简介一套覆盖150个常用场景的ChatGPT提示词模板合集以中英双语呈现适合自然语言处理爱好者、机器学习从业者及语言模型研究者。模板兼顾生活娱乐与专业任务从日常问候、餐饮旅游到技术开发、语言润色均有涉及既能帮助初次接触者快速上手对话系统搭建也可作为进阶研究的参考资料。压缩包为1个PDF文件大小5.18MB内容直接以模板列表形式呈现便于检索与复制调用。目前已有1271人学习下载。资源内精选了大量可直接套用的提示词示例如充当Linux终端、JavaScript控制台、Excel工作表、英语翻译改进者、岗位面试官、旅游指南、抄袭检查员等每个示例均给出中英文对照及具体使用指令有助于理解提示词工程的关键技巧。需要提醒的是这份合集并非完整教程阅读者需具备一定自然语言处理或机器学习基础并结合自身需求对模板进行适当调整才能发挥其最大价值。1. ChatGPT 提示词模板值钱在哪一份能直接抄的 150 个角色设定库拿到这份《ChatGPT 使用秘籍150个ChatGPT提示词模板中英文版全面揭秘》PDF 时我原本以为又是那种复制粘贴的「咒语大全」——一个角色设定配几句「请用某某语气写一段话」翻两页就腻。真拆完才发现里面其实藏着一套值得反复用的提示词骨架覆盖了自然语言处理入门、文字创作、办公自动化、生活娱乐甚至餐饮旅游咨询等场景对机器学习从业者和语言模型研究者来说是很实用的对照样本。这份资源的核心不是那 150 条现成句子而是每条模板背后「角色 任务 输出约束 交互协议」的组合方式。它解决的是大多数人用 ChatGPT 时最头疼的问题不知道要怎么开口开口了又得不到想要的格式。适合谁新手可以抄作业直接改熟手可以拿它做结构拆解研究提示词工程的人则能当一份中英文对照语料来用。下面我会按自己拆项目的习惯把它一层层剥开。2. 拆解提示词骨架角色、任务、约束与中英文模板的差异2.1 一个好模板的四个结构件角色、任务、约束、交互协议这份 PDF 里最典型的一条是「充当 Linux 终端」。我把它单独拎出来做拆解因为它虽然短却把提示词该有的要素全占了。先看中文原版我希望你充当 Linux 终端。我会输入命令你会回复终端应该显示的内容。 我希望你只回复一个唯一的代码块不要写解释。 除非我指示你这样做否则不要输入命令。 当我需要用英语告诉你一些内容时我会用花括号 {像这样}。 我的第一个命令是 pwd。再看英文原版I want you to act as a linux terminal. I will type commands and you will reply with what the terminal should show. I want you to only reply with the terminal output inside one unique code block, and nothing else. do not write explanations. do not type commands unless I instruct you to do so. when i need to tell you something in english, i will do so by putting text inside curly brackets {like this}. my first command is pwd.拆开看这条模板有四个明确的结构件角色定义第一句就锁死「你是谁」相当于系统广播里的 system prompt 核心。任务描述第二句说清楚「你收到什么、要回什么」模型的所有输出都围绕这个转。输出约束「只回复一个代码块」「不要写解释」这两条直接把回答的格式框死了避免模型长篇大论。交互协议花括号{像这样}的设计非常聪明——它允许用户在不退出扮演状态的前提下用旁白方式给模型下达元指令。这比中途打断对话再重新设定角色要平滑得多。很多人在抄模板时只抄了角色名丢掉了后三样。结果模型确实「扮演」了但回答里全是解释、开场白和客套话这就是大部分「模板没用」翻车现场的根源。角色设定只是启动器约束和协议才是真正决定输出质量的部分。2.2 中英文模板为什么不一样直接照搬英文会被带偏这份 PDF 的另一个价值是每个模板都给中英文两版对照着看能发现一个规律英文模板更像函数签名大量使用「I will… you will… do not…」这种祈使句约束密度高、句式短中文模板则更像口头吩咐语气自然但约束词容易写得模糊。比如「只回复终端输出」这条英文是 only reply with the terminal output inside one unique code block其中 unique code block 把「唯一代码块」这个格式要求钉死了中文版则写「只回复一个唯一的代码块不要写解释」意思到了但缺少「代码块」这个格式暗示——有些模型会把输出渲染成普通文本而不是等宽代码块。直接照搬英文模板有个隐藏问题当你的对话语言是中文时英文指令可能会把模型的回答语言带偏出现回复里夹杂英文短句的情况。我一般会建议中文用户把「输出语言」写进约束里比如在模板末尾追加一句「用中文回复所有内容」否则模型会自己猜语言。2.3 把任意模板改造成自己的版本三步改写法拆过几十条模板之后我总结出一个三步改写流程这条流程适用于这份 PDF 里的绝大多数角色模板第一步拆出结构件标出变量。把「充当某角色」里的角色名、任务描述里的场景词、首句里的输入内容都当作占位符。第二步把角色描述具体化到你的场景例如「面试官」改成「后端岗位面试官」。第三步增加退场或切换协议防止模型聊到一半自己改变行为。拿「担任面试官」模板举例原始模板长这样我想让你扮演面试官的角色。我将扮演应聘者你将问我应聘该职位的面试问题。 请你只回答面试官的问题不要一次性写下所有对话。 请你只与我进行面试。一个一个地问我问题像面试官一样等待我的回答。 不要写解释。我的第一个问题是「你好」。我改造后长这样我想让你扮演一名后端开发岗位的面试官面试重点围绕分布式系统和 Java 基础。 每次只问一个技术问题等我回答完再问下一个。 提问后不要给答案不要点评不要追问与答案相关的提示。 当我说「本轮结束」时请用三句话总结我的表现并给出评分。 我的开场白是「我有五年 Java 开发经验」。对比一下就能看到角色从「面试官」变成了「有明确考察方向的后端面试官」交互协议从「等待回答」变成了「问一个、等一个、再问下一个」还额外加了一个退出开关句「本轮结束」。这就是把一次性提示词改成可复用会话模板的关键——协议比角色更重要。3. 把模板按场景落地办公、创作、学习三类高频用法3.1 办公类Excel 模拟表、面试官、翻译改进怎么改才能用这份 PDF 里的「充当 Excel 工作表」是我觉得最惊喜的一条。它的思路是让模型直接输出文本表格用行号和 A 到 L 列字母定位单元格并且允许用户在里面写公式让模型执行。原模板的核心指令如下I want you to act as a text based excel. youll only reply me the text-based 10 rows excel sheet with row numbers and cell letters as columns (A to L). First column header should be empty to reference row number. I will tell you what to write into cells and youll reply only the result of excel table as text, and nothing else. Do not write explanations. i will write you formulas and youll execute formulas and youll only reply the result of excel table as text. First, reply me the empty sheet.实际用的时候我会在首轮让它输出空表然后在下一轮输入请把 C2 格填入 15D2 填入 20E2 填入 SUM(C2:D2)然后只回复更新后的表格。模型会真的算出 35 并回给你一张完整的文本表格。这个玩法的价值是在没有 Excel 环境或只想快速做简单演算时它能把「表格 公式计算」打包进一个对话流里。要注意的边界是别填太复杂的公式VLOOKUP 这种跨表查找对文本型表格来说很容易算错。「担任面试官」模板则更适合用来做模拟面试陪练。它真正好用的做法是先给它一份岗位描述再让它出题。翻译改进者那条我踩过坑原模板要求「用更美丽、更优雅、更高级的英语单词和句子回答」但如果不加限制模型会把一句简单的「我喜欢这座城市」扩写成一整段抒情散文。我后来会在末尾追加一句「保持原意不变不要增加原文没有的信息」效果立刻稳定很多。3.2 创作类小说家、诗人、影评人的正确打开方式创作类模板是这份 PDF 占比最大的一块小说家、编剧、影评人、诗人、说唱歌手都在其中。但这类模板有个共同毛病它们只给了「角色卡」没给「篇幅卡」和「视角卡」。如果你直接说「帮我写一个科幻小说」模型会回给你一个五百字的故事大纲而不是一个可用的开篇章节。我的做法是给创作类模板补三个参数篇幅、视角、素材。比如把小说家模板改成这样我希望你充当一名科幻小说家。 请以第一人称视角写一段 300 字左右的开篇背景设定是一座漂浮在海上的城市。 只写叙述正文不要写标题、大纲或创作说明。 故事需要在结尾留下一个悬念。影评人模板同理原模板列了一大堆评论维度——情节、主题、表演、导演、摄影、配乐、剪辑全都要评的话模型会写出一篇面面俱到但毫无重点的论文。我一般会限定它只从一个维度切入比如「只从配乐和声音设计的角度写三段评论每段不超过 100 字」输出质量明显更集中。写诗这种短文本场景反而不用加太多约束模板自带的「引发情感共鸣」就够用了。3.3 学习类数学老师、哲学老师、词源学家的提问技巧学习类模板适合用来当私人助教但要用好一个技巧给模型指定「解释对象」。「充当数学老师」原模板只说了要解释概率没说给谁解释模型默认会按大学教材口吻讲。我会改成「把条件概率解释给一个只学过初中数学的人听允许用掷骰子的例子」这样出来的东西才能真正看懂。词源学家那种「追溯某个词的起源」的模板则是典型的检索型任务配合追问效果最好。第一轮问「pizza 这个词的起源」第二轮继续问「这个词从希腊语到意大利语的演变路径里哪些环节存在争议」。模型在第二轮会给出更有信息量的回答因为它已经在上文里组织过一轮知识了。生活娱乐和餐饮旅游类的模板比如旅游向导、餐厅推荐本质上是「位置 兴趣点」的信息检索模板。使用时要给足上下文例如「我在老城区只有两小时想逛一个博物馆和一个旧书店」别只说一句「推荐个地方」。模型在信息不足时只会给泛泛的「可以去当地著名的景点看看」这种空话这其实是上下文偏差问题不是模型能力问题。4. 调参实战温度、上下文长度与动态模板4.1 温度、Top-p、max-tokens 对模板输出的影响提示词模板是软约束API 参数是硬约束。这两者配合好了模板才能真正稳定下来。我一般会把系统级参数和提示词一起管理下面是一段我在本地测试模板时常用的调用骨架import os import requests API_URL https://your-endpoint.example.com/v1/chat/completions API_KEY os.environ.get(LLM_API_KEY) def run_prompt(system_prompt, user_prompt, temperature0.3, max_tokens1024): resp requests.post( API_URL, headers{Authorization: fBearer {API_KEY}}, json{ model: your-model, messages: [ {role: system, content: system_prompt}, {role: user, content: user_prompt}, ], temperature: temperature, max_tokens: max_tokens, }, timeout60, ) resp.raise_for_status() return resp.json()[choices][0][message][content]这段代码做的事情是把「系统提示词」和「用户首句」分开传并把温度和输出上限暴露成参数。实际测试时我是这样选值的参数推荐值适用场景说明temperature0.20.4Linux 终端、Excel、翻译、面试官格式稳定性优先输出偏确定性temperature0.70.9小说、诗歌、脱口秀、广告创意需要发散和意外感但开始有跑题风险max_tokens5121024问答、翻译、表格模拟短输出场景避免超出后截断max_tokens20484096小说章节、影评长文、编剧脚本长文本场景空间不够就直接腰斩注意 temperature 不是越高越好。0.9 以上配合创作类模板确实偶尔会出现惊艳句子但更多时候是结构崩坏写着写着角色走了、格式乱了、人称换了。我自己的底线是创作类不超过 0.85办公类不超过 0.4。4.2 给模板加变量槽位从一次性指令变成可复用函数这份 PDF 里的模板大多是「填空题」变量用{}标出来。我自己会把这个习惯用得更彻底——把所有可能变化的词都抽出来做成一个模板函数。比如把前面改造过的面试官模板再抽象一层我想让你充当一名{岗位}岗位的{角色名}面试重点围绕{技术方向}。 每次只问一个{题目类型}问题等我回答完再问下一个。 提问后不要给答案不要点评。当我说「本轮结束」时请总结我的表现。 我的开场白是「{自我介绍}」。使用时只需要替换四个槽位。这种写法最大的好处是同一套提示词骨架可以覆盖多个场景比如把「面试官」换成「论文答辩评委」把「技术方向」换成「研究方法」一分钟就能生成一个新模板。PDF 里的 150 条模板本质上是 150 个这样的函数实例而不是 150 个独立的咒语。4.3 少样本示例与迭代修正的配合模板里写「不要解释」「只回复结果」有时模型还是会解释。这时候最有效的不是加粗提示词而是补一个少样本示例。比如「充当 Linux 终端」可以追加一句对话历史示例用户ls -la 终端drwxr-xr-x 5 user staff 160 Jun 10 09:42 project 用户cat README.md 终端此处只输出文件内容不输出命令说明这种「先给一个标准输入输出对再让模型照着做」的方式模型理解起来几乎零成本。我在测面试官模板时也会先模拟一轮标准问答让它确实进入「一问一答、不评价」的状态再开始正式模拟面试。如果前面几轮效果不满意不要急着删掉对话重开把不满意的回复直接贴回去并说「不要像刚才那样你的回答太啰嗦了」这算是一种最简单的迭代修正。模型对最近一轮的纠正响应非常快比调整 system prompt 重跑一遍省事得多。5. 避坑排查模板翻车的五个常见原因5.1 系统角色和用户角色混用模型突然跳出扮演现象用「充当某小说角色」模板聊得好好的突然模型回复「作为 AI 助手我无法扮演该角色」或者干脆开始讲大道理。原因这类模板通常会触发内容策略里的某些保护规则尤其是知名文学作品里的角色、真实公众人物、特定品牌角色。模型在某个敏感词触发后会强制跳出扮演状态。解决换成原创角色描述。把「扮演某本小说里的某角色」改成「扮演一个性格傲慢、说话尖刻的古堡管家」效果一样但基本不会触发策略拦截。这是我在拆模板时踩得最频繁的一条坑记住左边是风险右边是安全区。5.2 模板里没有终止协议对话越聊越偏现象面试官模板前五轮还很正常到第八轮突然开始帮用户回答问题甚至自己跟自己对话一写一大段。原因模板只定义了一问一答的交互方式没定义「在什么条件下切换或终止」。模型在多轮对话里倾向于「补全」和「继续」到了某个上下文节点它会自己脑补出一段应该由用户说的话。解决在模板末尾加一句明确的终止指令比如「当我说『本轮结束』时才输出总结其他时候只提问」「如果你不确定下一句该由谁说回复『等待』」。这相当于给对话加了一个状态机让模型知道自己在哪一步、下一步该做什么。有了这个协议多轮会话基本不会跑偏。5.3 中英文混排导致输出语言不稳定现象用英文版模板第一轮回复是英文的第二轮突然出现中文解释或者反过来。原因模板里同时存在中英文指令。模型的语言跟随倾向会被后出现的指令带跑。尤其是「充当 Linux 终端」这类模板原版里花括号那段还特意用英文提示更容易把模型带偏。解决在模板最后追加一条「始终使用中文回复即使输入是英文」。如果做中英文对照就把「输出语言」当成一个显式变量写进模板每次使用前先声明。这个习惯比反复改 prompt 要可靠得多因为语言偏好是模型很容易忽略的隐式属性。5.4 忽略上下文长度限制长模板被截断现象用小说家模板写一章 3000 字的小说写到 1200 字突然停住输出只有半句话甚至整段消失。原因max_tokens 设置为 1024 或模型单轮上限不够输出被硬截断。模板本身没问题是资源给少了。这类问题在表格类模板里尤其隐蔽——一张 10 行列的 Excel 文本表格看起来不长但累计字符数很容易超过预期。解决长文本场景把 max_tokens 提到 2048 以上如果模板内嵌了示例和规则记得把 system prompt 的长度也算进上下文里。更稳妥的做法是让模型分段输出比如「先写第一章前 800 字确认满意后再继续写第二章」每次只给它一个小的输出目标。5.5 过度依赖「不要写解释」反而把输出憋死现象模板里写了「不要写解释」模型确实不解释了但回复变成了干巴巴的几个字连基本内容都丢了。原因「不要写解释」属于负向指令模型会把它理解成「少说、压缩、极端克制」。尤其在翻译改进者这类模板里负向指令过多会导致模型不敢写完整句子最后出来的内容信息量不足连原文核心意思都丢了。解决把负向指令改成正向约束用「只输出最终翻译结果包含原文所有信息点」替代「不要写解释」。正向指令会让模型把精力放在「要做什么」上而不是「不要做什么」上。这个微小的表述差异在提示词工程里的影响比大多数人想象的大得多。6. 一个进阶玩法把 150 个模板变成自己的本地提示词库前面说到的都是单条模板的用法。想把这份 PDF 真正变成随身工具我建议做一件事把模板拆成结构化 JSON存成一个本地提示词库。字段设计可以参考这样{ id: linux_terminal, name: 充当 Linux 终端, category: 工具模拟, lang: zhen, system_prompt: 我希望你充当 Linux 终端。我会输入命令你会回复终端应该显示的内容。, constraints: [只回复代码块, 不要解释, 不要主动输入命令], protocol: 用户输入命令 → 模型输出终端内容用花括号 {} 传递元指令, temperature: 0.2, max_tokens: 512, first_input: pwd }把字段拆开存之后检索和复用就方便了想找「面试类」模板用category过滤想做温度控制直接读temperature字段想测边界条件可以把constraints单独打印出来对比。配合前面那个run_prompt函数我还会写一段批量回归脚本随机抽三条模板跑一遍确认没有异常输出import json import random from pathlib import Path library json.loads(Path(prompt_library.json).read_text(encodingutf-8)) sample random.sample(library, k3) for item in sample: print(f--- {item[name]} ---) result run_prompt( item[system_prompt], item[first_input], temperatureitem.get(temperature, 0.3), max_tokensitem.get(max_tokens, 512), ) print(result) print()这段脚本每次随机抽三条模板跑一次检验两件事一是模板能不能正常启动对话二是输出格式有没有走样。跑完如果发现某条模板输出异常我就能快速定位到是约束写得不清晰还是温度参数不合适。这套流程不复杂但能显著降低「模板躺在库里但不敢用」的概率。这份 PDF 里的 150 条模板我已经用这套方式拆了大半边拆边改很多模板在实际使用中都被我改了至少两轮第一轮改协议第二轮改正向约束。从那以后我每次拿到一份新的提示词模板资源都强制走一遍「拆结构、录 JSON、跑回归」的流程。模板拿来就用确实很爽但真正能变成自己工具的还是靠这一套笨功夫。希望这份 PDF 的拆解思路能帮到你祝你少踩几条我已经替你踩过的坑。本文还有配套的精品资源点击获取