\n f请严格按下面的字段顺序输出每项一到两句话不要增删字段\n f{field_lines}\n f待处理材料\n---\n{material}\n--- ) prompt build_prompt( context你在帮我整理项目复盘, material客户前期不满我重排了任务、加了激励、组织了团建最后方案重推客户续约。, fields[情境, 任务, 行动, 结果], ) print(prompt)这段代码没有任何模型调用只是把「模板」这件事写死成一个函数。三个参数分别对应背景、原料和输出字段字段用编号列出来是为了让模型按顺序填而不是自己发明几个新字段。真用起来时fields换成你实际要的字段就行比如「问题、原因、影响、建议」或者「结论、依据、风险」。需要注意模板不是越细越好。字段超过六七个模型容易顾此失彼前面写得细、后面开始敷衍。四到六个字段是比较舒服的区间。3.3 代理模式角色扮演为什么真的有用代理模式就是大家熟悉的「你来扮演某某」。你让模型以一个特定身份说话它就会沿着这个身份的用词、语气和关注点往下接。它之所以有效不是什么神秘现象。角色本身是一组隐式约束一个「急诊科医生」不会用段子手的口吻讲话一个「小学数学老师」会自动避开微积分的表述。你给了角色等于一次性收窄了一大片表达空间模型不用再在「什么样的语气都行」里瞎猜。这也解释了一个常见现象同样一段材料让它「以投资人视角看」和「以用户视角看」挑出来的问题完全不同。不是它突然变聪明了是角色的关注点把注意力引到了不同地方。角色扮演在教学互动里尤其好用。让模型扮演一个历史人物来对话或者扮演一个「故意出错的学生」让学生来纠正交互感一下就上来了。这类用法在 K12 阶段的课堂里比单纯问答更抓人因为学生面对的不再是一个答题机而是一个有立场的对话对象。这份资料里整理了一份角色扮演清单覆盖的身份类型挺广。清单的价值不在于照抄而在于给你一个起点先看别人怎么定义角色的关注点再改成自己需要的。一个能让角色更稳的写法是在角色后面补一句「约束」这个角色知道什么、不知道什么、回答时坚持什么原则。比如「你扮演一位只讲初中范围知识的物理老师遇到超纲问题就说『这个先记住结论以后再讲』」。加上这句角色的边界就清楚了跑偏的概率明显下降。注意角色改变的是表达风格和关注倾向不会让模型凭空获得该角色的私有经验或实时信息。指望换个角色就得到内幕消息一定会失望。3.4 示例模式给一个样例胜过讲十句道理示例模式是四种里门槛最高的你不只描述要求还直接给一到三个样本让模型照着样本的形状生成新内容。它有效的原因很朴素——模型非常擅长模仿形状。你用三段话描述「我要一种简洁有力的文案风格」它未必抓得准你直接贴两条你满意的文案它立刻就对齐了长度、句式和节奏。适合用示例模式的场景有个共同点风格比内容更难描述。自动生成邮件回复、商品描述、活动通知、周报开头都属于这类。你说不清「我们公司的那种语气」但你能找出三条写得好的旧文。用法上有个细节值得注意示例要挑「有代表性的」不是「最好的」。三条风格打架的样例会让模型在中间摇摆产出一条四不像。宁可用两条风格一致的普通样例也别用三条风格各异的精品。另外示例模式通常要配一条明确的规则说明不能只贴例子。比如「照下面两条的语气和长度写不要出现感叹号每段不超过两句」。规则定骨架样例定质感两个一起给效果才稳。只给规则容易干巴巴只给样例容易学跑偏。4. 四个模式怎么选一张对照表和三个判断问题4.1 一张表看清成本与可控性四种模式不是替代关系是不同档位的工具。选错的典型症状是用特定指令去做需要批量交付的活结果每次都要返工或者用示例模式去问一句「这个概念什么意思」白费力气。模式你要准备什么输出可控性适合的任务典型翻车点特定指令一句清楚的问题低问答、解释、求推荐、初探思路答案泛泛格式随机指令模板背景、材料、字段清单中高结构化总结、复盘、对比、提纲字段太多后几项敷衍代理模式角色身份 边界约束中视角分析、模拟对话、教学互动角色越权编造细节示例模式二到三条风格一致的样例 规则高批量文案、固定格式产出、风格统一样例风格打架产出四不像看这张表会发现一个规律准备成本越高输出可控性越强。这不是巧合——你多花的力气本质上是把「猜」的部分提前替模型做掉了。4.2 三个判断问题三十秒定模式不想每次纠结问自己三个问题就够了。第一个这个任务有固定形状吗有比如「必须四段」「必须列三条」直接上模板。没有从特定指令开始试。第二个结果是只给你自己看还是要给别人看自己看的特定指令够了要交出去的模板或示例模式因为形状稳定才敢往外发。第三个这件事你要重复做多少次做一次怎么快怎么来要做二十次值得花十分钟把模板或样例做出来后面每次省五分钟就是净赚。三个问题里只要有一个答案是「要」就往上抬一档。三个都是「不用」老老实实用特定指令别过度设计。4.3 组合起来用从单点到流水线真实任务很少只用一个模式。更常见的做法是串起来先用代理模式定视角再用模板定结构最后用示例模式定语气。举个具体流程。假设你要把一堆杂乱的会议记录整理成一份对外说明第一步让模型扮演「负责对外沟通的人」把材料里对内的措辞换成对外的说法第二步套模板固定成「背景—变化—影响—下一步」四段第三步给两条以前的对外说明当样例对齐语气。这么串的好处是每一步都可检查。哪一步出来的东西不对就回头调那一步不用整段重来。反过来如果一口气把所有要求塞进一句话出了问题你根本不知道是哪句的锅只能靠玄学调参。代价是慢一点。所以只在「这个产出要反复用」或者「这个产出很重要」的时候才值得串三步日常问答就别折腾了。5. 五个最容易搞混的概念从误区里厘清边界5.1 提示词不等于关键词搜索易混点把提示词当成搜索词来写越短越觉得高效。为什么混搜索用久了形成的肌肉记忆——关键词越精准结果越好。这个习惯搬到对话模型上立刻就失灵。怎么区分看你是想「找到已有的东西」还是「生成没有的东西」。找已有的关键词就够要生成的必须给完整意思。检验办法很直接如果你的提示词删掉一半字意思还成立那它可能本来就是搜索词不是提示词。5.2 角色扮演不等于模型变成那个人易混点以为加了角色模型就拥有了那个角色的知识、经验和判断力。为什么混角色扮演出来的语气太像了像到让人忘记它只是在调整表达方式。它说话像个医生不代表它在做医学判断。怎么区分看输出里的信息是从哪来的。如果信息来自你给的材料和它训练时学到的一般知识那是正常的如果它开始编造具体数字、具体案例、具体引用那就是角色越界了。防止的办法是在角色后面加约束明确它「不知道什么」以及遇到不确定时要怎么回应。涉及专业判断的场合角色扮演只能用来拓宽视角不能用来替代核实。5.3 指令模板不等于写死的话术易混点把模板理解成一段固定文本每次原样粘贴。为什么混模板听起来就像「套话」容易联想到填表式的僵化输出。怎么区分模板固定的是结构不是内容。字段名可以不变字段里填什么每次都不同。真正的模板应该像一个空架子换一批材料进去出来的是新东西。如果你的模板用三次出来三段几乎一样的话那它不是模板是话术说明材料那一栏根本没换。5.4 示例模式不等于样例越多越好易混点觉得多给几个例子总没坏处一次贴五条。为什么混直觉上「样本越多越准」在别的地方成立在这里不一定。怎么区分看样例之间是否一致。三条风格统一的样例比五条风格各异的强得多。样例一多冲突的概率就上去了模型在几种风格之间摇摆产出反而更差。稳妥的做法是两到三条且都挑「典型」的而不是「最好」的。另外记得配一句规则说明光有样例没有规则模型容易只学到表面特征比如学到了句长没学到语气。5.5 提示词写得好不等于结果一定对易混点把提示词当成质量保证觉得写清楚了就不会出错。为什么混前面的技巧确实明显提升了输出质量容易让人产生「已经搞定」的错觉。怎么区分提示词管的是「形状和方向」管不了「事实对不对」。模型可能会把数字记错、把来源搞混、把不存在的东西说得煞有介事。所以凡是涉及具体数据、具体引用、具体结论的内容都要过一遍人工核对。这不是提示词的问题是这类工具本身的边界。指望靠一句「请确保准确」来消除错误基本没有效果。这五组混淆有个共同根源把「我表达得清楚」和「它理解得准确」划了等号。中间还隔着模型本身的机制和局限。想清楚这一层很多失望就能提前避免。6. 什么时候该用、什么时候别用几条边界判断6.1 值得用的三种情形第一种从零到一的开荒。面对一张白纸不知道从哪下手时先让它给几个方向哪怕是平庸的方向也比空白强——你至少知道自己不想要什么。第二种有明确形状的重复劳动。周报、通知、产品描述、会议纪要这类活有固定套路用模板加样例能省下大量时间而且质量稳定。第三种需要换视角的时候。自己看自己的方案容易有盲区让它扮演用户、扮演挑刺的人、扮演外行往往能问出你自己想不到的问题。6.2 该收手的四种情形情形为什么别用替代做法需要精确数字或实时信息它可能给出看似合理的错值查原始出处人工核对涉及专业判断与责任输出无法承担责任当参考最终由人决定材料本身涉密或敏感不该外传的内容不外传脱敏后再处理或干脆不用任务本身没想清楚提示词写得再好也救不了模糊的需求先把需求写成一页纸第四种情况最容易被忽略。很多人反复改提示词却始终不满意真正的原因是自己也没想清楚要什么。这时候继续调措辞是白费功夫先把需求写清楚才是正事。我自己的习惯是这样凡是要交出去的东西不管模型给得多顺眼都强制走一遍人工核对的流程——数字对一遍引用查一遍结论问一句「这个说法我敢不敢署名」。这个习惯是被坑出来的早些年有一次直接把一份看起来很完整的材料转了出去里面一个关键数字是模型自己圆出来的后面解释起来相当狼狈。从那以后我每次用模板产出正式内容都会在最后加一道核对宁可慢十分钟。这份整理好的指令集与角色扮演资料把四类模式的写法和一批可直接套用的角色清单收在了一起适合放在手边当参照。需要的话按页面提示获取就行先挑一个自己最常做的任务试一次比通读一遍更有用。希望帮到你。本文还有配套的精品资源点击获取