提示工程AI 安全治理【免费下载链接】TheBigPromptLibraryA collection of prompts, system prompts and LLM instructions项目地址https://gitcode.com/gh_mirrors/th/TheBigPromptLibrary点击查看免费下载导读本文以开源仓库 TheBigPromptLibrary 中的 Dejargonizer 指令文件 为主体完整还原这份由 simonwillison.net 设计的 ChatGPT Custom GPT 指令原文逐条拆解其「输出格式、多义词处理、术语排序、递归追问」四层设计逻辑并结合仓库中的 GPT 文件规范与配套工具gptparser.py、gen_gpt_templ.py、idxtool.py给出可复制的实战方案。读完本文你将能够复刻一个粘贴文本 → 输出全部术语/缩略语解释清单的 Dejargonizer 类 GPT并掌握把同类指令移植到 ChatGPT Custom Instructions 的完整方法。一、Dejargonizer 是什么指令文件的定位与元信息Dejargonizer 是 TheBigPromptLibrary 收录的数千个 ChatGPT GPT 指令之一其完整元信息记录在 CustomInstructions/ChatGPT/3V1JcLD92_Dejargonizer.md 中字段内容GPT URLhttps://chat.openai.com/g/g-3V1JcLD92-dejargonizerGPT TitleDejargonizerGPT DescriptionPaste in text, get explanations of all of the jargon and acronyms作者来源By simonwillison.net一句话概括其产品定位用户粘贴任意文本GPT 返回该文本中所有行话jargon与缩略语acronyms的解释清单。它解决的是读一段充满专业术语的文档技术报告、政策文件、行业公告时看不懂的普遍痛点是一个典型的文本预处理/阅读辅助型工具 GPT。该文件已收录于仓库目录索引 CustomInstructions/README.md其中第 416 行登记为[Dejargonizer (id: 3V1JcLD92)](https://link.gitcode.com/i/462bb70318feb35e1dc1eea509a8a4ff)。二、指令原文逐字还原Dejargonizer 的核心即下面这段 Custom Instructionssystem prompt。原文保存在指令文件的GPT instructions:代码块中以下为逐字全文Explain all acronyms and jargon terms in the entered text, as a markdown list. Use **bold** for the term, then provide an explanation. Mention the likely context for the term where appropriate. If a term could mean several things list each potential definition in a nested list. List the least obvious terms first. The first time you answer end with Type ? for further explanation - if the the user types ? then provide explanations of any new jargon terms you used to explain the previous jargon.全文仅三段话却完整定义了四个维度的行为契约。下面逐条展开。三、指令逐条拆解四层设计逻辑3.1 输出契约Markdown 列表 加粗术语第一句定义了核心行为与输出格式Explain all acronyms and jargon terms in the entered text, as a markdown list. Useboldfor the term, then provide an explanation.要点有三全覆盖all acronyms and jargon terms要求对输入文本做穷尽式扫描而不是挑几个有意思的词解释。这决定了该 GPT 的召回recall倾向——宁可多列不可漏列。结构化输出结果必须是a markdown listMarkdown 无序列表。结构化输出便于用户扫读、复制、二次加工也符合 Agent/LLM 时代输出即可解析的最佳实践。加粗术语每个条目用**bold**包裹术语本身再给出解释。例如**DevOps** — ...。加粗让用户在快速浏览时先锁定这是什么词再决定是否细读解释。3.2 语境增强Mention the likely contextMention the likely context for the term where appropriate.同一术语在不同行业含义可能完全不同例如bus在计算机体系结构、公共交通、软件架构中是三个概念。指令要求模型在解释时补充该术语在本文本中最可能出现的语境从而消歧。这是一个低成本高收益的精度设计——它促使模型不只调取术语的通用定义还要结合输入文本的主题给出定位。3.3 多义词处理嵌套列表If a term could mean several things list each potential definition in a nested list.当术语存在多个可能含义时采用嵌套列表展开所有潜在定义。示意结构- **API** — Application Programming Interface应用程序编程接口软件之间交互的约定集合 - 在 Web 开发语境中HTTP 接口服务 - 在操作系统语境中内核向用户态提供的系统调用 - 在金融语境中也可能指 Active Pharmaceutical Ingredient原料药这一设计对Dejargonizer这类工具至关重要专业文本中的缩略语几乎必然存在一词多义若只给出单一含义解释本身就是错误的。嵌套列表把不确定性显式化把选择权交还给读者。3.4 排序策略List the least obvious terms firstList the least obvious terms first.这是全文最精妙的一条。它定义了列表的排序算法最不明显的术语排最前而不是按出现顺序或字母序。背后的认知心理学依据是认知负荷递减读者带着最大困惑打开输出时先看到的是自己最可能不认识、最需要解释的词明显术语如CPU、PDF放在后面读者扫一眼即可跳过不会淹没真正陌生的内容将信息熵最高的条目前置能最大化单位阅读时间的收益。3.5 交互协议Type ? 递归追问The first time you answer end with Type ? for further explanation - if the the user types ? then provide explanations of any new jargon terms you used to explain the previous jargon.这是该指令的杀手锏——一个可递归的追问协议每次首次回答的结尾固定附加提示语Type ? for further explanation注意原文双写the the保留原样是作者原始措辞用户输入?后GPT 需要解释上一轮解释中自己新引入的术语由于解释一个术语时模型难免会引入新术语例如解释Kubernetes时会用到container、orchestration该协议会层层下钻直到所有术语解释到零行话为止。这实际上把递归解释recursive explanation做成了用户可主动触发的对话循环实现了类似看注释时点开脚注的脚注的阅读体验。需要强调的是?触发的是对解释中新增术语的再解释而不是对原文本的重复——这避免了无限循环也保证每次追问都有信息增量。四、仓库事实GPT 指令文件的标准格式与解析工具4.1 GPT 文件的字段规范Dejargonizer 指令文件本身即仓库自定义 GPT markdown 格式的范本。仓库配套解析模块 Tools/openai_gpts/gptparser.py 在第 26–37 行SUPPORTED_FIELDS明确定义了 GPT 文件支持的标准字段及其显示顺序SUPPORTED_FIELDS { url: GptFieldInfo(10, URL), title: GptFieldInfo(20, Title), description: GptFieldInfo(30, Description), logo: GptFieldInfo(40, Logo), verif_status: GptFieldInfo(50, Verification Status), instructions: GptFieldInfo(60, Instructions), actions: GptFieldInfo(70, Actions), kb_files_list: GptFieldInfo(80, KB Files List), extras: GptFieldInfo(90, Extras), protected: GptFieldInfo(100, Protected), }对照可见Dejargonizer 文件使用了urlGPT URL、titleGPT title、descriptionGPT description、instructionsGPT instructions四个字段恰好对应文件中GPT url:、GPT title:、GPT description:、GPT instructions:四行前缀并遵守{FIELD_PREFIX} {key}: {value}的解析约定见gptparser.py第 41–42 行的注释。parse_gpturl()第 127–135 行还展示了如何从 URL 中解析出 GPT ID3V1JcLD92与 slugdejargonizer。4.2 用仓库工具检索与生成此类指令文件仓库在 Tools/openai_gpts/README.md 中给出了两套操作工具查找用idxtool.py按 GPT ID 或完整 URL 定位文件python idxtool.py --find-gpt 3V1JcLD92 # 或 python idxtool.py --find-gpt https://chat.openai.com/g/g-3V1JcLD92-dejargonizer也可以把多个 ID/URL 放入文件用引用批量查找python idxtool.py --find-gpt gptids.txt。生成模板gen_gpt_templ.py可从 ChatGPT 官网下载并解析 GPT 元数据title、description、author 等生成带{gpt_id}.md命名的标准模板文件python gen_gpt_templ.py https://chatgpt.com/g/g-3V1JcLD92-dejargonizer支持 GPT ID、g-前缀 ID、完整 URL、对话 URL 和response_file批量输入详见 Tools/openai_gpts/README.md 第 78–128 行。这意味着你完全可以在本地用仓库工具拉取、解析、批量管理 Dejargonizer 这类指令文件再以相同结构创建自己的版本。五、实战演示期望输出形态以下为一个构造的示意非原文档内容用于说明指令期望的行为。假设用户输入The DevOps team is evaluating a blue-green deployment for the microservices running on Kubernetes, but the CFO wants an ROI estimate before the sprint planning session.根据 Dejargonizer 指令符合规范的输出应大致为- **Blue-green deployment** — 一种发布策略同时维护两套环境blue 与 green新版本先部署到备用环境验证通过后再整体切换流量实现零停机发布 - **Microservices** — 微服务架构将应用拆分为一组可独立部署、独立演进的小服务 - **Kubernetes** — 容器编排平台负责容器的调度、伸缩、负载均衡与自愈语境为云原生基础设施 - **DevOps** — Development 与 Operations 的合称强调研发与运维协作、自动化交付的工程文化 - **ROI** — Return on Investment投资回报率 - 在财务语境(收益 − 成本) / 成本 - 在营销语境指营销活动的投产比ROAS 的近似概念 - **Sprint** — 敏捷开发中的迭代周期通常为 1–4 周的可交付时间段 - 在体育/日常语境短距离冲刺跑 Type ? for further explanation注意上例中Kubernetes的解释里引入了container与orchestration两个新术语此时用户输入?模型应对这两个新增术语给出解释——这正是 3.5 节所述递归追问协议的具体形态。实际输出由模型生成可能与此示意的措辞不同但结构应符合加粗术语 解释 语境标注 多义词嵌套列表 不明显术语前置 结尾追问提示的契约。六、同主题对照Jargon Interpreter 与 Reverse Acronym Generator仓库中另有两条与 Dejargonizer 形成互补的同类指令可作为设计参照Jargon Interpreterid: f5MAbVmU3By Kevin Fu面向零技术背景初学者采用五步流程——简单英语定义、与近义词/反义词对比、带数字的易懂示例、以及当术语是度量指标时给出行业公认好/坏/平均基准值并要求附带来源链接。它比 Dejargonizer 更强调教学法与量化指标但要求用户显式提供term输入而非从文本中自动抽取。Reverse Acronym Generatorid: wWq206vRm方向相反——根据用户给出的单词生成反向缩略语如Awesome → Association for Wonderful and Exceptional Students of Math and English并内置指令保护# SECURITY段落。三者对比可以看出两类差异化的设计取向Dejargonizer 走全量抽取 自动消歧 递归解释的阅读辅助路线Jargon Interpreter 走单点深度讲解 面向教学的路线而 Reverse Acronym Generator 走创意生成路线。如果你的目标是读懂一段话Dejargonizer 的骨架全量扫描 → 结构化列表 → 语境标注 → 多义词嵌套 → 递归追问是最值得复用的模板。七、复用与迁移把 Dejargonizer 指令移植到你的场景基于以上拆解可以给出移植该指令到任意 LLM 系统ChatGPT Custom GPT、Claude、Gemini 等的最小改动清单保留输出契约as a markdown list**bold**术语 解释这三者保证输出可扫描、可解析按需调整覆盖范围如需聚焦单一领域如只解释法律术语、医疗缩写可在all acronyms and jargon terms后追加领域限定词例如in the entered legal text保留多义词嵌套列表这是消歧的关键机制不建议删减保留least obvious terms first仅调整排序策略即可显著影响阅读体验改造追问协议Type ?的触发词可替换为任意指令如解释一下、??但务必保留解释解释中新出现的术语这一递归约束否则追问会失去边界封装为仓库规范文件按 CustomInstructions/ChatGPT/3V1JcLD92_Dejargonizer.md 的GPT url / GPT title / GPT description / GPT instructions字段结构整理即可被 gptparser.py 正确解析、被idxtool.py --toc收录进目录索引。最后提醒本仓库内容仅用于学习系统提示词设计与 Prompt 工程实践见根目录 README.md 的 Disclaimer 声明。当你把上述指令粘贴到自定义 GPT 的 Instructions 中时它便成为一个可实际使用的Dejargonizer而把全文指令放入 gen_gpt_templ.py 生成的模板中则可以得到与仓库收录版本同构的自有指令文件纳入本地版本管理。赞分享提示工程AI 安全治理【免费下载链接】TheBigPromptLibraryA collection of prompts, system prompts and LLM instructions项目地址https://gitcode.com/gh_mirrors/th/TheBigPromptLibrary点击查看免费下载相关推荐Learn X in Y MinutesBrainfuck 极简语言实战指南——8 条指令、30,000 个单元格与三个经典程序逐行拆解Learn X in Y MinutesBrainfuck 极简语言实战指南——8 条指令、30,000 个单元格与三个经典程序逐行拆解 Brainfuck文档教程ChatterBot 实战教程从零构建可学习的命令行对话机器人ChatterBot 实战教程从零构建可学习的命令行对话机器人 本教程基于 ChatterBot 官方 Tutorial docs/tutorial.rst人工智能NLP交互助手70工程习语从«наебнулось»到«хуйня вопрос»pohuy核心字典逐条拆解70工程习语从«наебнулось»到«хуйня вопрос»pohuy核心字典逐条拆解 pohuy 是一款面向 AI 编程助手的开源「俄语脏话」技能上一篇Flutter Design Patterns项目部署从开发到生产环境的完整流程下一篇深入理解MobileNetV2架构Inverted Residuals与Linear Bottlenecks的终极指南 创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考