简介15个专家级ChatGPT提示词指令面向希望摆脱基础问答模式、从初级用户进阶为高效使用者的ChatGPT玩家适用范围涵盖日常写作、资料检索、专业研究与团队协作并以docx格式整理成包。全包仅1个文件、约12KB内容精炼紧凑便于直接打开查阅与复制使用。文档逐项拆解了受众、语言、引用、术语、引言、视觉元素、数据、限制、关键词、范围、上下文理解、使用例子、内容审核与过滤、协作共享、限制与误解等15类提示词的适用场景与提问句式并为每条提示词提供可直接套用的英文表达和中文释义有助于理解每个Prompt的用途与触发方式。通过学习这套提示词可以更精准地控制ChatGPT的输出方向、语气风格与内容深度减少无效对话让AI围绕自己的需求生成更高质量的内容无论是优化日常提问还是系统提升Prompt设计能力都能从中获得可复用思路。已有430人学习下载。1. 15个专家提示词到底解决什么ChatGPT的差距不在打字多少而在Prompts指令怎么组织同一个问题有人从ChatGPT拿到的是三句正确的废话有人拿到的是格式规整、信息密度高、能直接交差的成品。差别不在模型版本也不在运气而在提示词。所谓“15个专家提示词”是我在写作、编程、学习这三类高频场景里反复打磨过的Prompts指令模板每条都按“能直接粘贴、改几个词就跑起来”的标准整理。它解决的问题很具体让ChatGPT从“听懂你”变成“按你的标准交付”。适合每天要和ChatGPT打交道、但总觉得它在敷衍你的从业者也适合刚接触提示词工程、想找一套靠谱起步模板的新手。这篇文章只讲能直接照抄的指令和改了就能用的参数。2. 提示词的工作机理角色、任务、约束、格式、迭代五类指令分别改变什么2.1 角色类Prompts为什么“扮演专家”能改变ChatGPT的输出质量一个常见的解释是ChatGPT预测下一个词时会拿你给的整段前缀去匹配训练时见过的相似文本。前缀决定了模型“认为自己在什么语境里”进而决定它调用哪一片训练样本里的知识。同样是“帮我看看这段代码为什么报错”直接问模型可能匹配到论坛里不耐烦的回复风格在前面加一句“你是一名有十年一线经验的工程师”模型就更可能在“专业代码审查”这类文本的语境里续写。这不是玄学是前缀条件改变了生成的概率分布。角色词并不是越多越好。一个有效的角色设置包含三件事身份、经验年限、立场或目标。比如“你是一名有十年经验的数据分析师”和“你是一名刚毕业的数据分析师”会让模型选择完全不同的表达密度前者倾向于给结论和依据后者倾向于给教科书式定义。我一般把身份放在提示词的第一句让它最先参与概率分布的调整经验年限跟在身份后面用来调控专业程度最后补一句立场比如“你的任务是帮我挑出问题不是夸我写得对”这会把模型的“讨好倾向”拉回来一点。参数上角色类提示词配合temperature等于0.7左右比较稳。太低会让角色切换不明显输出偏平淡太高会让角色“演过头”混进不必要的修辞。这是我在实际对比里看到的最直观差距改一个温度值同一个角色词的风格能从“审慎”变成“浮夸”。这一点在后文参数章节还会展开。2.2 任务分解类Prompts为什么“把大任务拆成子步骤”能显著减少幻觉ChatGPT在长任务上的典型翻车方式是前两步还正常第三步开始编造不存在的细节。原因在于一次生成太长文本时模型需要同时维护的目标太多任何一处概率漂移都会滚雪球。任务分解类提示词的做法是让模型先给执行计划再按计划逐段执行而不是一口气写完整篇。我在写这类提示词时常用的一句话是“先列三到五步执行计划每完成一步输出对应内容再继续下一步。”这句话的价值在于给了模型一个“每步停下确认”的节奏点。对长任务尤其明显让ChatGPT直接写一篇三千字报告和让它先写大纲、再逐节填充、最后统一润色后者的信息准确度和结构连续性明显高出一截。一个值得注意的参数是max_tokens。任务分解后每一段的输出变短你可以把max_tokens调低比如从4096降到1024强迫模型分段交付而不是憋一个大长文。这样做的副作用是对话次数变多但每次输出质量更稳定。对于提示词工程刚上手的人来说这个习惯比任何花哨模板都管用。2.3 约束与格式类Prompts把输出锁进你想要的形状里约束类提示词解决的是“模型答非所问”和“结构漂移”。最常见也是最有效的一条约束是明确输出格式例如“用Markdown输出每个要点不超过两行最后附一个表格给出结论依据。”格式约束的价值不只是好看它把模型的自由生成空间压缩到一个相对固定的形状里模型在这个形状内做填充比完全自由发挥时更不容易跑题。另一个有效约束是把“禁止做的事”换成“要做的事”。举例与其说“不要写废话”不如说“每段第一句必须给出结论展开不超过三句”。因为模型对否定词的处理并不可靠负向约束经常被跳过或误解正向指令被遵循的概率明显更高。这是我写提示词时最常提醒自己的一条。格式约束和角色约束要放在提示词的尾部。原因在避坑章会细说这里先给结论ChatGPT对提示词开头和结尾的注意力强于中间把最关键的格式要求放在最后一句被遵循的概率最高。我在实践中通常是把“角色”放开头“任务”放中间“格式要求”放结尾。2.4 迭代优化类Prompts二次对话才是提示词工程的重头戏很多人把提示词当成一道命令输入一次等结果不满意就再输入一次。其实ChatGPT的对话上下文本身就是提示词的一部分后面每一轮修正都会被模型带入下一轮生成。高效的做法是第一轮只要求“写出初稿不用完美”第二轮针对具体问题做增量修改。我常用的迭代句式是“保留你上一版回答的第一段和第三段只修改第二段。”这个句式把“保留”放在前面把“修改”放在后面模型在续写时会优先维持前面提到的内容只对后半句做局部调整。相比从头再生成一遍这种增量修改方式能保住已经满意的部分也大幅减少“改好了一处、弄坏了另一处”的情况。迭代类提示词的关键是上下文长度配合。如果你在对话里堆了很多轮修改较早的约束会逐渐被挤出注意力范围。我的习惯是超过五轮迭代后把最终版本连同新的修改要求重新开一轮对话而不是继续在原对话里加码。这算是我用提示词半年后最深刻的“后悔药”经验。3. 15个可直接照抄的专家提示词写作、编程、学习三组Prompts指令清单先说使用方式下面每条提示词我都按“能直接粘贴”的标准写方括号里的内容替换成你自己的信息就行。每条后面附了适用场景和参数建议。这15条不是从哪份官方文档抄来的是我在写作、写代码、查资料这三类日常任务里反复用、反复改出来的版本你可以把它们当成提示词工程的起步样本。3.1 写作与内容创作5个专家级Prompts指令第一个是“专家改写”。当手头有一段写得不够利落的文案我一般贴这样一段你是一名有十年经验的科技媒体资深编辑擅长把冗余表达改写成信息密度高的文字。请改写下面的文本要求保留全部事实信息删除所有形容词堆砌每句话不超过30个字如果原文有逻辑断层在文末用括号标出“建议补充”。不要解释你的修改过程直接输出改写结果。 [粘贴你的文本]这段提示词的要点是“编辑身份 四条硬规则 直接输出”。其中“不要解释修改过程”能避免模型输出一大段“我做了以下修改”的自述直接把可用结果给你。“建议补充”这个尾巴是给模型留一个输出结构缺口它会把断层识别当成一个明确任务而不是顺手忽略。参数上改写类任务我一般用temperature为0.4避免模型在改写时自由发挥得太远。如果你希望文案更有创意再往上调到0.8但要接受改完后需要人工校对事实细节。第二个是“多版本标题生成”。给产品一句话卖点让ChatGPT产出多个方向不同的备选你是一名资深的文案增长负责人擅长从不同用户群体出发提炼卖点。基于以下产品卖点生成5个角度各异的标题一个面向价格敏感用户一个面向追求效率的用户一个面向技术发烧友一个制造好奇心缺口一个是稳妥的直述型标题。每个标题不超过20个字标题之间空一行最后用一两句话说明各自的角度差异。 产品卖点[一句话描述你的产品]这个提示词把“角度”前置定义为五个具体方向模型就不会生成五个大同小异的标题。它的真正价值在于“用一两句话说明差异”这个尾巴——大多数标题生成器只给标题不给思路而这一句能帮你判断模型是否真的理解了你的产品。如果你只想用通用灵感版把五个方向删掉改成“生成10个标题”就能跑但我推荐保留方向限定。第三个是“结构化大纲”。写长文前让模型先搭骨架你是一名资深的内容策划。请基于以下主题输出一份文章大纲要求大纲分三级标题每一级标题之间必须有逻辑递进关系每个二级标题下用一句话说明这一部分要论证的核心观点最后附一个“目标读者看完后会带走什么”的结论段。 文章主题[你的主题]常见的一个误区是让ChatGPT直接写长文然后发现结构散掉。我的习惯是先让它给大纲、我确认结构没问题后第二步再说“按大纲第一段展开”。这样做等于把一次长输出切成了几次可控的短输出每一段的质量都更容易把握。第四个是“语气转换器”。把一段正式文本转成口语、转成朋友圈风格或转成培训话术你是一名中文表达专家。请把下面这段文本从正式书面语转换成[目标风格如口语化/培训话术/短视频口播]。转换时保持所有事实和数字不变把长句拆成短句加入适量语气词增强亲和力不要添加原文没有的信息输出只给转换后的文本。 原文[粘贴原文]这段的关键是把“语气”转成一个可执行的要求短句、语气词、事实不变而不是只丢给模型一个“口语化一点”。参数上建议temperature为0.8这种创意改写任务需要多一点随机性输出才不像机翻。第五个是“标题评分与重写”。这个适合做内容运营的人把候选标题交给模型打分、再给出优化版你是一名公众号主编对标题的点击率有敏感判断。请按“好奇心缺口、信息明确度、情绪触发、字数适中”四个维度给以下标题打分每项10分制并说明扣分点然后基于原意重写三个更优版本重写时不要偏离原标题的核心事实。 候选标题[你的标题]这里的“四个维度”是我自己常用的评分框架你也可以换成“SEO友好度、情绪强度、品牌一致性”。关键在于先让模型打分、后重写顺序反过来模型容易直接给一个新标题而失去判断依据。3.2 编程与数据分析5个专家级Prompts指令第六个是“代码审查员”。我把这段定义为带审查清单的代码审查指令你是一名有十年一线开发经验的工程师正在做严格的代码审查。请审查下面这段代码按顺序输出1.边界条件数组为空、数值为0、极端大小时会发生什么2.异常处理哪些异常没有被捕获3.性能问题是否有不必要的循环或内存占用4.可读性命名和函数拆分是否合理。不要只夸代码优先指出问题每个问题给出一行修改建议。 代码 [粘贴你的代码]这个提示词把评审标准拆成四个固定维度模型不会只夸“代码写得很好”就结束。它的“不要只夸代码”这句话虽然是个否定句但在这里是必要的——如果把整句删掉模型大概率会空泛夸赞。你如果发现模型还是只夸不批就把“每个问题给出一行修改建议”移到提示词末尾效果会明显改善。第七个是“函数生成器”你是一名Python工程师。请根据下面的函数规格生成一个完整函数要求包含完整的类型注解对每个参数做边界条件检查函数开头写三行docstring说明用途、参数和返回值主逻辑之外不写无关代码。最后用一行示例调用展示用法。 函数规格[描述函数要做什么、输入输出是什么]注意这里有一项容易被忽略的要求“主逻辑之外不写无关代码”。生成函数时模型最爱加的解释性段落会被这一句压掉输出会变成可以直接粘贴进文件的状态。如果你用的是GPT-4级别的新模型可以把“类型注解”部分扩展成“同时补一个适合pytest的最小测试”一次拿回函数和测试效率更高。第八个是“Bug定位助手”你是一名有多年经验的后端工程师。下面是一个程序报错信息请按以下方式输出1.用一句话直说最可能的原因2.列出3个次要可能原因按概率从高到低排列3.针对最可能原因给出排查命令或检查步骤4.如果存在多种可能说明“先验证哪一条最省时间”。 报错信息 [粘贴报错日志]这个提示词的关键在“先验证哪一条最省时间”——它逼着模型做诊断排序而不是一口气把所有可能原因都倒给你、让你自己试。实际使用时比单纯贴报错日志要高效太多。遇到那种几千行的堆栈日志记得先把无关的框架栈帧删掉再贴模型会更聚焦。第九个是“测试用例生成”你是一名测试工程师擅长边界测试。请为下面的函数生成测试用例要求至少覆盖正常输入、空值输入、极限值、非法类型四种情况每个用例标注测试目的断言语句要能直接放进pytest运行不要生成mock代码。 函数代码 [粘贴你的函数签名和实现]“直接放进pytest运行”这句约束很重要。按此生成的测试代码比通用测试建议的可操作性强很多粘贴后通常只需要做小的变量名调整就能跑通。如果你需要的是接口测试而不是单元测试把这句改成“能直接放进Postman或Requests脚本运行”输出形态会立刻跟着变。第十个是“技术风险评审”你是一名资深架构师正在参与一次方案评审。请基于以下技术方案找出三个被忽略的风险点每个风险点说明会在什么条件下触发、影响范围多大、如何用一个最小实验验证。不要给鼓励性评价只挑问题。 方案描述 [粘贴你的方案]编程类提示词的共同点是“先分类后输出”审查、诊断、生成、测试、评审每一类都规定了输出结构模型就不会把答案揉成一团。这个风险评审用在开会前特别合适几分钟就能拿到一份能拿去和别人讨论的预审意见。3.3 学习与研究5个专家级Prompts指令第十一个是“苏格拉底式提问”你是一名耐心的导师请用苏格拉底式提问帮我学习[主题]。规则不要直接给我答案每次只问一个问题根据我的回答决定下一问的方向如果我发现不了你再给一个提示连续五次追问后用一段话总结我通过思考自己得出的结论。 主题[你要学的概念]这条提示词最怕模型中途“弃疗”直接给答案。你可以把“连续五次追问后”改成“连续十次追问后”模型会更有耐心。它的价值在于把被动接收知识变成主动推导适合学那些“听懂了但不会用”的概念。第十二个是“概念类比器”你是一名擅长用生活化类比解释复杂概念的老师。请用三个不同的生活场景类比来解释[某个概念]三个类比分别对应“是什么”“为什么有用”“什么时候会失效”。每个类比不超过三句话类比后补一句简短的术语校准说明类比在哪个点上不完全准确。 概念[你的概念]“什么时候会失效”和“哪个点上不完全准确”这两句是这个提示词的点睛之处——绝大多数类比解释只讲相似性、不讲边界导致读者把类比当真。加上这两条约束模型的解释质量会明显上一个台阶。第十三个是“论证批判”你是一名逻辑学爱好者擅长识别论证中的谬误。请分析下面这段话的论证结构输出1.结论是什么2.支持结论的前提有哪些3.哪些前提没有被证明但被默认当成成立的4.是否存在偷换概念或以偏概全5.如果要加固这个论证你最建议补上哪一条证据。 文本 [粘贴你要分析的内容]注意第3点和第4点不能删。许多初版提示词只写了“找出逻辑谬误”模型就会只给出“这里存在以偏概全”这样的标签式结论。加上“哪些前提被默认当成成立”之后分析会变得具体可查。第十四个是“记忆卡片生成”你是一名备考教练。请基于下面这段学习材料生成一组记忆卡片要求每张卡片采用“问题-答案”形式问题必须用“为什么/怎样/如果”开头不得用“是什么”开头难度分基础、应用、综合三档最后给出一个复习顺序建议。 材料 [粘贴学习材料]“不得用‘是什么’开头”这个约束很关键。用“是什么”开头的问题只需要回忆定义用“为什么/怎样”开头的问题才需要调用理解。它会让模型设计的问题更有深度复习时也更贴近真实考试场景。第十五个是“通用格式控制器”。这是一个很短的万能模板适合在任何任务后面追加请用JSON格式输出结构为{结论: ..., 依据: [..., ...], 风险: [..., ...]}。这一条与其说是独立任务不如说是给前面任何一个提示词追加的“约束尾巴”。当模型输出内容发散时在后面接这一句输出会立刻收敛成一个结构化对象。提示词工程的一项基本功就是在合适的位置插这种“格式钳制器”。4. 从15个提示词里提炼可复用的提示词工程模板五要素、变量与参数配合把第3章这15条并排看你会发现它们的底层结构高度一致。最近提示词泄露事件闹得沸沸扬扬也让更多人意识到一套可靠的提示词框架本身就是资产它需要被整理、被验证、被迭代。这一章就把这套规律抽出来给你一个可以自己组装的方法。4.1 五要素模板角色、背景、任务、要求、输出格式缺一不可任何一条提示词都可以拆成五个位置角色你是谁、背景你面对什么、任务你要做什么、要求按什么标准做、输出格式长什么样。我把它叫五要素模板。这五个位置都有内容哪怕写得很烂输出也不会太差缺了其中任何一个模型就会用默认值补齐而默认值往往不是你要的。举一个具体例子。第3章写作组的“结构化大纲”里角色是“资深内容策划”背景是文章主题任务是列大纲要求是逻辑递进、每级标题下有核心观点输出格式是三级标题加结论段。如果删掉角色模型仍然能给你大纲但风格会偏“模板感”如果删掉输出格式模型会给出一大段文字而不是层次清晰的结构。五要素不是万灵药但它是提示词的最小完备集新手写提示词从它入手最不容易漏。我平时还会在五要素之外加一个“边界”字段专门写“不要做什么”。但要注意边界里的否定句尽量少一个提示词里最多一条“不要”超过了就按第5章的踩坑处理。4.2 用变量隔离“变化项”让同一个提示词框架跑通一整类任务对照第3章可以看到写作组的“专家改写”和“多版本标题生成”长得不一样但骨架完全一致一个固定身份 一组固定规则 一个“可变槽位”。这个可变槽位就是方括号里需要替换的内容也就是变量。我在日常工作中会把高频使用的提示词做成“变量版”只改方括号里的内容其他部分原样复用。最常见的做法是让变量单独占一行。模型在处理提示词时对紧跟在方括号后的那段文本的注意力往往高于从句。举例把“产品卖点[一句话描述你的产品]”放在整段提示词的最后比把它埋在第五行更有效。我自己用下来变量位置的规律是越靠近提示词尾部的变量被模型响应的准确率越高。这一点和避坑章的“末尾优先”规律是同一个原理设计提示词时先把变量位置预留好能省掉后面很多调整。4.3 参数配合temperature、max_tokens和提示词长度的取舍提示词文本本身只是让模型“知道要做什么”API参数则决定模型“敢不敢自由发挥”。这里给一组我常用的参考值任务类型temperaturemax_tokens典型提示词代码生成/审查0.2至0.31024至2048第6、7、9条信息抽取/格式化0.2至0.4512至1024第15条改写/润色0.4至0.7512至1024第1、4条创意文案0.7至0.91024第2、5条头脑风暴0.9至1.01024至2048自行扩展注意temperature只是改变随机性不改变“模型是否听懂指令”。如果你发现输出内容完全对不上问题基本在提示词结构不在参数。很多人一不满意就调温度实际上是把问题弄错了方向。max_tokens建议按输出类型预估问答类设512到1024文章类设2048到4096。一个容易被忽略的点是max_tokens设得越大模型越容易在长文后段“放飞”尤其是写代码时容易出现函数没闭合或注释自相矛盾。配合第2.2节的任务分解法把单次输出限制在1024以内把长文章切成多轮生成比一次生成大段文本稳定得多。另外提一句上下文窗口。如果你用的是API且希望在多轮对话里维持稳定风格可以把system提示词和用户提示词分开system里放角色和约束用户消息里只放需要处理的具体内容。这样即使对话轮数增加模型的“人设”也不会被后续消息冲淡。提示以上参数只是起步参考值。真正确定一组参数是否适合你的场景需要通过后文的AB对比来验证不要直接用网上抄来的“推荐值”。5. 提示词避坑同样的Prompts指令别人有效你翻车问题多半出在这五处5.1 重要约束放在提示词中部模型会“选择性遗忘”现象你把三条要求写在同一段话中间结果第一条和第三条都完成了中间那条总是被跳过。原因ChatGPT对长提示词的注意力不是均匀分布的对开头和结尾的敏感度明显高于中段这是一个被广泛观察但经常被忽略的现象。解决把最关键的约束放到提示词末尾尤其是格式类要求必须当“最后一句话”如果一条提示词里有多个约束按重要程度重新排序把第三重要的放开头第二重要的放结尾最不重要的放中间。5.2 同一个动作在提示词里反复出现模型会“用力过猛”现象你担心模型不遵守“用表格输出”于是在提示词里写了三遍“注意用表格”结果模型输出了一个表格但表格内容极度简洁连必要的信息都丢了。原因重复出现的词会被模型视为高权重信号它会朝这个方向过度补偿。解决约束只写一遍把格式要求写清楚即可如果第一遍模型没遵守不要复制粘贴再来一遍而是像第4.2节那样把格式要求移到提示词末尾通常一次就能解决。5.3 要求互相打架“简短”和“详细”同时出现模型只能折中现象提示词里既写“回答要简洁”又写“请列出所有背景信息”模型最终输出一个不上不下的结果既不够短也不够全。原因互相矛盾的指令会让模型在概率分布上左右摇摆最终选择一条“最稳妥”的中间路线。解决写提示词时先做一次语义排错把相冲突的词删掉如果确实需要“简短但完整”改成定量描述比如“全文不超过200字但必须涵盖三个要点”把矛盾的“形容词型要求”改成“数字型要求”。5.4 把提示词写成“黑话”或命令体模型开始机械迎合现象你写“执行以下操作SOAP分析、SWOT输出、PDCA验证”模型回复一整套名词解释但没有任何可用的实际内容。原因命令体提示词让模型进入“模板答法”模式它优先匹配训练时见过的“指令应答”文本而不是真正处理你给的信息。解决在命令词后面补上“针对我提供的具体信息”和“输出前先验证信息是否足够”两句缓冲比如“基于上面我给出的三段素材执行问题定位”。这算是我踩过一次后彻底改掉习惯的地方。5.5 直接照搬别人生成的“Pro提示词”不调参很容易翻车现象你从网上复制了一条很长的“专家级提示词”原样粘贴运行结果输出质量还不如自己随手写的。原因高质量提示词里通常隐含了对特定数据格式、说话风格和输出长度的假设这些假设在别人的任务里成立在你的任务里未必成立。解决拿到任何现成提示词先删掉一半再看效果再逐步加回重点检查方括号变量处的文本是否和你的场景匹配以及末尾格式要求是否仍然适合你的下游使用。提示词工程的真正能力不是写一条完美提示词而是“把不完美的提示词改到适配自己的任务”。6. 验证一组提示词值不值得留让ChatGPT当裁判给两版Prompt的输出打分6.1 先定义“好输出”的标准给打分提示词加四个维度很多人的提示词迭代是“看感觉”这次输出顺眼就留着不顺眼就改。但“顺眼”是一个不可复制的标准。我常用的做法是把评判标准显式化用一个评价提示词给模型输出打分再按分值决定去留。打分的四个维度我一般定为一组信息完整性、结构清晰度、执行可落地性、创造性。其中“执行可落地性”权重最高因为它直接决定这条提示词能不能省时间。下面是一段ChatGPT对某个提示词的回答。请按四个维度评分每项10分信息完整性、结构清晰度、执行可落地性、创造性。四个维度权重为4:2:3:1给出加权总分。然后指出两处最明显的不足并给出一行修改建议用于优化产生这段回答的提示词。 ChatGPT的回答 [粘贴模型输出]这一段评分提示词的价值在于把模型输出变成一个可比较的量化对象。你如果坚持用自己的判断也行但建议把权重改成你业务里真正在乎的那几项否则打分维度会跟你的实际目标脱节。6.2 AB对比同一个任务两版提示词各跑三次用分数决定去留评分之后下一步是让两版提示词在同一个任务上各跑三遍把得分取中位数做对比。为什么要跑三遍而不是一遍ChatGPT的生成有随机性单次输出的分数波动可能超过两版之间的真实差距。取中位数可以过滤掉“运气好”的那一次。这个办法不复杂但它能把“我觉得这个提示词更好”变成“这个提示词的中位分高1.7分”后者才值得投入真金白银的API token去验证。我自己的习惯是给常用提示词建一个小文件夹每条提示词附一行备注适用场景、踩过的坑、当前做过的AB对比结果。这样积累三个月后你会得到一份只属于自己工作流的提示词库。它的价值比任何一份网上的通用提示词合集都大因为每一行都在你的任务上被验证过。最后说一句习惯层面的话提示词不是一次性产品它像代码一样需要版本管理。我见过太多人因为“上次明明能用”就拒绝改动结果模型一更新、输出风格一变整个提示词库都失效了。所以每过一段时间用上面的评分流程重新跑一遍花不了十分钟但能避免在最需要的时候才发现提示词已经悄悄退化。这个习惯坚持下来比任何一条具体提示词都值钱。希望帮到你。本文还有配套的精品资源点击获取