简介这份PDF面向自然语言处理爱好者、机器学习从业者与语言模型研究者也适合希望提升日常对话与内容生产效率的普通用户。它以150个中英文提示词模板为核心把角色设定、任务约束与输出格式写成可复用句式覆盖终端命令模拟、英语翻译与润色、岗位面试、JavaScript控制台、Excel表格、发音辅助、旅游指南、抄袭检查及角色扮演等场景帮助读者快速搭建符合需求的对话流程减少反复试错。压缩包仅含1个PDF文件大小约5.18MB便于在电脑与移动设备上查阅和检索。目前已有1274人学习说明其在提示词学习与实操参考方面具有一定关注度。读者可从中获得可直接改写的中英文模板、面向具体任务的表达思路以及将模板迁移到写作、编程、办公和出行咨询等场景的方法需具备一定自然语言处理与机器学习基础并结合实际需求调整才能更好发挥模板价值。1. 150 条提示词不是拿来抄的先摸清这套模板的共用骨架最容易翻车的往往正是被复制最多的那几条。直接粘贴「充当 Linux 终端」十次里有六七次模型先来一句「好的以下是执行结果」把你指望的纯代码块冲掉「担任岗位面试官」不补一句「一次只问一个问题」它会一口气把整轮面试题全列出来。这套 150 条中英文提示词模板真正值得拆的不是数量而是每条都重复同一种写法先声明角色再限定输出最后给一个启动输入。只会用 CtrlF 搜场景的人拿到的只是 150 个一次性玩具。能把骨架拆开你才改得动它也才敢往自己的业务里塞。下面的路线是拆三段式结构、把模板落成本地可检索资产、判断中英版本怎么选、排查五类高频失败现场、最后用一条回归线验收。2. 拆开三段式角色声明、输出约束、启动语各管什么2.1 角色声明是给语言模型划语域不是许愿把「充当英语翻译和改进者」换成「你是一个很厉害的翻译」输出质量立刻散掉。差别不在措辞礼貌而在于前者给的是三个可检索的语域标签职业翻译、动作翻译 拼写纠正 改进、目标读者正式书面。语言模型生成时是在给定上文下预测下一个词的条件分布标签越具体候选词收得越窄输出越稳。这在自然语言处理里不算新结论但落到写模板上很多人第一句还是「你是一位资深专家」——这句话没有任何信息量等于没写。我一般把角色声明压成「身份 介质 受众」三段再把边界一并写进去。比如翻译类模板我改成「英语翻译只做笔头输出面向正式书面读者不做扩写、不做内容补充」。最后半句看着多余实际决定了模型会不会顺手给你加一段「以下是润色后的版本主要改动有……」。弱声明问题强声明写法你是一个很厉害的翻译无语域标签输出风格随机英语翻译笔头输出面向正式书面读者你是一个专家领域未限定知识面铺得过宽前端方向的代码审查者只看可维护性与边界条件请扮演面试官未限定节奏容易一次问完面试官一次只问一个问题等我回答后再问下一题三类角色里「终端仿真」和「表格仿真」最依赖角色声明的精度。模板里那句「我会输入命令你会回复终端应该显示的内容」把输入输出的介质说死了模型才不会把pwd解释成一段说明文。反过来创意类模板讲故事、写诗、编剧本角色声明可以松因为你要的就是发散约束收紧反而坏事。2.2 输出约束条款才是模板的真实价值一条 200 字的模板约束句往往占到 140 字。「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}」——这些不是客套是给下游解析器写的接口契约。做工程的人真正该关心的是输出能不能被稳定 parse而不是答得漂不漂亮。我把这类约束归成四类写模板时按需取用约束类型模板原句示例解决的问题格式约束只回复一个唯一的代码块输出可直接落盘或执行范围约束不要写解释去掉开场白和收尾总结节奏约束一次只问一个问题等我回答控制多轮交互的推进速度边界约束除非我指示否则不要输入命令防止模型替你做下一步有个位置上的讲究约束要放在用户指令的近端。同一句话写在模板开头和写在末尾遵守率不一样越靠近你本次实际输入的位置权重越高。我改模板时习惯把最硬的那条通常是「不要写解释」在末尾原样重复一次代价是十几个字收益是省掉一轮返工。还有一条容易被忽略约束要可判定。写「请简洁一点」模型没法验证自己是否符合写「不超过三句话」它能数。写「用专业术语」不如写「术语保留英文原词不翻译」。可判定的约束才能被稳定执行。2.3 启动语解决的是空转问题「我的第一个命令是 pwd」「我的第一句话是……」「First, reply me the empty sheet」——这类句子在模板里看着最像凑数实际上是最不该删的部分。不给启动语模型会自己补一个开场通常是一段确认「好的我已准备好充当 Linux 终端请发送你的第一个命令。」这段确认会污染后续所有输出的格式。「充当 Excel 工作表」那条最能说明问题。模板明确要求先回一个 10 行、A 到 L 列的空表首列表头留空用于行号。你不给启动语模型很可能直接开始演示填数据给了「先回空表」它才老老实实把骨架搭出来后面你往里填公式才有稳定的参照系。把三段拆出来存成结构化字段是后面所有工作的基础。下面这段脚本处理单条模板拆出角色句、约束句和启动语import re RAW 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。 # 约束句识别以「我希望你只」「不要」「除非」「当…时」开头 CONSTRAINT_RE re.compile(r^(我希望你只|不要|除非|当[^\n]{0,30}时)) # 启动语识别末尾「我的第一个…是…」注意结尾可能带句号 STARTER_RE re.compile(r(我的第[一二三四五六七八九十0-9][^\n]*?是[^\n。]*。?)\s*$) def split_prompt(text: str) - dict: text text.strip() m STARTER_RE.search(text) starter m.group(1).strip() if m else body text[: m.start()].strip() if m else text sents [s.strip() for s in re.split(r(?[。]), body) if s.strip()] role sents[0] if sents else cons [s for s in sents[1:] if CONSTRAINT_RE.match(s)] rest [s for s in sents[1:] if s not in cons] # 通常是占位符约定别丢 return {role: role, constraints: cons, starter: starter, rest: rest} if __name__ __main__: print(split_prompt(RAW))几个参数要按你的语料调。CONSTRAINT_RE里的前缀词表是硬编码的中文模板里还有「请勿」「只输出」「严禁」这类变体跑完一轮要把漏掉的补进去。STARTER_RE依赖「我的第一个……是」这个句式英文版对应my first ... is得单独写一条正则中英混着跑会漏。rest字段不要当垃圾扔掉里面装的往往是花括号占位符的使用约定改写模板时要用它对齐变量风格。跑通这一步150 条模板就从一堆散文变成了 150 条带字段的记录后面才好做检索、比对和批量改写。3. 把 150 条落成本地可检索资产目录分层与批量抽取3.1 按任务域分层别按标题首字母排原始 PDF 的顺序是编辑顺序不是使用顺序。按标题首字母或笔画排更糟充当、担任、扮演三种前缀混在一起你根本不知道该翻哪一页。我按任务域分六层每层对应一类输出形态任务域典型模板主要输出形态复用频率终端与代码仿真Linux 终端、JavaScript 控制台、Excel 工作表纯代码块、纯表格文本高适合做自动化前置文本改写与校对英语翻译和改进者、抄袭检查员、AI 写作导师定稿文本、差异列表高几乎每天用职业与面试岗位面试官、招聘人员、职业顾问多轮问答中节奏约束是关键创意生成讲故事的人、诗人、编剧、小说家、说唱歌手长文本、多版本中需要给素材槽教学与解释数学老师、哲学老师、词源学家分层解释、举例中受众标签要写死咨询与建议人生教练、关系教练、励志教练建议清单、追问低但对话轮次最多生活娱乐和餐饮旅游类的模板旅游指南这类单独放一层更合适因为它们的输入是「我在哪、想看什么类型」属于典型的槽位填充型跟咨询类那批自由文本差别很大。分层之后给每条模板加三个字段domain上面六个值之一、slots需要用户填的变量列表、starter_required是否必须带启动语。这三个字段决定了你在检索时能不能一次筛准。3.2 从纯文本里批量切模板PDF 转出来的纯文本有两个坑标题行和正文之间可能夹空行正文里可能有分页残留。切分逻辑要按「标题行识别 累积到下一个标题」的方式做不要指望固定行号。下面这段是能直接跑的版本import json import re from pathlib import Path SRC Path(prompts_raw.txt) # PDF 转出的纯文本UTF-8 编码 OUT Path(prompts.jsonl) # 标题行中文「充当/担任/扮演 XXX」英文「Act as XXX」 TITLE_RE re.compile(r^\s*(?:(充当|担任|扮演)\s*(.)|Act as\s(.))\s*$, re.I) # 启动语模板末尾交给模型的第一个输入 STARTER_RE re.compile( r(我的第[一二三四五六七八九十0-9][^\n]{0,60}?是[^\n]* r|my first[^\n]{0,80}?is[^\n]*), re.I, ) def parse_blocks(text: str): rows, cur [], None for line in text.splitlines(): m TITLE_RE.match(line) if m: if cur: rows.append(cur) cur {title: (m.group(2) or m.group(3)).strip(), body: []} elif cur is not None: cur[body].append(line) if cur: rows.append(cur) return [{title: r[title], body: \n.join(r[body]).strip()} for r in rows] def classify_lang(prompt: str) - str: head prompt[:60] return zh if len(re.findall(r[\u4e00-\u9fff], head)) 5 else en def enrich(row: dict) - dict: body row[body] m STARTER_RE.search(body) starter m.group(1).strip() if m else prompt body[: m.start()].strip() if m else body return { title: row[title], lang: classify_lang(prompt), prompt: prompt, starter: starter, chars: len(prompt), } if __name__ __main__: blocks parse_blocks(SRC.read_text(encodingutf-8)) out [enrich(b) for b in blocks] with OUT.open(w, encodingutf-8) as f: for i, r in enumerate(out, 1): f.write(json.dumps({id: i, **r}, ensure_asciiFalse) \n) print(f{len(out)} 条 - {OUT})参数说明集中在三处。TITLE_RE里的前缀词表要按你的 PDF 实际用词补有些版本还会出现「我希望你扮演」这种四字前缀漏了就会把整段正文吞进上一条模板。STARTER_RE的{0,60}和{0,80}是长度容忍度设太小会截断长启动语设太大会误伤正文里的「第一句话」这类描述。classify_lang只看前 60 个字符因为中英版模板正文往往是同一种语言但角色声明必然用各自语言写看开头最稳。跑完之后先看行数。150 条模板正常切出来应该在 145 到 155 之间少了说明有标题没被识别多了说明正文里某句话被误判成标题——通常是正文里出现了「扮演 X 角色」这种描述句。3.3 占位符统一改写别让语种惯性带偏原始模板里占位符有两种写法花括号{like this}和直接写示例值某座城市名、某支球队名、某部片名。前者是显式约定后者是隐式示例问题都出在隐式示例上——模型会把你给的示例值当成语境信号顺着它的语种和地域往下编。常见做法是把所有示例值换成中性占位符并在模板末尾补一行约定「花括号内的内容由我替换你不要自行填充。」改法对照原始写法问题改后我的第一句话是「我很喜欢某座城市」示例值带地域语境我的第一句话是 {待翻译句子}我想看 A 队对 B 队的比赛队名激发模型对联赛的联想我想看 {主队} 对 {客队} 的比赛给一部 {片名} 写影评片名会诱导模型复述剧情给 {片名} 写影评不剧透多槽位模板角色扮演类里的{character}和{series}要额外加一条「角色的全部知识限于原作已公开内容不得虚构未出现的设定。」不加这条模型会给你补出原作里根本没有的情节而且写得像真的。4. 中英双版本怎么选输出语种、约束强度和术语密度4.1 模板语种不等于输出语种最常见的误判是以为中文模板出中文、英文模板出英文。实际影响更大的是约束句的语种。英文模板里do not write explanations这种短句祈使结构模型执行得更干脆中文模板里的「不要写解释」有时候会被当成软建议模型回你一段「好的我不会写解释以下是结果」。这不是玄学是指令-遵守配对在训练语料里的密度差异。我的用法是混搭中文场景用中文模板保证术语和表达地道但把三条硬约束用英文原句附在末尾。实测下来格式遵守率会明显好一些代价只是多两行。反过来创意生成类模板我全用中文因为英文模板写出来的中文故事有明显的翻译腔。还有一类要单独说教学解释类模板数学老师、哲学老师、词源学家对受众标签极其敏感。模板里如果不写「面向零基础」模型会默认按本科水平讲一堆术语砸下来。加上受众标签之后同一个模板的输出能差出一个量级。4.2 双版本对齐先按结构字段配再人工补150 条里中英各一份但标题翻译并不统一。「充当英语翻译和改进者」对应的英文标题是English Translator and Improver字面对不上。指望自动配对全对不现实做法是先按starter句式 正文长度 关键词做粗配配不上的手工补一张别名字典。粗配之后跑一轮体检比一条条肉眼过要快得多import json import re from pathlib import Path rows [json.loads(l) for l in Path(prompts.jsonl).read_text(encodingutf-8).splitlines()] CJK re.compile(r[\u4e00-\u9fff]) def audit(r: dict): issues [] if not r[starter]: issues.append(缺启动语) if r[chars] 80: issues.append(正文过短疑似切分失败) if r[lang] zh and len(CJK.findall(r[prompt])) 30: issues.append(中文模板汉字过少) if r[lang] en and CJK.search(r[prompt]): issues.append(英文模板夹中文) return issues bad 0 for r in rows: iss audit(r) if iss: bad 1 print(r[id], r[title], -, .join(iss)) print(f共 {len(rows)} 条异常 {bad} 条) lens sorted(r[chars] for r in rows) print(长度 P10/P50/P90 , lens[len(lens) // 10], lens[len(lens) // 2], lens[len(lens) * 9 // 10])判断阈值要按语料定。chars 80这条是用来抓切分失败的正常模板很少短于这个数 30个汉字抓的是「中文标题配了英文正文」这种错位英文模板夹中文则基本只有一个原因——PDF 转换时把中文页眉混进了正文。长度分位数是最后一道保险P90 突然拉高说明有两条模板被合并了P10 拉低说明有模板被截断。4.3 用指标而不是感觉来判断版本质量体检完之后中英两个版本各算一组指标横向比一比再决定用哪版指标健康区间异常含义有启动语的比例85% 以上低于这个数说明模板不完整正文长度 P50150 到 350 字符过短是截断过长是合并约束句条数均值2 到 4 条少于 2 条基本控不住格式中文模板夹英文句比例15% 以下高了会让输出语种漂移约束句条数这个指标我在第 2 章提过怎么抽这里直接复用。均值明显偏低的那批模板就是后面最容易翻车的优先重写。5. 避坑与排查模板跑不出预期输出的五类现场5.1 现象要纯代码块模型先来一句「好的以下是执行结果」原因有两层。表层是约束句写在了模板中段离用户本轮输入太远深层是模板里没有说清「一个唯一的代码块」到底是什么意思——模型默认代码块可以有前置说明。解决分两步。第一步把格式约束提到角色声明之后的第一句第二步把「唯一的」量化成可判定的描述「你的回复以三个反引号开头以三个反引号结尾反引号之外不出现任何字符。」改完之后我还会在启动语前面加一行「重复一遍这条格式要求然后直接输出」。这行看着啰嗦但它把约束重新拉回了近端实测遵守率差距很明显。5.2 现象角色扮演模板一次性把整段剧情写完原因不是模型不听话是模板只写了「像角色那样回答」没写「一次说多少」。这类模板的正确约束是节奏而不是格式一次只输出一句台词等我回一句再继续。缺了这句模型会把「扮演」理解成「创作一段扮演的文本」。修法是在模板末尾补两条「每次回复不超过两句角色台词不加旁白说明」「如果我的输入不足以推进就反问一句不要自行续写」。第二条尤其关键它给了模型一个合规的「不输出」选项否则模型只能靠编。5.3 现象中文模板跑出来中英混杂术语一半不翻译原因在模板里的示例值。原始模板的示例句子、示例城市、示例句子里的英文词都会成为语种信号。中文模板里夹着好几个英文词模型会判断这个语境允许中英混排于是术语就随机翻一半。处理办法是清场把模板正文里非必要的英文全部换成中文占位符术语单独列一行「保留英文原词不翻译X、Y、Z」。这行的作用是把「允许保留英文」限定成一个白名单而不是全局许可。改完之后你会发现输出稳定很多连标点风格都不乱跳了。5.4 现象聊到第五六轮约束彻底失效又开始写解释原因很直接早期轮次里的约束句在多轮对话里被后续输入稀释了。每多一轮约束在上下文里的相对权重就低一点到五六轮基本压不住。解决办法有两个看你的接入方式。如果能控制消息结构把约束句放进系统侧的位置每轮都带上这是最干净的。如果只能整段对话喂进去就在每轮用户输入末尾固定追加一行「保持第 1 条格式要求」用一句话的代价换取遵守率。我一般还会在第四轮左右主动重述一次全部约束相当于给对话做一次校准。5.5 现象套上自己的业务素材后150 条跑出来长得都差不多原因是模板只给了角色和格式没给事实槽。你让它「充当广告商」它只能拿通用知识硬编编出来的东西自然高度同质换十个模板都是一个味儿。修法是在启动语之前加一个素材区先喂 3 到 5 条真实素材产品参数、用户原话、竞品描述再让模型基于素材做。模板改成两段第一段是角色和约束第二段是「以下是我的素材你先复述关键事实等我确认后再创作」。多出来的这一步复述能挡掉大部分凭空发挥。这类改写对餐饮旅游、生活娱乐方向的模板收益最大因为那些场景最依赖具体细节模型编不出来。6. 建一条回归线把模板当代码一样验收改完 150 条模板别靠手感判断好了没有。我把模型输出存成 jsonl跑一个规则打分脚本二十分钟能看到全量结果import json import re from pathlib import Path # 每行 {id: 1, output: ..., expect_block: true, expect_cjk: true} rows [json.loads(l) for l in Path(model_out.jsonl).read_text(encodingutf-8).splitlines()] OPENERS re.compile(r^(好的|当然|以下是|Sure|Certainly|Here), re.I) def check(r: dict): out r[output].strip() flags [] if OPENERS.match(out): flags.append(开场白未去掉) if out.count() % 2: flags.append(代码块未闭合) if r.get(expect_block) and not out.startswith(): flags.append(首行不是代码块) if r.get(expect_cjk) and not re.search(r[\u4e00-\u9fff], out): flags.append(输出无中文) return flags fail [(r[id], f) for r in rows if (f : check(r))] print(f通过 {len(rows) - len(fail)}/{len(rows)}) for i, f in fail[:10]: print(i, f)验收清单我固定看四项格式项首行是不是代码块、代码块是否闭合、开场白项有没有「好的」这类垫话、语种项该出中文的有没有出、槽位项占位符有没有被原样吐回来。前两项是工程可用性后两项是内容可用性四项全过才进正式使用。这套东西我踩过一次印象很深的坑一批模板改完直接上了线前三天看着都正常第四天开始有人反馈输出格式乱了。回头查是我在批量改写时把「不要写解释」那句的句号删了结果约束句和下一句粘成了一句被模型当成了描述而不是指令。一行标点排查了两个小时。从那以后我每次改模板都强制走一遍「抽取 → 体检 → 小批量回放」三条命令跑完再动正式库。这套流程笨但它把玄学问题变成了能复现的问题。希望帮到你。本文还有配套的精品资源点击获取