企业官网建设流程全解析

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。

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。

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。

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。

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