简介这份资源面向需要高频调用 ChatGPT 的职场人、内容创作者与 AI 应用开发者整理了 260 条中文提示语覆盖计算机、心理学、健康等多个行业与领域的角色设定帮助使用者快速切换对话身份、提升提问质量与输出稳定性。压缩包内共 1 个文件为 json 格式体积约 40KB结构轻量便于直接导入或二次整理成自己的提示词库。内容按角色名称与对应提示语组织例如计算机领域的 UX/UI 开发人员、IT 架构师、全栈软件开发人员、高级前端开发人员心理学领域的心理健康顾问与心理学家健康领域的私人厨师、人生教练、牙医与虚拟医生等均给出了可直接套用的角色描述。目前已有 1058 人学习下载适合希望减少重复调试、快速搭建多场景提示词模板的读者参考使用。1. 260 条提示语不是收藏品先搞清楚它到底解决什么问题很多人拿到「260 条 ChatGPT 中文提示语」这类压缩包第一反应是解压、翻一遍、丢进收藏夹然后再也没打开过。我见过太多这种情况——包括我自己早期也干过同样的事。问题不在于提示语数量不够而在于你根本不知道每条提示语背后的结构逻辑是什么所以用的时候只能生搬硬套换个场景就失效。这个标题指向的核心资产是一套中文提示词模板库覆盖写作、编程、分析、翻译、角色扮演等常见场景。它真正能解决的问题是让你不用从零构思 prompt直接拿到一个经过验证的结构骨架改几个变量就能用。适合两类人一是刚接触提示词工程、还不知道怎么组织指令的新手二是已经在用 ChatGPT 做日常产出、但每次都要重新想怎么问的效率追求者。但我要先把话说在前面提示语模板的价值不在于「拿来即用」而在于「拆开理解」。下面我会按「怎么读 → 怎么改 → 怎么组合 → 怎么避坑 → 怎么进阶」的顺序把这 260 条提示语从死数据变成活工具。2. 拆解提示语模板从 260 条里提炼出 4 种可复用结构2.1 先分类再使用提示语的四种基本骨架拿到一个提示语包不要按文件顺序一条条读。我一般会先按结构类型做一次粗分类因为不同结构的提示语改造方式完全不同。结构类型典型特征适用场景改造难度角色设定型以「你是一位…」开头专业咨询、模拟对话低换角色即可任务指令型直接描述要做什么写作、翻译、总结低换任务描述格式约束型强调输出格式和结构报告、清单、表格中需调格式参数链式推理型分步骤引导思考分析、决策、拆解高需理解逻辑链分类之后你会发现260 条里真正结构独特的可能只有 3040 条其余都是同一骨架换场景。这意味着你不需要记住 260 条只需要掌握 4 种骨架再根据具体需求填充内容。提示分类时建议用表格记录每条提示语的编号、结构类型、适用场景方便后续检索。不要靠脑子记。2.2 用 Python 做一次批量清洗和分类如果你拿到的提示语是分散在多个 txt 或 md 文件里手动整理效率太低。我一般会写个脚本先做一轮预处理去掉空行、统一编号、按关键词打标签。import os import re import json # 假设提示语存放在 prompts 目录下每个文件一条或多条 PROMPT_DIR ./prompts OUTPUT_FILE ./prompts_cleaned.json def clean_text(text): 去掉多余空行和首尾空白 text re.sub(r\n{3,}, \n\n, text) return text.strip() def classify_prompt(text): 根据关键词做粗分类 if re.search(r你是一[位个名], text): return role_play elif re.search(r请?(按照|以).{0,10}格式, text): return format_constraint elif re.search(r第一[步部分]|首先.*然后.*最后, text, re.S): return chain_reasoning else: return task_instruction results [] for fname in os.listdir(PROMPT_DIR): if not fname.endswith((.txt, .md)): continue fpath os.path.join(PROMPT_DIR, fname) with open(fpath, r, encodingutf-8) as f: raw f.read() # 按分隔符切分常见分隔符是 --- 或空行编号 chunks re.split(r\n-{3,}\n|\n(?\d[\.\、]), raw) for chunk in chunks: cleaned clean_text(chunk) if len(cleaned) 20: # 太短的跳过 continue results.append({ source: fname, content: cleaned, type: classify_prompt(cleaned), length: len(cleaned) }) with open(OUTPUT_FILE, w, encodingutf-8) as f: json.dump(results, f, ensure_asciiFalse, indent2) print(f共处理 {len(results)} 条提示语) # 输出各类型数量分布 from collections import Counter print(Counter(r[type] for r in results))这段脚本做了三件事读取所有提示语文件 → 按分隔符切分 → 按关键词粗分类。关键参数说明re.split里的分隔符模式要根据你实际文件格式调整常见的是---或数字编号开头。len(cleaned) 20这个阈值是过滤噪音用的太短的片段大概率是标题或分隔残留。classify_prompt里的正则只是启发式规则不追求 100% 准确目的是帮你快速缩小范围。跑完之后你会得到一个 JSON 文件里面每条提示语都带了类型标签。接下来就可以按类型分别处理而不是面对一堆无序文本。2.3 变量提取把固定模板变成可配置工具分类之后下一步是把每条提示语里的可变部分抽出来。比如一条角色设定型提示语可能是这样的你是一位资深产品经理请帮我分析以下需求文档的优先级输出格式为表格 包含字段需求名称、优先级、理由。需求文档如下{需求内容}这里的{需求内容}就是变量。我一般会把所有变量用{{变量名}}统一标记方便后续替换。import re def extract_variables(prompt_text): 提取提示语中的变量占位符 # 匹配 {xxx} 或 {{xxx}} 或 【xxx】等常见占位格式 pattern r\{\{?(\w)\}?\}|【(\w)】 matches re.findall(pattern, prompt_text) variables [m[0] or m[1] for m in matches] return list(set(variables)) def fill_template(prompt_text, values: dict): 用实际值替换变量 for key, val in values.items(): prompt_text prompt_text.replace(f{{{{{key}}}}}, val) prompt_text prompt_text.replace(f{{{key}}}, val) prompt_text prompt_text.replace(f【{key}】, val) return prompt_text # 示例 template 你是一位{{role}}请帮我{{task}}输出格式为{{format}}。内容如下{{content}} vars_needed extract_variables(template) print(需要填写的变量, vars_needed) filled fill_template(template, { role: 资深运维工程师, task: 排查以下日志中的错误, format: 按时间线排列的表格, content: 2024-01-01 ERROR: disk full }) print(filled)这段代码的核心思路是先提取变量名再用字典替换。实际使用时你可以把常用的角色、任务、格式做成预设字典每次只需要填 content 部分。注意不同来源的提示语可能用不同的占位符格式{}、{{}}、【】、[]都有。建议统一成一种避免替换时漏掉。2.4 组合调用把单条提示语串成工作流单条提示语解决单点问题但实际工作往往需要多步。比如「写一篇技术文章」可以拆成选题 → 大纲 → 初稿 → 润色 → 标题优化。每一步用一条提示语把上一步的输出作为下一步的输入。def chain_prompts(prompts: list, initial_input: str): 按顺序执行多条提示语前一条的输出作为后一条的输入 current initial_input for i, prompt_template in enumerate(prompts): filled fill_template(prompt_template, {content: current}) # 这里用伪代码表示调用 ChatGPT # response call_chatgpt(filled) response f[第{i1}步输出] # 实际使用时替换为真实调用 print(f--- Step {i1} ---) print(fPrompt: {filled[:80]}...) print(fOutput: {response[:80]}...) current response return current这种链式调用的关键是每一步的输出格式要稳定否则下一步的输入会失控。我一般会在提示语里明确要求「输出纯文本不要加解释性语句」减少噪音传递。3. 参数怎么设温度、模型选择和输出长度对提示语效果的影响3.1 温度参数不同任务该设多少很多人调提示语只改文字不改参数结果同一提示语有时好用有时翻车。温度temperature是最关键的参数之一它控制输出的随机性。任务类型建议温度原因代码生成00.3需要确定性避免语法错误数据分析00.3结果要可复现文案写作0.71.0需要多样性和创意头脑风暴0.81.2鼓励发散翻译0.20.5平衡准确和流畅实际操作中如果你用的是 API直接在请求里设temperature参数如果用网页版温度是默认值你只能通过提示语里的措辞来间接影响——比如加「请给出确定性的答案」或「请给出多种不同角度的回答」。3.2 模型选择不同模型对同一提示语的响应差异同一个提示语在不同模型上的表现可能差很多。常见做法是复杂推理用强模型简单任务用快模型。比如链式推理型提示语在推理能力强的模型上效果明显更好而格式约束型提示语小模型也能执行得不错。我一般会准备两套提示语版本一套给强模型用写得简洁留更多发挥空间一套给快模型用写得非常具体每一步都明确指令。这样切换模型时不用重新调提示语。3.3 输出长度控制别让模型自由发挥提示语里如果不限制输出长度模型可能给你写一大段废话。我习惯在提示语末尾加一句请用不超过 200 字回答直接给出结果不要解释过程。或者需要详细分析时请分三点回答每点不超过 50 字总字数控制在 300 字以内。这样做的另一个好处是节省 token尤其在批量调用 API 时输出长度直接关系到成本。4. 避坑指南提示语使用中最容易翻车的 5 个场景4.1 现象提示语照搬后输出完全不对原因提示语里包含了你没有提供的上下文。比如模板里写了「根据以上文档」但你根本没贴文档。解决使用前先检查提示语里是否有指代词「以上」「该」「此」确保所有引用都有对应内容。我一般会把提示语里的指代词全部替换成具体描述。4.2 现象同一提示语昨天好用今天不好用原因模型版本更新或服务端参数调整。这不是你的问题但你需要有应对方案。解决把关键提示语做版本管理记录每次使用的模型版本和输出效果。一旦发现效果下降先检查模型是否更新再决定是否调整提示语。4.3 现象输出格式忽变有时表格有时段落原因格式约束不够强。模型对「请用表格输出」的理解可能每次不同。解决给出具体示例。不要只说「用表格」而是说「用 Markdown 表格表头为字段1 | 字段2 | 字段3每行一条数据」。示例比描述更有效。4.4 现象中文提示语里混了英文输出语言混乱原因提示语本身语言不统一模型可能跟随提示语的语言。解决在提示语开头明确「请用中文回答」并且尽量保持提示语全中文。如果必须保留英文术语在术语后加中文注释。4.5 现象提示语太长模型只响应了前半部分原因超出模型的注意力范围后半部分指令被忽略。解决把最重要的指令放在开头和结尾中间放背景信息。如果提示语确实很长拆成多轮对话而不是一次性塞进去。5. 进阶用法把 260 条提示语变成你自己的动态知识库5.1 建立本地检索用关键词快速定位提示语260 条提示语靠翻文件找太慢。我一般会建一个简单的本地检索脚本支持按关键词搜索。import json def search_prompts(keyword: str, data_file: str ./prompts_cleaned.json): 按关键词搜索提示语 with open(data_file, r, encodingutf-8) as f: prompts json.load(f) results [] for p in prompts: if keyword.lower() in p[content].lower(): results.append(p) # 按长度排序短的优先通常更通用 results.sort(keylambda x: x[length]) return results # 示例搜索所有和「代码审查」相关的提示语 hits search_prompts(代码审查) for h in hits[:5]: print(f[{h[type]}] {h[content][:60]}...)这个脚本可以进一步扩展成命令行工具或者做成简单的 Web 界面。核心思路是把提示语当成数据来管理而不是当成文档来阅读。5.2 动态组合根据任务自动推荐提示语更进一步你可以根据任务描述自动匹配最合适的提示语。简单做法是用关键词匹配复杂做法是用嵌入向量做语义搜索。def recommend_prompt(task_description: str, prompts: list, top_k: int 3): 根据任务描述推荐最相关的提示语关键词匹配版 task_words set(task_description.lower().split()) scored [] for p in prompts: content_words set(p[content].lower().split()) overlap len(task_words content_words) scored.append((overlap, p)) scored.sort(keylambda x: x[0], reverseTrue) return [p for _, p in scored[:top_k]]这个推荐逻辑很粗糙但实际用起来比手动翻找快得多。你可以把常用的任务描述和对应的提示语编号记录下来形成自己的映射表。5.3 持续迭代每次使用后记录效果我有个习惯每次用一条提示语完成实际工作后会花 30 秒记录一下效果——输出质量如何、哪里需要改、下次怎么调。这些记录积累起来就是你自己的提示语优化日志。具体做法很简单在 JSON 文件里给每条提示语加一个usage_log字段{ content: 你是一位资深编辑..., type: role_play, usage_log: [ {date: 2024-01-15, task: 润色技术文章, rating: 4, note: 输出偏长下次加字数限制}, {date: 2024-01-18, task: 润色营销文案, rating: 5, note: 效果很好直接复用} ] }时间长了你会发现自己常用的其实就那么二三十条但这二三十条经过反复打磨效果远超原始版本。提示语的价值不在于数量而在于你对其中的每一条有多熟悉、改过多少次。我自己的习惯是每季度把提示语库过一遍删掉三个月没用过的把常用的再优化一轮。这样库越来越小但越来越好用。希望帮到你。本文还有配套的精品资源点击获取