企业官网建设流程全解析

简介：这份PDF是一份围绕ChatGPT Prompt指令集与角色扮演展开的实用指南，面向K12师生、AI交互爱好者以及自然语言处理入门者。内容从“Prompt是什么”引入，说明Prompt如何启动对话、问答并应用于智能客服、教育交互、智能助手等场景，随后系统拆解四种提问构造模式：特定指令、指令模板、代理模式与示例模式，每种都配有示例。比如用STAR原则让ChatGPT总结工作经历，在代理模式中使用“act as xxx”让模型扮演教师、顾问或历史人物，从而提升教学互动与情境理解。示例模式则可用于自动生成电子邮件、产品描述、新闻报道等风格一致的内容，并延伸至规则游戏设计。资源为单个PDF文件，大小1.57MB，排版紧凑，便于按章节反复查阅。目前已有1286人学习，适合希望在K12教育、内容创作或智能对话场景中高效利用ChatGPT、并通过优化Prompt获得更精准回答的读者。

1. 拿到这份“ChatGPT指令集&角色扮演”，我先把Prompt拆成了四种用法

手头这份《ChatGPT指令集&角色扮演.pdf》最值得看的地方，是把很多人靠猜的Prompt用法拆成了四种可复用的模式：特定指令、指令模板、代理模式、示例模式。过去我们和ChatGPT打交道，基本是“问一句得一句”，回答质量全看运气；这四种模式解决的问题，就是把“碰运气”变成“可控生成”。我是在做K12课堂互动内容时接触到的这套思路——老师需要大量生成知识点讲解、变式题和对话场景，而角色扮演和示例模式恰好能补上这块空缺。适合内容创作者、教育信息化从业者、产品经理和任何想把GPT模型用出效率的人。

2. 特定指令与指令模板：先学会把需求“格式化”

2.1 特定指令模式：把问题写窄，输出才能不跑偏

特定指令是最容易上手的模式。它不需要复杂的角色设定和示例，只需要给出足够具体的主题、关键词和输出要求，模型就会围绕这些信息生成内容。很多人觉得这个模式“太普通”，但实际上80%的回答跑偏，都是因为问题写得太宽。

举个例子，同样是让ChatGPT生成教学材料，对比两种写法：

# 不推荐的写法 请生成几个数学题。 # 推荐的写法 请生成3道小学五年级的分数加减法应用题。 要求： - 每题包含一个生活场景，例如分蛋糕、分铅笔； - 难度由易到难排列； - 在每道题后面附上答案和简要解析。

这段Prompt和“生成几个数学题”的差别，在于它把“输出范围”锁死了：数量是3道，受众是小学五年级，知识点是分数加减法，格式是“生活场景+难度顺序+答案解析”。模型收到的信息越明确，能自由发挥的空间就越小，输出的可用率也就越高。我一般会把“特定指令”看作一个填空公式：给主题、给对象、给数量、给格式。这四个维度写齐了，基本不会出现空泛的大路货。

这里有个容易被忽略的参数：难度标注。对同一个知识点，如果只写“生成数学题”，模型会按默认语料库的平均难度出题，对K12课堂来说不是偏难就是偏易。加上“五年级”和“由易到难”，模型才会按对应学段的认知水平调整表述。特定指令模式的局限也很明显：它适合回答“是什么”“怎么做”，但如果需要模型按固定结构输出长文本，比如总结一段工作经历、把散乱笔记整理成手册，就需要升级到指令模板模式。

2.2 指令模板模式：按“场景+输入+期望输出”搭骨架

指令模板模式，比特定指令多了一层“结构约束”。它不只是在问题里加细节，而是告诉模型：我给你一段什么样的背景，你使用什么方法来处理，最后用什么样的格式交出来。这份PDF里给了一个很典型的结构——场景描述-context、给定输入-input、期望输出-output，再加上一个具体原则，比如STAR原则。

下面直接套用原文的例子，看一次完整调用过程：

使用STAR原则，按下面的格式总结这段话： 格式： S - Situation情境： T - Task任务： A - Action行动： R - Result结果： 输入： 在一个客户对我们不满已久的项目中，我重新规划了团队成员的任务， 建立了相应的激励机制，组织了团队建设活动， 最终带领大家为客户重新推出了一个xx方案， 客户非常满意，当场就跟我们续了约。

ChatGPT的输出会严格对齐四行结构：

S - Situation情境：在一个客户对我们不满已久的项目中。 T - Task任务：重新规划团队成员的任务，建立相应的激励机制，组织团队建设活动。 A - Action行动：带领团队重新推出一个xx方案。 R - Result结果：客户非常满意，当场就跟我们续了约。

注意这里的关键点：指令里必须同时给出“原则”和“格式样例”。如果只说“用STAR原则总结一下”，模型也能处理，但很可能把Action写成一段长句，或者把情境和任务合并。你在指令里给一个“S - ”开头的格式示例，相当于给模型画了一条结构轨道，它会主动把自己要生成的内容塞进这个轨道里。我实际使用的经验是，这种模板适合所有“信息转化”类任务：把会议纪要改写成待办清单、把论文摘要改写成科普稿、把对话记录改写成复盘报告。写法可以抽象成三块：

背景：这段文本从哪来，给谁看。 任务：用什么方法论或结构处理它。 输出：给我什么格式，分几段，每段开头用什么标记。

做这一步时最容易犯的错，是把模板写成“万金油”。比如写“请帮我总结这段内容”，但不说“按时间顺序分三条”或“按优点和风险分两列”，模型输出全看心情。还有就是模板嵌套不要超过三层，层数一多，模型会把“格式要求”当“内容主题”，直接给你写一篇关于STAR原则的科普文。指令模板的精髓是把结构交代完就闭嘴，剩下的交给模型补内容。

3. 代理模式与示例模式：让人设和样本一起“带节奏”

3.1 代理模式：用“你是…你要…你不要…”三句话立住人设

代理模式就是我们常说的角色扮演，核心方法是给ChatGPT指定一个身份：某学科老师、面试官、客服专员、历史人物。身份一旦设定，模型就会从该角色的语料分布里挑选用词、语气和信息边界。在K12交互场景里，这套玩法特别适合模拟师生对话或历史人物访谈——学生问问题，AI用指定角色回答，课堂互动感会强很多。

一个简洁的代理模式Prompt是这样组织的：

# 角色：小学数学教师 你是一位有十年教学经验的小学数学教师，擅长用生活例子讲清楚抽象概念。 # 任务：讲解分数加法 请用小学生能听懂的语言，解释“1/4 + 3/4”的计算过程。 # 输出要求： - 先举一个分蛋糕的生活例子 - 再分步骤写计算过程 - 最后给出一道同类练习题 # 限制： 如果问题超出小学数学范围，请直接说“这个问题超纲了”，不要继续回答。

角色设定的作用不只是语气，更重要的是“知识边界”。不加角色时，模型会默认用通用助手口吻回答，术语密度高、例子的年龄适配性差。加了“小学数学教师”后，模型会自动降低词汇难度，并且主动夹带“分蛋糕”这类具象化场景。角色信息越具体，输出越稳定，但别把角色背景写成简历。我试过给角色加五六条身份描述，比如“教育专家+心理学硕士+课程设计师+产品经理”，结果输出的语言风格在四种文风之间来回横跳，比没设角色还糟。

套用“你是…你要…你不要…”这个骨架，可以快速收敛角色行为。“你是”规定身份，“你要”规定任务，“你不要”给出禁区。这里的“不要”句尤其关键：它防止模型入戏太深。比如让ChatGPT扮演一位严格的面试官，如果你不限制，模型可能真的会持续连环追问，忘了你只想让他模拟三轮问答。

3.2 示例模式：给模型“抄作业”的机会

示例模式，是给模型提供一段或几段样例文本，让它模仿样例的句式、结构或口吻去生成新内容。这个方法在专业场景里有个名字叫少样本提示，本质上是靠预训练模型在少量上下文里的模式补齐能力工作。你可以理解为，你扔给模型的这几段示例，就是它“抄作业”的参照系。

最常见的用法是我给模型一个“标准答案”，再扔一个空白题目让它填充。举一个教学导入语的生成场景：

下面给出一条教学导入语示例，请按同样的风格 为指定主题写一条新的课堂导入语。 示例1： 主题：分数的大小比较 内容：“今天老师带来了两个同样大小的蛋糕， 一个被切成了七块，另一个被切成了九块。 你拿第一块的三块，我拿第二块的两块， 我们俩谁拿到的蛋糕更多？” 要求新写的主题：质数与合数 内容：

模型在拿到示例后，会尝试复用示例里的“生活实物引入+悬念提问”结构，输出开场白里大概率会出现“数字卡片”“分组游戏”这类同质感内容。示例模式比特定指令和代理模式都稳，因为模型不用“理解”你的指令意图，只需要对齐文本模式。但门槛和副作用也在这里。

参数设定上，我一般给1到3个示例。给太少，模型容易只模仿表层句式；给超过3个，占用的上下文变长，回答延迟增加，而且模型会注意到示例之间的细微差异，主动“融合”出一些不伦不类的东西。另一个技巧是给反例。比如在示例末尾加一句“不要使用‘亲’字，不要使用感叹号”，约束力度比给十个正例都大。模型对否定词的回应非常灵敏，这也是示例模式下最值得用的调参手段。

4. 避坑指南：控制变量、术语污染与输出偏离

4.1 指令太宽，得到的全是“正确的废话”

现象：写“帮我解读这段代码”，模型回了一堆“这段代码实现了一个登录功能，包含用户名密码校验”之类的概述。信息没有错，但对排查问题毫无帮助。原因：Prompt没有限定输出角度，模型只能挑选最安全、最泛用的表述。解决：把“解读”拆成具体动作，例如“这段代码里的登录逻辑有没有越权风险？只关注异常分支”。在特定指令模式里，把“问题+对象+角度”三要素写齐，输出才会从“是什么”转向“怎么样”。这个坑每个刚用指令集的人都会踩，因为它和日常口语习惯冲突——和人说话时，对方会追问，但模型不会，你给多宽的边界，它就交多空的答案。

4.2 角色设定里堆术语，输出变成“四不像”

现象：一句Prompt里给了模型三个身份——智能客服专家、自然语言处理工程师、资深运营。模型回答时，一段话里既有“请您按照指引完成操作”的客服腔，又有“基于Transformer架构的意图识别模块”的技术词，还有“私域流量”的运营黑话。原因：角色设定数量太多，模型不知道该按哪套语料库生成文本，索性混合了所有身份的词表。解决：一个角色只干一件事，把任务拆分成两步。第一步让“技术专家”输出纯技术内容，第二步让“运营人员”改写口吻。角色设定里每多一个身份，输出方差就大一分，控制在“身份+领域”两个维度以内最稳。

4.3 示例模式被样本“带歪”，模仿腔很重

现象：给模型一个风格很强、句式很有特点的示例，比如每句话都带破折号或网络梗，模型仿写出来的新内容“塑料感”极重，结构没错，但读着像机器人装人。原因：模型模仿的是表层句式，不是底层逻辑。示例的特色越明显，模型越会放大这种特色。解决：改用更朴素的示例，句式尽量平直；如果必须保留风格，就同时给一个反例限定禁用词。示例本身要“像人话”，而不是“像范文”。实际调试时，可以在示例里故意放一句背离期望风格的句子，观察模型是否跟着跑偏，跑偏就换示例。

4.4 模板叠加过多，模型越解释越复杂

现象：把代理模式、指令模板和示例模式全部塞进一个Prompt，总字数接近两千字。结果模型输出内容严重超长，回答里出现了角色身份之间的互相冲突。原因：模型会在多个指令之间寻找“权重平衡点”，指令数量越多，模型越容易把一部分指令当成干扰噪声，猜错主次。解决：每次只改一个变量。先跑通角色设定，再叠加输出模板，最后补示例。只要输出出现明显偏移，就把上一步的改动撤回来。给参照：同一时间，同一目标，同一条Prompt里的独立指令不要超过5条。如果确实需要复杂控制，拆成多轮对话，先让模型输出初稿，再在下一轮补充修改意见。

5. 进阶：把四种模式组合成一个可复用的“模板引擎”

5.1 组合示例：搭一个K12数学讲解助手

四种模式单独用各有短板，组合起来就是一个完整的提示词模板。下面这段Prompt来自我多次调试后的一个通用骨架，适用于“出题+讲解+互动”三类教学任务：

# 角色设定（代理模式） 你是一位小学数学教师，讲解风格像邻家的哥哥姐姐， 不说术语，只打比方。 # 任务模板（指令模板） 请完成以下三个步骤，每一步用一个段落： 1. 用生活场景引入知识点； 2. 写一道对应的例题并完整解答； 3. 出一道变式题，让学生练手，不要给答案。 # 风格参考（示例模式） 引入部分参考这个感觉： “想象你把一个巧克力棒掰成四段， 你吃了其中一段，也就是四分之一， 剩下的三块合起来是多少呢？” # 本次主题 分数加法 # 输出格式 每个步骤前用“第一段/第二段/第三段”标记。

组合的核心逻辑是分层：代理模式把语言风格框定在“小学教师”，指令模板把任务结构框定在“三步走”，示例模式把表达颗粒度框定在“生活化比喻”。三个机制各管一段，互不干扰；如果发现输出偏离，也能快速定位是哪一层出了问题。

我还有一个验证习惯，每次搭完模板会走一遍三级检查表。第一级看角色：输出里有没有出现超范围的术语或口吻；第二级看结构：三步是否齐全；第三级看风格：和示例的相似度是否在可接受范围。检验时可以专门用一个“坏输入”测试边界，比如故意问一个偏题问题，看角色限制是否生效。

那之后我再也没有一上来就堆Prompt。每次都会先写一个最小可用版本，跑通一轮，再逐步加一层约束，只在上一版稳定时才动下一项。这种控制变量的调试习惯，是从这份PDF里学到的最值钱的东西。希望帮到你。

本文还有配套的精品资源，点击获取