企业官网建设流程全解析

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。

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