简介这份资源面向希望提升 ChatGPT 使用效率的内容创作者、产品与技术人员以及需要快速调用角色化提示语的普通用户核心解决「不知道如何写出高质量提示词」的问题。压缩包内共 1 个 json 文件约 40KB以结构化数据形式集中收纳 260 条中文提示语便于直接检索、复制与二次整理。内容覆盖计算机、心理学、健康等多个行业与领域每条均以角色设定方式呈现例如 UX/UI 开发人员、IT 架构师、全栈软件开发人员、心理健康顾问、私人厨师、人生教练、牙医与虚拟医生等读者可据此快速切换对话视角获得更贴合场景的回答。目前已有 1058 人学习下载适合作为日常写作、产品设计、学习辅导与自我提升的提示词素材库也可作为搭建个人提示词管理工具的原始数据来源。1. 260 条中文提示语资源一份能直接抄进对话的角色库很多人第一次用 ChatGPT 写代码、做方案、改文案卡住的地方不是模型能力而是不知道该怎么开口。同一个需求随口问一句和用结构化角色提示词问一句输出质量能差出一个量级。这份 260 条 ChatGPT 中文提示语资源本质就是一份已经写好的角色库覆盖计算机、心理学、健康、教育、商业等多个领域每条都给出了角色名称和对应的角色提示语。它解决的不是「模型会不会」而是「你怎么问」的问题。适合三类人刚接触提示词工程、想快速上手的新手需要批量产出不同角色视角内容的内容运营以及想把提示词沉淀成团队资产的技术负责人。资源本身是 zip 包内含一份 json 文件结构清晰方便程序化读取和二次加工。2. 拆开 json 看结构260 条提示语到底长什么样2.1 文件格式与字段构成拿到 zip 之后先解压里面是一份 json 文件。常见做法是先用命令行看一眼文件大小和顶层结构确认不是嵌套过深的格式。我一般会先跑一段 Python 把顶层键和第一条记录打印出来避免直接打开几万行文本把自己看晕。import json with open(260条ChatGPT中文提示语.json, r, encodingutf-8) as f: data json.load(f) # 打印顶层类型和第一条记录 print(type(data)) print(json.dumps(data[0] if isinstance(data, list) else list(data.items())[0], ensure_asciiFalse, indent2))这段代码做两件事一是确认顶层是列表还是字典二是把第一条记录格式化输出。参数上ensure_asciiFalse是关键不加的话中文会变成\uXXXX转义肉眼没法核对。如果顶层是列表说明每条提示语是独立对象如果是字典通常按领域分组需要先取keys()再逐组遍历。这一步不做后面写批量脚本时很容易在索引上翻车。2.2 角色提示语的典型写法从摘要描述能看出这份资源的组织方式是「领域 → 角色名称 → 角色提示语」。比如计算机领域下有 UX/UI 开发人员、开发者关系顾问、IT 架构师、全栈软件开发人员、高级前端开发人员、软件开发人员等角色心理学领域有心理健康顾问、心理学家健康领域有私人厨师、人生教练、牙医、虚拟医生。每条提示语的核心结构通常是「你是一名……你需要……输出要求……」。这种写法的价值在于把模糊需求转成了明确约束。以「担任高级前端开发人员」为例提示语里一般会限定技术栈、代码风格、性能考量、可访问性等维度。你直接复制粘贴到对话框模型就会按这个角色的视角组织回答而不是给你一段泛泛而谈的概述。我实测下来同一个「帮我优化这段 React 代码」的需求加上角色提示语后输出会主动带上 memo、useCallback 的使用建议和渲染次数分析不加的话基本只给你改改缩进。2.3 用脚本批量提取和分类260 条手动翻不现实写个脚本按领域归类输出成 markdown 或 csv方便检索和复用。import json from collections import defaultdict with open(260条ChatGPT中文提示语.json, r, encodingutf-8) as f: data json.load(f) grouped defaultdict(list) for item in data: # 字段名以实际文件为准常见为 domain / role / prompt domain item.get(domain, 未分类) grouped[domain].append(item) for domain, items in grouped.items(): print(f{domain}: {len(items)} 条) for it in items[:2]: print( -, it.get(role, ))逻辑说明用defaultdict按领域聚合避免手动判断键是否存在。参数上item.get(domain, 未分类)给了兜底值防止某条记录缺字段导致整个脚本报错。跑完之后你会得到一张领域分布表能直观看到哪些领域角色多、哪些少。这一步的产出建议存成 csv后续做提示词检索或者导入到自己的工具链里都方便。3. 把提示语接进工作流三种可复现的用法3.1 手动复制适合低频、单次任务最直接的方式就是打开 json找到对应角色把提示语整段复制到对话框再追加你的具体需求。这里有个细节不要只复制角色名称要复制完整的角色提示语。角色名称只是标签真正起作用的是后面那段约束描述。操作步骤上我一般会先在 json 里搜关键词比如搜「前端」定位到高级前端开发人员那条复制提示语然后在对话里按「提示语 空行 具体任务」的格式发出去。空行是必要的能让模型区分角色设定和实际任务。如果直接把任务粘在提示语末尾有时候模型会把任务当成角色描述的一部分输出就跑偏了。提示复制时注意 json 里的换行符有些编辑器会把\n显示成字面量粘到对话框里会变成一行需要手动还原换行。3.2 脚本调用 API适合批量生成如果你有 API 调用环境可以把这份资源做成批量任务。核心思路是遍历 json把每条角色提示语作为 system 消息把具体任务作为 user 消息。import json with open(260条ChatGPT中文提示语.json, r, encodingutf-8) as f: prompts json.load(f) def build_messages(role_prompt, task): return [ {role: system, content: role_prompt}, {role: user, content: task} ] # 示例取第一条角色提示语套用同一个任务 sample prompts[0] messages build_messages(sample.get(prompt, ), 请给出三个可落地的优化建议) print(messages)逻辑说明system消息承载角色设定user消息承载具体任务这是最常见的分工方式。参数上要注意不同模型对 system 消息的支持程度不一样如果发现角色设定没生效可以尝试把角色提示语合并到 user 消息开头。批量跑的时候建议加个 sleep避免触发频率限制。输出结果按角色名称命名保存方便后续对比不同角色对同一任务的回答差异。3.3 沉淀成团队提示词库单次使用价值有限真正有用的是把这份资源改造成团队内部的提示词库。做法是给每条记录补充字段适用场景、输入要求、输出格式、上次更新时间。然后按领域拆成多个文件放进版本控制。我一般会建一个目录结构按领域分文件夹每个角色一个 markdown 文件文件头写元信息正文放提示语。这样新人进来直接按目录找不用翻 json。改的时候走 git谁改了什么、为什么改都有记录。这一步的投入不大但能让提示词从「一次性复制」变成「可维护资产」。4. 避坑与排查提示语用不好多半是这几个原因4.1 角色提示语被模型忽略现象明明复制了完整的角色提示语模型回答还是泛泛而谈没有进入角色。原因通常是提示语太长或者任务描述太短模型把注意力放在了任务上。解决方式是把角色提示语放在最前面任务描述另起一段并且在任务里显式引用角色比如「作为上述角色请……」。如果还不行就在提示语末尾加一句「请严格按上述角色设定回答」。4.2 中文提示语出现乱码现象json 打开后中文显示成\u4f60\u597d这种转义序列。原因是读取时没指定编码或者编辑器默认用了非 UTF-8。解决方式是读取时强制encodingutf-8输出时加ensure_asciiFalse。如果是编辑器问题换成 VS Code 或 Sublime手动切编码格式。4.3 批量调用时角色串味现象跑批量任务时前一条的角色设定影响到了后一条的输出。原因是消息历史没有清空模型把上一轮的角色带进了新对话。解决方式是每次调用都新建会话不要把多条角色提示语塞进同一个对话历史。如果用的是带记忆的接口记得显式重置。4.4 提示语和模型版本不匹配现象某些提示语在旧版本模型上效果很好换到新版本后输出风格变了。原因是模型迭代后对角色设定的敏感度不同。解决方式是保留一份「已验证」标记换模型后重新跑一遍抽样测试确认效果再批量用。不要假设提示语是跨版本通用的。4.5 直接拿角色名称当提示语现象只复制了「高级前端开发人员」这几个字没复制后面的描述输出质量很差。原因是角色名称只是标签没有约束力。解决方式是确认复制的是完整字段通常 json 里会有单独的prompt或description字段那才是真正要用的内容。5. 进阶技巧把 260 条提示语变成可检索的个人助手资源用久了会发现一个问题260 条虽然不算多但每次靠翻 json 找角色还是很低效。我的做法是加一层本地检索用关键词匹配角色名称和提示语内容输入「前端」就能列出所有相关角色再选一个复制。实现上可以用 Python 的difflib或者简单的字符串包含判断不需要上向量数据库。import json with open(260条ChatGPT中文提示语.json, r, encodingutf-8) as f: prompts json.load(f) def search(keyword): results [] for item in prompts: text item.get(role, ) item.get(prompt, ) if keyword.lower() in text.lower(): results.append(item) return results for r in search(前端): print(r.get(role), -, r.get(prompt, )[:60], ...)这段代码的关键是keyword.lower() in text.lower()大小写不敏感中英文都能匹配。参数上[:60]只是截断预览实际使用时可以打印完整内容。跑通之后可以包一层命令行交互输入关键词回车就出结果比开 json 文件快得多。再进一步可以给每条提示语打标签比如「代码」「文案」「分析」「教学」检索时按标签过滤。标签不用很细五到八个就够。我自己的习惯是每次用完一条提示语如果效果好就顺手加个标签用了几周之后整个库就活了。从那以后我每次拿到新的提示语资源都会先跑一遍结构解析和检索脚本确认能快速定位再开始用。希望帮到你。本文还有配套的精品资源点击获取