简介这份PDF文档聚焦ChatGPT提示词Prompt的系统讲解面向K12教育场景以及人工智能、深度学习、自然语言处理爱好者帮助读者理解并运用指令设计来获取高质量AI回复。文档从Prompt是什么切入介绍其在智能客服、教育交互、智能助手中的典型应用继而重点拆解特定指令、指令模板、代理模式、示例模式四种核心构造策略既可以用关键词直接提问也能通过STAR等结构化模板约束输出既能以“act as”让ChatGPT扮演角色也能借助示例文本生成风格统一的新内容。文中还配有角色扮演清单与具体对话案例便于教学和自学实践。资源为1个PDF文件大小约1.57MB内容精炼、层次清晰适合希望系统提升ChatGPT使用效率的初学者、教师及AI应用开发者。当前已有1286人学习下载可作为日常交互和课堂演示的便捷参考资料。1. ChatGPT指令集不是玄学一份PDF能帮你把对话质量稳定下来同样一个问题有人让模型输出两百字的可用结果有人只得到一段空话差距往往不在模型在输入。ChatGPT指令集与角色扮演这类PDF说到底是把散装提示词整理成可复用模板的起点系统规则、角色背景、任务要求、输出格式都被压成一页可抄的文本。我最早接触这类资料时也幻想复制粘贴就能起飞实际用了才发现PDF里的指令只是半成品真正值钱的是后面的整理和重写。下面就把这份资源拆开看先搞懂它怎么组织再按角色扮演场景自己重写一套接着配参数、躲开常见翻车点最后把它迭代成自己的Prompt库。适合已经在用ChatGPT但输出总不稳定的人想玩角色扮演却不知道怎么写人设的人以及手里攒了一堆模板却不知道怎么管的人。2. 先看懂指令集的结构系统提示词、角色卡与场景模板的分类逻辑拿到这类PDF后的第一个动作不要是复制粘贴而是先做结构分析。市面上的ChatGPT指令集资源看起来是密密麻麻的文本内部其实有规律有的段落是给模型定身份的有的是专门服务角色扮演的有的只是某个写作任务的临时模板。如果分不清这三类后面所有整理工作都会乱这也是很多人觉得“指令集没用”的真正原因。2.1 这类PDF里最常见的三类指令系统提示词、角色卡、单轮/多轮指令最常见的角色扮演类PDF里指令可以分成三类。第一类是系统提示词它定义模型在一整段对话中的身份和全局行为典型开头是“你是一个……”。第二类是角色卡专门为某一场角色扮演服务通常比系统提示词更具体会写清楚人物背景、说话风格、目标典型开头是“现在你扮演……”。第三类是任务指令解决一次性问题比如“把这段文字改得更口语化”或“用表格总结下面的内容”。这三类放的位置完全不同。系统提示词应该放在一次对话的最前面角色卡紧接着系统提示词任务指令则跟在具体消息后面。但PDF很少帮你标注清楚需要自己判断。我的判断标准很简单全局有效还是局部有效。全局的、从头到尾都要执行的归系统提示词只管某个角色场景的归角色卡说一次就失效的归任务指令。指令类型在对话中的位置作用典型开头典型用途系统提示词对话最前定义身份与全局规则“你是一个……”“你的任务是……在每轮中……”翻译、润色、稳定输出格式角色卡系统提示词之后定义角色人设与演法“现在你扮演……背景是……”角色扮演、陪练、创意对话单轮任务指令任意消息位置完成一次具体任务“请用三句话总结……”摘要、改写、打分、分类多轮对话脚本角色卡内嵌控制多轮交互节奏“每轮先说出当前场景再回话”游戏引导、故事推进为什么要把它们拆开模型对长上下文的处理有上限如果角色卡长期驻留在对话里会挤压指令的执行空间反过来系统提示词写得太长角色卡的细节又容易被稀释。拆开之后你才能决定哪些内容该长期放在上下文中哪些用完就丢。这对调参也很关键角色卡通常需要更高的随机性系统提示词则更偏向稳定。2.2 指令参数不是摆设temperature、top_p、max_tokens怎么跟指令搭配指令集PDF只能给你文本但实际对话效果有一半由参数决定。同一个角色卡temperature设在0.7时像真人对话调到1.5之后说话就开始跳脱同一个写作指令max_tokens给太少输出只有骨架没有血肉。参数不跟指令匹配再好的模板也白搭。temperature控制随机性简单理解就是越低越保守、越高越发散。翻译、代码、格式严格的输出我一般落在0.1到0.3角色扮演建议0.7到0.9既能保留对话的自然起伏又不会偏到离谱创意写作、头脑风暴可以放到1.0以上。top_p是另一种采样方式很多API官方建议不要同时把两者拉得过低固定其中一个就行。max_tokens决定输出长度但要注意上下文总长角色卡本身就占掉几百个token如果历史消息再堆几千字输出空间会被挤压。任务类型推荐temperature推荐top_pmax_tokens建议说明翻译0.1–0.30.5按源文长度1.5倍稳妥优先避免意译过头代码生成0.20.6按函数规模稳定性优先级最高角色扮演0.7–0.90.9300–800保留口语自然度写作润色0.5–0.70.8400–1000保留风格但不失控数据分析0.2–0.40.7200–500输出表格时要少废话遇到输出太死板先调高temperature而不是重写指令遇到输出跑偏先调低temperature观察两三轮再决定是否改角色卡。这两步顺序不能反。改指令的成本比改参数高而且改完还要重新验证。2.3 把PDF拆成“指令卡”的整理流程从文本到复用模板我拿到这类PDF后不会整页收藏而是把它拆成一张张“指令卡”。每张卡只保存一个可复用指令带上场景标签、参数、测试样例。这样PDF从一本“书”变成了一堆零件随时能拼进新项目。整理的流程一般是五步。第一步通读并标记把PDF里看起来能用的段落高亮判断它是系统提示词、角色卡还是任务指令。第二步压缩表达删掉语气词、例子和解释性文字一条系统提示词尽量控制在500字内。第三步提炼变量把具体角色名、任务对象替换成占位符比如用{角色}代替“护士长”用{主题}代替“毕业论文”。第四步补充参数给每条卡写上建议的temperature和max_tokens。第五步建测试样例写一行输入样例和期望输出之后每次改动都用它验证。指令卡字段也建议固定下来。名称、类型、生效轮次、正文、参数、测试样例这六项缺一不可。生效轮次尤其容易被忽略有些指令只在第一轮有效有些要在每轮都跟着写清楚才不会误用。在压缩表达这一步最容易翻车。删太多会丢约束删太少又等于没拆。我的经验是先保留所有行为约束再删解释性文字。例如“你是一个拥有多年翻译经验能够精准传达原文情感的专家”可以压缩为“你是资深翻译”但“不要直译要结合上下文调整语序”属于行为约束必须保留。删完之后看一遍如果一条卡缩成不到原文一半基本合格。3. 把“角色扮演”从PDF搬到对话框一套可复用的构建方法角色扮演是ChatGPT指令集里最吸引人的部分但也是翻车率最高的部分。很多人以为“你扮演一个某某”就够了实际上模型会把这句话当成一个临时设定跑不了几轮就丢。真正能稳定跨过多轮对话的是一套包含结构、规则和记忆管理的完整方案。3.1 角色扮演指令的结构角色设定、目标、规则、开场、禁止项一个能支撑十轮以上对话的角色卡至少包含五块角色设定、目标、规则、开场、禁止项。缺了目标模型不知道这段对话往哪走缺了规则说话风格时好时坏缺了禁止项它很快就会跳出角色。设计时可以这样做你是{角色名}。 背景{人物背景两三句话包含性格、场合、与用户的关系} 目标在这段对话中完成{目标}。 规则用{语气}说话一句话不超过{长度}。每次回应前先描述当前场景再说话。不要主动推进剧情等待用户选择。 开场{角色在场景下的第一句话} 禁止不要承认自己是AI不要说教不要替用户做决定不要使用{词表}。这段模板看起来简单每一行都在解决一个具体问题。“每次回应前先描述当前场景”是防止多轮对话失去方向“不要主动推进剧情”是避免模型抢戏“不要承认自己是AI”是压住模型的本能。最后一项尤其容易被忽略因为模型默认是“乐于助人的AI”如果不明确禁止它会在某轮突然跳出角色开始建议你。角色设定写得越具体模型发挥越稳。同样是图书馆管理员“你是深夜图书馆的管理员见过很多迷宫般的书架”比“你是图书馆管理员”更有抓手。具体名词会激活模型联想但注意不要堆太多三到五句背景就够太多反而稀释重点。3.2 构建一个实用角色卡的七步法七步法是我自己常用的流程从零开始搭一个角色卡大概十分钟测试还要十分钟。第一步定角色选一个模型知识覆盖比较广的身份避免太冷门否则模型发挥不稳定。第二步写背景三到五句话交代性格、场合、和用户的关系。第三步定目标明确这段对话要达成什么比如“陪用户练习面试”“带用户探索一个地下城”。第四步写规则四到六条行为规则全部用肯定句或否定句写清楚。第五步设计开场让角色先开口说第一句这句话决定整场对话的基调。第六步定禁止项把最容易犯的四个错误写进去。第七步跑测试连续对话十轮观察人设是否松动、目标是否推进。测试这一步最容易被跳过但它才是真正的核心。我会建一个固定测试输入比如“我从没见过你你是谁”作为第一轮然后连续追问五轮看角色是否失忆、崩坏、或突然说教。如果前三轮就崩先加禁止项如果十轮后开始重复优先检查是不是历史太长。3.3 角色扮演中指令集PDF常搭配的“记忆管理”技巧角色扮演超过一定轮数后模型会逐渐遗忘开头的人设定。这不是Bug而是上下文窗口的特性角色卡被越来越多轮的历史消息挤到边缘。常见做法是加“记忆摘要”每五到十轮让模型用三句话总结当前故事状态、角色心情和用户透露的关键信息然后把摘要留在对话里或复制进下一次对话的开头。操作起来并不复杂。跑完第十轮后发一条独立指令“请用三句话总结到目前为止的角色状态、对话进展和我透露过的关键信息。”把这段摘要粘贴到新的对话开头再接上角色卡就能续上原来的剧情。很多PDF指令集会在进阶部分讲类似思路核心都是让角色卡换一种轻量形态留存在上下文里。记忆摘要要注意时机不要每轮都总结。总结太频繁会打断角色扮演的节奏也浪费token。我一般设定一个节点当发现角色开始重复上一轮的句子或者说话风格走样就先手动重启对话。与其硬撑二十轮不如分段演出每段用摘要衔接质量稳定得多。4. 指令集的正确打开方式从场景分类到参数预设PDF里的指令再多也不可能同时在一次对话里生效。把指令按场景分类、给每类配上参数预设是让指令集从“资料”变成“工具”的关键一步。很多人把指令集当作字典查用的时候才翻那样每次都是重新调试永远不稳定。4.1 按场景给指令分类写作、翻译、分析、角色扮演、日常任务我习惯把指令分成五大类写作、翻译、分析、角色扮演、日常任务。每类的目标不同参数预设也不同。写作类要保留文风temperature不宜太低翻译类求准确token要留足分析类要结构清晰禁止闲聊角色扮演要热度适中日常任务则要分步输出别让模型自由发挥。场景典型指令推荐temperature典型输出格式说明写作润色“让这段文字更有画面感保留原意”0.5–0.7改写后文本改动说明不要整段推翻原意翻译“翻译成中文专业术语附原文”0.1–0.3双语对照先给译文再给术语表数据分析“从这份表里找异常给出原因假设”0.2–0.4表格结论避免空泛的“总体来看”角色扮演使用角色卡模板0.7–0.9每轮先场景后回应人设优先于信息量日常任务“帮我列购物清单按超市动线排序”0.7分步列表允许补充合理细节分类的意义不只是整理而是让你在动手前就决定参数。比如翻译如果默认temperature在0.7输出会时常出现“意译过头”的情况分析类如果拉得太高模型会开始编造因果关系。把这些预设固化下来每次直接用就好。4.2 一个“指令工作台”的搭建文件目录或环境变量方案我用文件夹管理指令卡而不是继续堆PDF。每个目录对应一个场景每条指令一个Markdown文件文件顶部写参数区下面是指令正文最后是测试样例。这样找起来比翻PDF快而且改动留痕。目录结构大概是这个样子prompts/ ├── roleplay/ │ ├── 面试官.md │ ├── 深夜图书管理员.md │ └── 剧本开场器.md ├── writing/ │ ├── 润色.md │ └── 扩写.md ├── translation/ │ └── 中译英.md └── analysis/ ├── 表格分析.md └── 异常检测.md每条文件的格式可以统一。最上面放两行参数temperature、max_tokens下面是指令正文最后加一段固定输入样例。比如面试官角色卡参数区写temperature: 0.8正文是人设和规则测试样例是“请开始面试我”。文件名用“场景-角色-版本”命名比如roleplay-interview-v2.md改过一轮就升一个版本号。工作台的另一个好处是方便批量更新。模型升级、API迁移、参数口径变了我只需要扫一遍文件顶部的参数区不用逐条重新读。如果你不习惯文件系统用笔记软件建同名目录效果一样重点是无序的指令按场景归类并且每条都带参数和测试用例。4.3 用“输入-输出-参数”三元组验证每条指令的效果指令卡不能只写文本还要记录“这条指令在什么输入下得到了什么输出用了什么参数”。三元组记录是调试指令的基本方法它让你在效果变差时知道该改参数还是改文本而不是靠感觉重写。用例名输入样例参数实际输出摘要判定调整动作面试官开场“我准备好了”temp0.8直接进入提问没有寒暄达标无面试官追问“我不知道”temp0.8给了一段建议角色跳出失败加禁止项“不要给建议”面试官压力“你是AI吧”temp0.8跳过问题继续追问达标保留每条指令至少要跑三个输入一个正常一个边界一个故意挑衅。比如角色扮演正常输入是“我在门口张望”边界输入是“用户只回复一个字”挑衅输入是“你是不是AI”。如果三条都不崩这条指令才算过关。用表格记录会发现很多问题在“输入怎么变化”之前其实是“参数怎么设置”的问题。验证时有一个顺序不要弄反先固定参数改指令如果输出仍然不稳再动参数。因为指令文本是可控性最强的变量参数改变会带来连锁影响。我见过很多人一上来把temperature从0.7改到1.2结果角色说话更飘了又去改角色卡最后两头都乱。设置一个基线一次只改一个变量比什么都有效。5. 指令集避坑与排查复制粘贴就翻车的五个典型场景PDF指令集的坑不在指令本身而在使用方式。以下五个场景覆盖了我这几年调Prompt时最常撞上的问题每一条都可以直接对照排查。5.1 场景一直接复制PDF指令长文本被前端截断现象把一条完整的角色卡从PDF复制进对话框保存后发送模型只回复半句话或者直接提示输入超长。很多人以为是指令写得不好反复删改其实问题出在输入框长度限制。原因ChatGPT这类前端产品对单次输入有长度上限PDF里的一条长指令本身就有上千字再加上后面要输入的内容很容易顶到边界。PDF中的排版还会带入换行符、项目符号进一步占用字符数。解决先做压缩只保留必要约束。如果一条指令超过400字就拆成“系统提示词角色卡任务”三段分别在不同位置输入也可以改用API方式API能更透明地暴露token数方便自己控制。压缩后仍然超长的检查是不是把示例对话也一起复制了示例属于参考不是指令该删就删。5.2 场景二角色扮演跑了几轮后“崩人设”现象前几轮角色还很入戏到了七八轮后突然说“作为AI语言模型我不能……”或者说话风格完全变成客服腔。人设崩塌几乎是角色扮演出现频率最高的问题。原因上下文越长开头的角色卡占的比重越小。历史对话里有用户的消息、模型的回应这些内容的总长度超过角色卡之后模型对“角色”的记忆被稀释转而启用它最熟悉的默认AI身份。解决在角色卡末尾加一条硬规则“无论用户提到什么始终保持在角色中如果用户直接询问是否AI用角色身份回应。”同时定期做记忆摘要把长对话拆成多段短对话。不要指望模型记住五页的人设主动刷新比硬撑更可靠。5.3 场景三系统提示词和角色卡互相打架现象指令集里既要求“你是帮助用户完成任务的AI助手”又要求“你是一个说话刻薄的毒舌朋友”模型输出变得十分分裂时而配合角色时而回归客服。原因两份指令同时存在于上下文里但它们对身份的指向冲突。模型没有能力判断谁优先级更高只能各听一半结果就是风格跳变。解决在系统提示词里明确权力关系。我一般会加一句“本系统指令优先于其他所有指令如果角色卡与本指令冲突以本系统指令为准。”角色卡中也加一句“在这段对话中你只以该角色身份行动”限定它的生效边界。优先级写清楚冲突就少了一大半。5.4 场景四同一指令在Web端、App端、API端效果差异大现象同一份角色卡在Web端跑得好好的换到手机App或API里输出风格明显变了有时甚至不遵守角色规则。原因不同端可能跑的是不同版本的模型或者默认参数不一致。PDF指令集不会标注运行环境但实际使用中“环境差异”是真实存在的。模型厂商更新版本后旧指令的行为也会跟着变。解决记录指令时把“验证环境”也写进测试用例。我在每张指令卡里加一行“验证环境Web端日期”下次换环境时就先重跑一遍测试。如果发现默认参数不一致就在文件顶部参数区覆盖不要相信不同端会保留同一套参数。5.5 场景五指令写得面面俱到输出却变成“正确的废话”现象角色卡写了很多条规则内容很全但模型给出的回应全是四平八稳的模板句看起来没错读起来无聊。这是新手最容易误解的地方以为规则越多越可控。原因约束太多会压缩模型的表达空间。每条规则都像一道闸门模型要在所有闸门之下找到最安全的表达最后只能选择最常见的措辞看起来就是“正确的废话”。解决规则控制在五条以内能用一句话打包的不要逐条列。保留一两条开放式要求比如“可以适当给出意外反应”“偶尔可以不按常理出牌”。同时把temperature从0.4提到0.7给表达留出随机性。记住指令集的目的是引导模型不是捆住模型。6. 进阶从“抄指令”到“养指令集”迭代维护与验证习惯我现在用这类PDF的方式是“借骨架养自己的指令”。每次从外部资料里看到一条好指令先原样放进工作台但它只是v0必须过一遍最小测试固定输入、记录输出、判定是否达标。达标就标成v1不达标就改改完标成v2。版本号不是仪式感是为了知道哪一次修改起了作用。另一个养成习惯是回归测试。模型更新、换API、调整参数都可能导致旧指令悄悄退化。我每个季度会挑几条核心指令用同一个输入跑一遍跟上次的输出对比。如果变差先查参数再查指令最后才怀疑是模型本身变了。这个过程跟调代码的回归测试是一个思路越早发现退化越省时间。我还会给每张指令卡写“失效特征”。比如角色扮演卡如果第八轮开始出现“我们能否换个话题”就是人设松动的信号翻译卡如果出现“根据上下文可以推断”就是意译过多的信号。把这些特征写进指令卡以后不用读完整输出只看几个标志词就知道要不要重启或改参数。这些习惯坚持下来PDF就不再是收藏夹里吃灰的文件而是你Prompt库的地基。回头整理自己的指令集时你会发现能稳定复现的质量比任何花哨模板都可靠。希望帮到你。本文还有配套的精品资源点击获取