企业官网建设流程全解析

• 提示工程
• AI 安全治理

本文以 TheBigPromptLibrary 仓库中的「知识渊博的健身教练」（GPT ID: CxR7vUU0o）定制指令为样本，逐条拆解其角色设定、三步回答框架与行为约束，分析这类"专家型 GPT"的提示词工程方法论。读完本文，你将理解如何用"角色 + 步骤 + 要求"三段式结构构建专业领域 Agent，并能直接复用其"先分析、后建议、表格量化输出、领域外拒答"的设计模式。

一、文档背景：一个健身教练 GPT 在仓库中的形态

这份定制指令保存在 CustomInstructions/ChatGPT/CxR7vUU0o_知识渊博的健身教练.md，属于 TheBigPromptLibrary 的 Custom Instructions（自定义指令）集合。该集合收录了 ChatGPT、Gemini、Gab.ai 等平台的提示词素材，用于学习系统提示词编写与自定义 GPT 制作，详见 CustomInstructions/README.md。

文档头部以统一字段格式记录了该 GPT 的元数据：

仓库中这类文件遵循<9位GPT ID>_<名称>.md的命名规范。以该文件为例，CxR7vUU0o正是 GPT ID 前缀，与 URL 中的 ID 一一对应。Tools/openai_gpts/gptparser.py 中定义了GPT_FILE_ID_RE正则（^([0-9a-z]{9})_(.*)\.md$）来解析文件名，并支持URL / Title / Description / Logo / Instructions / Actions / KB Files List / Protected等字段的读取（见该文件SUPPORTED_FIELDS，其中instructions字段即本篇文章要分析的核心内容）。也就是说，本文件第 10 行开始的GPT Instructions代码块，就是注入该 GPT 系统提示词中的主体指令。

二、角色定义：人体运动科学专家的人设搭建

指令开篇用一句话完成了角色定位：

你是一个精通训练学、生物力学、生理学、营养学知识的人体运动科学专家，善于全面地解答问题。你需要基于提问，进行完整地分析，要考虑到各方面的影响，不能直接下结论。

这句话可以拆成三个层次：

1. 能力边界：明确列出四个学科——训练学（Training Science）、生物力学（Biomechanics）、生理学（Physiology）、营养学（Nutrition）。这四项恰好覆盖了健身咨询中最常被问到的维度：练什么、怎么发力、身体如何适应、吃什么支持。
2. 身份锚定："人体运动科学专家"（sports science expert）确立了回答的知识基座，区别于"只会给训练计划"的普通健身教练。
3. 行为基调："完整分析、考虑各方面影响、不能直接下结论"——这条约束直接否定了"一问一答式"的浅层回复，为后文的步骤化回答埋下伏笔。

从提示词工程角度看，这一段完成了三个功能：限定专业范围、锚定权威身份、预设回答深度。后面所有规则都围绕这三点展开。

三、回答的步骤：三步法解析框架

指令用## 回答的步骤明确规定了回答的推进顺序，这是整个提示词中最具结构性的部分：

1. 阐述你对问题的完整理解——先复述与确认问题，避免理解偏差，同时向提问者展示"被听懂"。
2. 阐述这个问题背后涉及的知识，可以出自学科——把个人问题上升为学科问题，调用训练学、生物力学、生理学、营养学等知识体系展开背景分析。
3. 引用具体的专业机构、训练体系、知名教练的思路来提供多角度的回答——引入第三方权威视角，给出多角度的回答而非单一结论。

这三步形成一条清晰的"理解 → 知识 → 视角"推理链：先确认问题边界，再建立学科语境，最后用多方参照收敛出答案。它与"系统 1 / 系统 2"式慢思考设计类似——强制模型在给出结论前先完成上下文构建与证据组织，从机制上抑制"直接下结论"的冲动。

值得注意的细节是第 2 步中的"可以出自学科"——这里"学科"指训练学、生物力学、生理学、营养学四个领域。例如用户问"为什么我深蹲后膝盖痛"，模型的回答路径应当是：先复述问题（痛的位置、动作模式、训练史不确定时先追问），再展开生物力学分析（髋-膝-踝关节联动、股骨髌骨轨迹、力线分布），最后引用运动医学机构、力量举训练体系或知名教练（如力量训练圈对"膝内扣"的矫正思路）给出多角度归因。三步缺一不可，是保证回答"完整且不武断"的关键。

四、回答的要求：行为约束与输出规范

指令在## 回答的要求下列出了五条硬性行为约束，逐条解析如下：

这五条规则本质上是格式控制、流程控制、边界控制三者的组合：

• 格式控制：强制以固定句式开头、以表格罗列、以数字量化，让每次回答都维持一致的专业观感；
• 流程控制：要求"分析前置"，把行动建议放在全面分析之后，属于典型的负责任 AI 设计；
• 边界控制：用固定拒答话术处理领域外问题，既保持了人设（"我只是个健身教练"），又避免模型被诱导回答无关内容。

对于健身这类直接涉及身体安全与健康后果的领域，这种"先分析后建议 + 领域外拒答"的约束设计尤其重要——它从提示词层面降低了给出片面、激进方案的风险。

五、实战使用：如何让这个 GPT 给出高质量回答

基于指令中定义的角色与规则，使用者可以从三个方向获得较好体验：

1. 提供完整背景再提问：由于模型被要求"先阐述理解、再全面分析"，提问时补足身高体重、训练年限、目标、伤病史等上下文，能让分析更有针对性。例如"我，男，28 岁，体重 85kg，卧推 1RM 95kg，想提升卧推但肩前侧总是不适，该怎么调整？"——这类问题天然契合三步法。
2. 请求"多角度方案"：指令要求引用专业机构、训练体系与知名教练的思路，可以主动要求"从力量举体系与健美体系分别给出建议"，获得对比型答案。
3. 索取量化与表格输出：要求"以表格对比动作选择与组次安排，并给出数字化的进度安排"，会得到符合其输出约束的结构化回答。

同时应知晓两个使用边界：其一，该 GPT 的核心设计是"分析复杂、拒绝武断"，追求"一句话结论"的提问者会感到回答篇幅较长；其二，健身建议涉及个体差异，任何 AI 回答都不能替代线下教练评估与医生诊断，这一点在使用时需自行把关。

六、提示词工程拆解：可复用的三段式设计模式

这份指令虽然简短（约 300 字），却浓缩了专家型 GPT 提示词的经典模板，可抽象为"角色 → 步骤 → 要求"三段式：

角色：身份 + 知识域 + 行为基调（精通X、擅长Y、必须Z） 步骤：强制推理顺序（理解 → 知识 → 视角） 要求：格式、流程、边界三层约束（开场话术 / 分析前置 / 拒答 / 表格量化 / 语言跟随）

这套模式可以被平移到其他专业领域（法律、医疗、编程、投资等）的 GPT 定制指令中，只需要替换"角色"中的知识域与"要求"中的拒答话术。三个值得记住的设计要点：

• 固定开场话术是低成本的"人设锚点"，一句"这个问题比你想象的更复杂"就能让所有回答带上统一风格，也便于用户识别该 GPT 的回复；
• 步骤化回答是提升输出质量性价比最高的手段，即使没有外部知识库，单纯要求"先复述问题、再展开背景、后给出多方观点"也能显著减少模型的幻觉式速答；
• 表格 + 数字是面向可读性的输出约束，让复杂信息（训练计划、营养配比、动作对比）结构化呈现。

七、仓库支撑：用工具检索与管理这类 GPT 指令

TheBigPromptLibrary 为这类 GPT 指令文件提供了配套工具链，位于 Tools/openai_gpts/README.md：

• idxtool.py：GPT 索引与检索工具。通过python idxtool.py --find-gpt CxR7vUU0o即可按 ID 定位本文分析的 GPT 文件；也支持完整 ChatGPT URL 或@gptids.txt文件批量检索；--rename可统一文件命名（ID 前缀规范），--toc可重建目录。
• gptparser.py：GPT Markdown 文件解析模块，将每份指令文件解析为结构化字段对象（URL、Title、Description、Instructions 等），是其他工具与批量处理脚本的基础。
• gen_gpt_templ.py：从 ChatGPT URL 下载元数据并生成标准模板文件。

从工具链的实现看，这类指令文件不仅是"给人看的文档"，更是"可被程序解析的结构化数据"：gptparser.py用字段正则按行解析出GPT Instructions等字段，意味着指令代码块内的每一条规则都被视为该 GPT 的系统提示词原文，这也是本文能将其作为提示词设计样本逐条分析的前提。

八、总结

「知识渊博的健身教练」是一份典型的专家型 GPT 定制指令：以"训练学、生物力学、生理学、营养学"构建知识边界，以"理解 → 知识 → 多视角"三步法保证回答深度，以"开场话术、分析前置、领域外拒答、表格量化、语言跟随"五条要求完成输出控制。整份指令仅用一段简短的 Markdown 就完成了专业人设、推理流程与安全边界的完整设定，是学习领域专用 Agent 提示词设计的优质样本。读者既可以直接在 ChatGPT 中使用该 GPT 获取专业的健身咨询，也可以将其三段式结构复用到自己正在构建的领域专家 GPT 中。

• 提示工程
• AI 安全治理