企业官网建设流程全解析

简介：面向ChatGPT、Claude、Bard等AI引擎使用者的《AI引擎：Prompt指令设计绿皮书》，系统讲解如何通过高质量Prompt让对话式AI生成更精准、更符合预期的内容。全书从指令写作的底层逻辑出发，归纳出明确定义需求、提供足够上下文、使用简单直白语言、详细说明输出要求、举例说明、添加限制条件、多次迭代优化等七类核心技巧，避免含糊指令带来的无关或低质量回复。针对新媒体运营场景，书中给出小红书笔记万能指令、短视频开头写作指令等可直接套用的模板，涵盖人设设定、标题与正文撰写、行动呼唤、话题标签和配图建议，帮助创作者快速产出吸引力内容；其余章节还覆盖简历写作、求职面试、个人发展等多元场景。资源为单份PDF电子书，整包约3.64MB，便于保存与移动阅读。目前已有6677人学习下载，适合希望系统掌握Prompt设计思路并落地到实际工作的读者。

1. Prompt指令设计：为什么说它是用好ChatGPT的命门

同样让ChatGPT写一篇小红书笔记，有人拿到一条能直接发的爆款草稿，有人拿回一段正确的废话——差别不在模型，在Prompt指令设计。我拆完这份绿皮书之后最大的感受是：写Prompt不是聊天，是写需求文档。模型对指令质量高度敏感，含糊的prompt提示词只会换来含糊的输出，这不叫玄学，叫输入决定输出。

这份资源是一套完整的Prompt指令设计方法论，核心是七条写作公式，外加新媒体运营、简历写作、求职面试、个人发展四个场景的模板。适合两类人：一类是想用AI做内容但输出总不对味的新媒体从业者，另一类是想用AI改简历、准备面试但不知道怎么开口的求职者。一句话概括：它不是让你背指令，是让你理解AI为什么听你的话——七条公式里没有玄学，全是可复制的动作。

2. 七条写作公式拆解：从模糊提问到结构化指令

2.1 明确定义需求：把「帮我写」改成「请你用…解释…」

模型对歧义的容忍度极低。越模糊的指令，越容易触发统计上的「平均答案」——也就是正确的废话。绿皮书给出的第一条公式，就是在指令开头直接指出你的问题是什么，用动作动词把任务钉死。

请你用简单的语言解释什么是区块链。 对比一下这条指令的问题： 帮我写一段关于区块链的东西。

第一条指令指定了语言风格（简单语言）、动作（解释）、对象（区块链），模型知道自己要干什么。第二条「帮我写一段东西」没有指定产出形式、语言风格和听众，模型只能调用最通用的「百科式」文风来兜底。这里有个参数细节：需求定义包含三个要素——动作动词、对象名词、风格限定词。缺任何一个，输出都会偏向平均态。常见的错误是只给对象不给动作，比如「元宇宙」「私域运营」这种光秃秃的名词，AI会默认你要一个科普框架，而不是你真正想要的落地清单。

2.2 提供上下文：让AI记住「我们刚才聊了什么」

新开一个对话窗口时，模型对之前聊过什么一无所知。绿皮书给出的公式是在新Prompt之前，先把前一轮对话的结论压缩成一句话带进去，相当于给AI贴了一张便签。

我们之前讨论了人工智能的发展。接下来，请你解释什么是机器学习及其应用。

这条指令的前半句是上下文锚点，后半句是新任务。我在实际操作中会把上下文压缩到30字以内，只保留和当前任务相关的结论，不复制整段对话——每一句多余的背景都在占用token预算。另外一个容易被忽略的细节是：如果你希望模型延续之前的输出格式，光说「继续」不够，要明确说「继续使用上面的列表格式/语气/结构」，把格式要求指出来，模型才会照着做。

2.3 使用简单直白的语言：减少句法层面的歧义

这条公式和「明确定义需求」经常被混为一谈，但它们的层面不同。定义需求管的是「说什么」，简单语言管的是「怎么说」。模型对双重否定、反问句、嵌套从句的处理能力远低于对短句的处理能力。

用通俗易懂的语言解释什么是元宇宙，避免使用专业术语。

坏指令的例子是「你能不能简单地说一下子元宇宙这玩意儿到底是怎么回事呗」——这句话里有口语虚词、有「怎么回事」的多义解读（可以是定义、成因、争议），模型只能猜。好指令直接指定解释对象和措辞难度。这里有个我自己的习惯：一个指令里只保留一个核心动词。如果既想要定义又想要案例，用「先…再…」结构拆成两步，不要在一句话里塞两个问句，否则模型会选其中一个回答，另一个自然丢失。

2.4 详细说明要求与举例说明：显式约束加隐式约束

绿皮书的第四条公式是详细说明输出格式、长度、语言风格，第五条是给出1到2个示例。这两条放在一起看，本质上是同一件事的两面：显式约束说「你要什么」，隐式约束用示例告诉模型「你说的要什么到底长什么样」。

请以不超过500字的简短文章形式，介绍孩子如何学习编程。 另外参考这个风格： 上次你给我列举了旅游新西兰的5个最佳地点，这次也请给我列出旅游意大利的5个最佳地点。

显式约束的火候在于给区间而不是给上限。写「不超过500字」，模型会往400到500字之间凑；写「400到500字」，它会收敛到区间中值附近，输出更可控。隐式约束的坑是给太多示例，给三个以上，模型会开始模仿示例里的细枝末节，反而丢失任务本身。我自己一般控制在一个示例，最多两个，并且两个示例的风格差异要拉开，让模型提取「列表式、带数字、口语化」这类抽象特征，而不是复制具体句子。

2.5 添加限制条件与多次迭代：让AI知道红线在哪

限制条件本质上是给模型的采样过程加了一个负约束——不直接告诉它输出什么，而是告诉它避开什么。绿皮书给出的句式：

请回答我的问题，但请不要提供任何有争议或令人反感的内容。

敏感话题、合规边界、品牌词，都可以用这个句式拦截。注意参数位置：限制条件写在指令尾部比写在头部有效。写在头部，模型会进入「防御模式」，整段输出都变得保守；写在尾部，模型先理解任务，再收到边界，输出质量损失最小。

多次迭代是这条公式的另一半。它不是失败重来，而是正常的工作流：第一版Prompt输出不理想，就往里叠上下文、叠示例、叠约束，每次只改一个变量，观察输出变化。绿皮书的原话是「写好Prompt需要多次尝试」，这句话在实操里应该被翻译成：每次只改一个参数，改完看输出，记录差异，再改下一个。改多个参数等于什么都没改，因为你看不出是哪个变量起了作用。

下表是七条公式的速查：

3. 新媒体运营落地：小红书笔记与短视频开头的指令模板

3.1 小红书笔记万能指令：人设、正文与配图的完整框架

绿皮书里最完整的模板是这条小红书笔记指令，它把一篇笔记拆成了身份层、结构层、规则层、对象层四部分。我在实际使用中把它整理成了可直接复制的版本：

从现在开始，我想让你担任小红书的创作者。你的任务是根据我提供给你的主题，撰写 一篇小红书的笔记，包括标题、正文、行动呼唤、配图建议3个部分。具体要求： 1、你的人设是该主题领域的专家，语言需要权威。 2、标题需要吸引人，最好带有数字，并考虑SEO关键词匹配，也需要带有小红书平台 特色的热门表情符号元素，参考类似「这8个自动文案神器真的绝了」的写法。 3、正文控制在1000字以内，尽量在600到800字之间，至少加入5个表情符号元素。 4、正文末尾需要@一些小红书相关主题的官方账号，通过#的方式加上相关话题。 5、行动呼唤结合目标用户痛点，设计福利资料包吸引评论，比如健身教程配训练计划 PDF，PS教程配工具下载链接。 6、配图部分给我一些配图的内容建议和方向，尽量提供与主题相关的图片URL。 我的第一个请求是「如何选择合适的offer？」。

这条指令的核心不是长，而是分层。身份层约束人设，结构层固定了标题、正文、行动呼唤、配图四个输出块，规则层用数字作战——字数、表情符号数量、标题里有没有数字，对象层就是最后那行「我的第一个请求是…」。

参数细节：末尾这个「我的第一个请求是…」是变量位，每次换主题只改这一行，前面的框架不动。这个设计非常关键——它让你不用每次重写一整套指令，只替换业务变量。另外注意「正文600到800字」是区间约束，只写「1000字以内」模型容易给你800到900字的版本；区间约束会让输出收敛到中值附近，这是模型概率分布决定的，不是玄学。

3.2 短视频开头BPKT指令：把「抓人」拆成可执行的检查点

「开头要吸引人」这种要求太抽象，模型听了等于没听。绿皮书的高明之处在于把「吸引人」拆成了七个可以逐条对照的检查点，并命名为BPKT。这是一条典型的把隐性经验显性化的指令：

你是抖音短视频运营专家，擅长短视频开头的文本创作和优化。接下来你需要作为我的 短视频开头写作助手，我会给你短视频标题，你需要帮我撰写开头。以下要求定义的开头 撰写方式称为【BPKT】： 1、引人入胜：用问题、冲突或意想不到的观点激发好奇心。 2、简洁明了：开头直戳主题，不拖泥带水。 3、视觉吸引：建议画面亮点或视觉冲击元素。 4、语言简练：避免专业术语，让观众在短时间内明白主题。 5、制造悬念：留下好奇点，让观众想继续看。 6、突出价值：让观众知道继续观看能得到什么收获。 7、快节奏：避免过长的铺垫。 好的开头例如：…

我在拆这条指令时注意到一个容易忽略的设计：第2条「简洁明了」和第7条「快节奏」在语义上重叠，但它们的实现手段不同——一个管句子长度，一个管信息密度。如果你图省事把它精简成五条，输出反而会少一个层次。

参数说明：BPKT的价值在于它是一个「多约束优化」问题。模型生成时会在七个维度上做权衡，而不是只追逐「吸引人」三个字。使用这个指令时，记得把你自己的示例填进「好的开头例如」的位置——这一步很关键，示例是模型校准风格的最短路径。

3.3 标题优化与B站场景适配：从抖音到B站的参数迁移

标题优化指令（BPBT）是BPKT的「少版本」——只有三条要求：引人入胜、制造悬念、突出价值。我把这个模板用在B站标题上做过迁移，效果比直接套抖音指令好得多：

你是B站短视频运营专家，擅长短视频标题的撰写和优化。我需要你作为我的短视频标题 写作助手，我会给你一些短视频标题，你需要帮我撰写标题。以下要求的标题撰写方式 称为【BPBT】： 1、引人入胜：用问题、冲突或意想不到的观点激发好奇心。 2、制造悬念：留下疑问，让观众想看下去。 3、突出价值：在标题中表现视频的独特价值。 4、标题控制在20字以内，允许包含具体数字。 好的标题例如：《不要做只会让你贫穷的职业规划》。

注意：从抖音迁移到B站，只改平台名是不够的。抖音标题更强调前3秒的刺激，B站标题因为搜索占比高，需要留出关键词空间。所以我加了第4条「控制在20字以内」——这是B站标题的实际规格，同时默认模型用关键词匹配的思路来写。短视频标题平台迁移时，至少要同步调整两处参数：字数上限和关键词策略，否则模型会照搬源平台的风格。

提示：指令里的「平台名」不只是称呼，它会影响模型调用的内容风格库。写「你是抖音运营专家」和「你是B站运营专家」，模型对标题节奏、信息密度的默认值完全不同。

3.4 指令里的数字不是装饰品：参数怎么设、什么时候不该设

绿皮书所有模板里都带数字——字数、条数、表情符号数量、阅读数据。这些数字是让输出可控的关键：

数字约束不是拍脑袋。小红书正文的黄金长度在600到800字，是因为这个长度能触发「读完」的互动权重；标题里带数字，是因为数字能降低认知成本。这不是模型偏好，是平台用户行为决定的。

但有一条边界：不是每条指令都该设数字。如果你要的是发散型内容——头脑风暴、选题灵感、创意方向——就不该设字数和条数，设了反而压制多样性。我的做法是区分「生产型指令」和「发散型指令」：前者设参数，后者只给方向和边界。用错类型是新手最常见的翻车原因，没有之一。

4. 选题调教与风格延续：让AI成为懂你的内容搭子

4.1 选题调教指令：先让AI列出它能扮演的角色

绿皮书的选题调教部分，藏了一段非常典型的多轮对话。用户没有直接要选题，而是先问AI「你需要我定义哪些角色」。AI列出了十个它可以扮演的身份：信息搜集者、趋势分析师、创意发想者、数据解读者、话题挖掘机、目标受众分析师、多样性和包容性倡导者、热点事件跟踪者、专家引用和观点整合者、选题排列组织者。然后用户才说「从现在开始，你需要具备以上全部角色」。

这个顺序很有讲究。让AI先自我声明角色，等于给后续输出铺了一层行为约束——它说出「我可以扮演十个角色」之后，再收到「请全部扮演」的指令，会自动用十个视角轮流分析，而不是只从单一角度给答案。直接要选题的话，模型只会给出最安全的三个大众话题。

我希望你作为我的新媒体选题助手。请先列出你能扮演的角色，我会根据需求选择。 （AI列出角色后） 好的，从现在开始，你需要具备以上全部角色。我负责半撇私塾的订阅号，去年账号 平均文章阅读600左右，通常植入0.1元的超级会员来转化读者。目标有2个：提高阅读 量和转化率。现在遇到的问题：1、文章平均阅读在300左右；2、植入的超级会员很难 转化。这是过去1周的历史选题和数据： 1、7大热门运营岗位，小白适合哪一个？阅读244 2、又双叒叕失业，混不下去了就转行新媒体运营吧！阅读237 3、要离职了被同事要求请吃饭，怎么办？阅读413 4、岗位内推丨8月招聘：25k，15薪offer等你来拿！

这段对话的另一个关键点是历史数据全部带数字。模型对数字的敏感度远高于对形容词的敏感度——写「数据不好」它只会泛泛而谈，写「阅读244/237/413」它会自己去发现规律：前两篇主题相似导致疲劳，第三篇有共鸣所以高，第四篇偏离定位所以低。数据就是喂给模型的事实锚点。

4.2 用阅读数据喂AI：从「我觉得」到「数据说」

绿皮书里AI对历史选题的分析维度可以提炼成一套可复用的框架：主题广泛性、选题创意相似性、受众匹配度。我在日常复盘里把这套方法封装成了一条固定指令，维度明确指定，AI的输出就是一份可以直接贴进复盘的结论。

这是我们的定位、目标、历史选题数据。请从主题广泛性、选题重复度、受众匹配度、 互动潜力4个维度分析问题，并给出改进建议： 定位：新媒体运营订阅号，受众是转岗和求职小白。 目标：提升阅读量、提升0.1元超级会员的转化率。 历史数据： 1、7大热门运营岗位，小白适合哪一个？阅读244 2、又双叒叕失业，混不下去了就转行新媒体运营吧！阅读237 3、要离职了被同事要求请吃饭，怎么办？阅读413 4、岗位内推丨8月招聘：25k，15薪offer等你来拿！

直接丢数据给AI，它会给你正确的废话；指定维度之后，它会按维度逐条输出。参数细节是维度数量控制在三到四个。太少模型钻不深，太多它会平均用力、每个维度都说不到点上。这套「定位+目标+数据+指定维度」的结构完全可以迁移到抖音账号复盘、知乎账号分析、公众号选题规划，换场景只改定位和数据的值就行。

4.3 写作风格延续指令BPFG：把「文风」变成可复用变量

绿皮书末尾的写作风格延续指令是我最常用的模板。它把写作风格定义为一个可以反复调用的变量，第一次定义清楚，之后每次只需要写「按BPFG风格写」：

接下来，我会给你一些关于写作风格的要求，我们将符合这些要求的写作风格定义为 【BPFG】： 1、专业且贴近读者：语言通俗易懂，避免过于专业术语，用「你」而不是「您」称呼。 2、分享实际案例：结合真实案例或成功经验，让读者容易产生共鸣。 3、简洁明了：使用简洁的句子和段落，不过于冗长。 4、鼓励互动：在所有输出内容的最后，鼓励读者留下评论或提出问题。 接下来，请使用【BPFG】的写作风格撰写一篇题目为【xxx】的知乎回答。

这个指令的巧妙之处是命名。一旦定义完成，后续所有对话里只需要说「按BPFG风格写」，模型会记住整套规则。这相当于在模型的工作记忆里注册了一个全局变量，每次少复制几百字，还减少了上下文占用。

参数说明：风格定义用「正面要求+反面禁令」的组合最有效。「用‘你’而不是‘您’」是一条精确的反面指令，比「要亲切」好使。反面禁令越具体越好——「避免专业术语」不如「把术语替换成大实话」有效，因为后者给了模型一个可执行的动作。我把这套方法用滥了：「小红书风格」「知乎专业风」「老板汇报风」都定义成变量，切换风格只需要改一个词。

4.4 诱饵设计与转化：让AI帮你设计福利资料包

绿皮书里另一个贯穿全文的概念是「诱饵」——行动呼唤部分用来吸引评论的福利资料包。这个概念放在今天看依然是转化设计的核心。AI在选题调教对话里给出的诱饵建议相当实操：

1. 诱饵必须和选题高度相关：AI+新媒体的文章配「AI辅助创作指南」加免费工具试用码，而不是通用资料包
2. 设置付费门槛：领取诱饵需要付费，购买0.1元超级会员免费——把「领取」变成「开通会员的理由」
3. 在正文里解释诱饵价值：不能只说「文末有福利」，要说清楚这份资料能解决什么具体问题

帮我为下个月的选题设计诱饵。目标用户是想做新媒体副业的小白，目标是通过诱饵 引导他们购买0.1元超级会员。请为每个选题推荐诱饵类型、诱饵内容大纲、以及 正文中的价值描述文案： 选题1：用AI创作：如何为你的自媒体打造独特创意内容 选题2：新媒体运营：利用AI工具提升你的内容创作效率

设计诱饵的本质是相关性设计。绿皮书里的原话是「如果笔记主题是健身教程，福利诱饵可能是训练计划PDF」——抽象出来就是：诱饵必须是内容主题的生产工具或成果物。「运营干货100篇」这种泛诱饵的转化率一定低于「AI工具清单+试用码」，因为后者和文章主题是同一件事。命令行文里我特意加了「价值描述文案」这个要求——别只听诱饵清单，还要让AI替你写正文里的带货话术，不然活只干了一半。

5. 常见问题排查：闪退、Token超限与输出跑偏的解法

5.1 Prompt闪退：指令本身成了解析的牺牲品

现象：长的Prompt粘进去，还没等模型回答，界面直接报错或者转圈消失，有时会看到invalid prompt之类的提示。

原因：多数情况不是网络问题，是指令里有歧义字符或格式冲突——不对齐的引号、中英文逗号混用、复制时混入的隐藏字符。模型在解析阶段就挂了，根本到不了生成环节。长指令最容易出这个问题，因为格式错误往往藏在后半段，平时注意不到。

解决：先把Prompt粘贴到纯文本编辑器里清洗一遍，再贴回对话框。检查引号是否成对、每行有没有多余空格。我还会在指令开头加一行「请仅根据以下指令作答，不要解释指令本身」——这一行能同时压制模型对指令做无意义的元评论。

5.2 Token超限：上下文太长导致指令后半段被截断

现象：指令越来越长以后，模型只响应前半段、忽略后半段的格式要求；或者新一轮对话里它「忘了」之前定义的BPFG风格。

原因：模型对上下文长度有硬性限制。指令越长，留给生成的空间越少。当上下文接近上限时，部分模型会优先响应靠前的指令，丢尾部的约束——所以最先被牺牲的往往是字数、格式、限制条件这些写在后面的参数。

解决：把指令拆成「固定前缀+变量」。固定前缀放人设、规则、风格定义，每次任务的具体要求放在最后。风格定义只做一次，之后用「按BPFG风格写」引用，不要每次都复制整段。这样上下文占用压到最短，尾部约束永远在窗口内。我一般按一个中文字符大约对应0.7到1.4个token来粗算，接近上限就裁剪背景描述，保留业务数据。

5.3 输出被Flagged：不是内容违规，是指令里的词触发了过滤器

现象：Prompt内容完全正常，但模型回复「无法生成」，或者出现类似potentially violating usage policy的报错。

原因：指令里的某些词触发了生成侧的安全检查。这里有个反直觉的坑：指令里的否定句反而会把敏感词喂进上下文。比如「不要提供有争议或令人反感的内容」，模型先看到「有争议」「令人反感」这些词，过滤器直接拦截，任务还没开始就结束了。

解决：把负面限制改成正面替代。不说「不要提及X」，说「请只回答与Y相关的内容」。比如「不要回答政治话题」改成「请只回答与运营技巧相关的内容」。写完指令后，通读一遍，检查有没有把红线词写进去——这个习惯能省掉大量莫名其妙的被拦截。

5.4 越调越差的死循环：一个参数改了三次，输出反而更差

现象：对输出不满意，给AI加了「更详细一点」「更生动一点」的要求，结果每次调整都让输出变得更空洞，最后变成全是套话的废稿。

原因：模糊的增强词起的是反效果。「更详细」会让模型把每句话都拉长，「更生动」会让它堆形容词。模型并不理解你的真实痛点——你可能只是觉得开头不够抓人，改的却是整体篇幅。这是Prompt迭代里最典型的浪费。

解决：把「哪里不对」翻译成具体的参数修改。开头不抓人，加「第一句必须用问句」；语气不专业，加「删除所有口语虚词」；结构散，加「每段用总—分结构」。我养成的习惯是：不说形容词，只给动词。每一个修改要求都必须是一个可以核对是否完成的操作，而不是一个感受。

5.5 同一指令两个模型输出完全不同：模型差异不是玄学

现象：同一套指令，在ChatGPT上输出是标准列表，切到Claude就变成散文段落；在GPT上能用的限流指令，Claude会自动补充很多解释。

原因：不同模型的指令遵循度不一样。GPT更擅长跟随「输出格式」指令，Claude带有更强的解释倾向——你不说「不要解释」，它会默认先解释一遍再给答案。同理，Bard等同类模型对「角色扮演」类指令的理解方式也各有差异，公式通用，参数要微调。

解决：在核心指令里加一条「不要解释指令，不要输出思考过程，直接给出答案」。这个句式对Claude尤其有效。跨模型复用模板时，先跑一轮最小测试：只给角色定义和一句话任务，看模型输出，再决定要不要调整指令强度。

6. 沉淀自己的Prompt模板库：验证与迭代的收尾功夫

绿皮书给的是一套公式，但公式要变成肌肉记忆，得先沉淀成模板库。我把它浓缩成一张模板卡：

模板卡写多了你会发现，所有生产型Prompt都是「角色+任务+输出约束+限制+变量位」五件套。缺一项，输出就失控。

验证方法也很简单：同一个Prompt连续跑三次，比较主题相关性和句式差异。如果三次输出的首句完全不同，说明指令的约束强度够了，可以放行；如果三次开头都是同一句式，说明示例把模型锁死了，需要删掉示例，或者换成风格差异更大的两个示例重新校准。如果三次输出内容稳定一致、没有离散度，也是问题——说明指令收得太紧，生成的是模板化的空话，这时候要放宽一个参数试试。

token预算是我每次写长指令前必做的粗算：一个中文字符大约0.7到1.4个token，一屏对话大约能撑1500到2000字的输出。指令超过这个量，我会砍背景描述，保留业务数据，把风格定义改成引用变量。

有一次我写一条选题分析指令，改了十几轮，越改越迷糊，输出的建议一条比一条空。后来复盘发现问题出在变量位和固定部分混在一起，每次调整都在动全局框架。从那以后，我每次定义新指令都强制走一遍五件套拆分：先拆出固定框架，再单独维护变量位，调参只动变量位，框架永不改。这么一来，改一条指令的时间从半小时压缩到五分钟，踩坑的概率也低了很多。希望帮到你。

本文还有配套的精品资源，点击获取