简介《ChatGPT指令集角色扮演.pdf》面向K12教师、学生及希望提升AI交互效率的初学者围绕Prompt设计与角色扮演展开帮助读者弄清如何用更清晰的输入引导模型给出可用回答。压缩包内共1个PDF文件大小约1.57MB便于在电脑或平板上直接查阅。内容从Prompt的基本含义讲起梳理特定指令、指令模板、代理模式与示例模式四类常见用法并结合STAR原则总结、教学问答、模拟历史人物对话等场景说明组织提示词的思路。读者可据此掌握按任务选择对话模式、规范输入结构与通过角色设定控制输出风格的方法也能了解在智能客服、教育交互和智能助手中迁移应用的边界。已有1303人学习适合作为提示词入门与课堂互动实践的参考材料。1. 提示词不是提问是在给模型划一条可控的生成轨道很多人第一次接触大模型交互时脑子里装的还是一个搜索引擎的模型我输入一句话它返回一段结果输入越短越省事。可真正用起来就会发现一个反直觉的现象——同一件事随手问一句得到的回答干瘪空洞换一种说法、给个身份、配个格式输出质量能差出好几个量级。这不是运气也不是所谓的玄学而是因为提示词prompt本质上不是「问题」而是对模型生成空间的一次约束。模型在每一步都是在巨大的候选词分布里采样你给的文本就是唯一的条件信号条件越具体分布被收窄得越准落到你想要的结果上的概率就越高。这份《ChatGPT 指令集角色扮演.pdf》讲的正是这件事把交付给模型的输入拆成特定指令、指令模板、代理模式、示例模式四类结构分别对应四种收窄方式。搞懂这四种模式为什么有效比背一百条现成提示词更有用——因为前者能让你自己造。2. 四种交互模式为什么同一句输入会走出完全不同的生成路径先给结论四类模式的差别不在于措辞漂亮与否而在于它们向模型注入的约束类型不同——分别约束了任务、结构、身份、风格。理解这一点你在自然语言处理实践里设计任何提示词都能先问自己一句我现在缺的到底是哪一种约束。2.1 特定指令模式约束的是任务边界特定指令By specific是最简单也最常用的一类给一个明确的问题或一组关键词让模型生成相关文本。它的作用机制在于输入里的名词和动词直接把模型的注意力锚定到某个语义区域把「接下来该写什么」的分布从近乎全空间压缩到一个窄带里。普通输入 聊聊团队管理 特定指令 列出 5 条适用于 10 人以下研发团队的周会机制每条一句话说明解决了什么问题第二条输入里「列出 5 条」限定了输出形态和数量「10 人以下研发团队」限定了适用域「周会机制」限定了主题「每条一句话说明解决了什么问题」限定了每条内容的内部结构。四层信息叠在一起模型能自由发挥的缝隙就很小了。反过来如果只写「聊聊团队管理」模型不知道你要的是故事、观点、清单还是方法论它只能按训练语料里最常见的那个平均形态回应——这就是「回答很空」的真实原因不是模型笨是条件太稀。实际使用中还有一个小细节值得注意特定指令里的动词对输出形态的影响极大。「解释」「对比」「列出」「改写」「评估」会激活完全不同的生成骨架。我一般会把它当作命令行的子命令来用先定动词再补参数。2.2 指令模板模式约束的是输出结构指令模板Instruction Template比特定指令多走一步不只告诉模型做什么还规定产出的骨架。原文给出的表述是三段式——场景描述 context、给定输入 input、期望输出 output。这个结构之所以有效是因为自回归生成是逐词往下走的前面已经生成的内容会成为后面生成的条件。一旦你让模型先吐出一个格式化的开头后面的内容就被这个开头「带」进了同一套结构里。原文举的例子很典型要求模型用 STAR 原则总结一段工作经历。使用 STAR 原则与下面的格式总结一下这段话 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。 模型返回的是 S情境、T任务、A行动、R结果四段拆解。这里的关键不是 STAR 这个缩写本身有多神而是它提供了一个可校验的槽位集合。没有模板时模型可能给你一段 300 字的复述有了模板输出变成了四个必填字段缺一个你一眼就能看出来。这就是结构化提示词的工程价值它让「生成质量」从一种只能凭感觉判断的东西变成了可以逐项检查的东西。在需要批量处理的场景里这个差别会被放大。比如要把几十条用户反馈归类用固定模板输出成「问题类型 / 严重程度 / 原文摘要」三列你后续可以直接做表格解析而自由文本输出光是从里面抽字段就够折腾半天。常见的实现思路是先把模板固化成一段系统级前缀每次只替换中间那条用户输入这样既保证结构一致又省去重复描述。2.3 代理模式约束的是身份与语境代理模式By proxy也就是大家熟悉的「扮演」——让模型以某个特定角色、身份或对象的立场来组织回答。原文点出它的核心是「引入一个中介对象来控制对实际对象的访问」这个说法借的是设计模式里的代理概念用来理解提示词其实很贴切模型本身没有固定人格它输出的语气、用词、知识侧重全都由上下文决定你指定一个身份等于给这次生成挂了一层「滤镜」。为什么这招有效从机制上讲角色描述会同时带来三样东西一套词汇偏好医生会说什么术语、一套推理立场会优先考虑哪些因素、一套对话惯例怎么开头、怎么收尾。这些在预训练语料里是高度共现的所以一句「你是一位有二十年经验的小学数学老师正在给一个对分数概念感到困惑的三年级学生讲解」能一次拉起大量相关的语言模式。原文也给了参考清单的地址列出了可扮演的角色方向。落在教育交互这类场景里代理模式的价值特别明显让学生和「模拟的历史人物」对话或者让模型扮演一个不断追问的苏格拉底式提问者输出的趣味性和沉浸感会显著高于直接问答。但要注意角色越具体泛化能力越窄——设定成「严谨的学术审稿人」之后你让它写营销文案就会很别扭。2.4 示例模式约束的是风格与判定规则示例模式By demonstration是四类里门槛最高、效果也最猛的一类不描述规则直接给几个样例让模型从中归纳出规律再照着生成新内容。原文的说法是「只需要我们定义好规则那么他的结论绝对是震惊的」——更准确的理解是你用样例把规则「演示」出来了模型做的是上下文内的模式归纳。请模仿下面三条示例的风格为「深夜的便利店」写一条同样调性的短句 示例1雨停在半空路灯替它落了地。 示例2旧钟慢了三分钟没人打算修。 示例3他把未寄出的信折成船放进茶杯。 输出三条示例共有的特征是短句、具体意象、轻微的超现实、情绪靠物件承载。模型不需要你总结这些特征它自己会抓。这种「用样例代替说明书」的方式在分类任务上尤其可靠——给每条类别配两三个典型样本比写一段类别定义准确得多因为定义总有歧义样例没有。代价是 token 消耗和一致性风险样例太多会挤占上下文样例之间风格不一致会把模型带偏。我一般的做法是样例控制在 3 到 5 条且必须是我亲手确认过「这就是我要的样子」的。3. 模式选择背后的机制条件越密采样空间越窄前面四节讲的是「怎么用」这一节讲「为什么能 work」。把四类模式并排放在一起看会发现它们干的是同一件事的不同侧面给模型的条件分布加约束。3.1 从概率分布看提示词的作用生成式模型的每一步输出都是在一个词表上的概率分布里做选择。给定上下文分布就已经确定了上下文变了分布就变。所谓提示词工程本质上是在不修改模型参数的前提下通过改变上下文来重塑这个分布。用这个视角回看四类模式就非常清楚了模式主要约束对象分布被压缩的方向典型失效表现特定指令任务与范围主题区域收窄回答泛泛而谈、跑题指令模板输出结构生成骨架固定字段缺失、格式走形代理模式身份与立场语体与视角收窄角色出戏、前后语气不一致示例模式风格与规则局部模式对齐过度模仿、样例间冲突注意「典型失效表现」那一列——这实际上是一张排障表。输出跑题说明任务约束不够格式乱说明模板没给足角色说话像客服说明身份描述太笼统模仿得四不像说明样例本身不纯。这个对应关系比背提示词模板有用得多。3.2 模式组合与优先级四类模式不是互斥的实际使用中经常叠加。一个完整的提示词往往长这样先定身份代理再给规则模板再附几个样例示例最后才是这一轮的具体问题特定指令。【身份】你是一位负责 K12 数学教研的内容编辑。 【规则】回答按「知识点定位 / 常见误区 / 一道例题 / 讲解要点」四段输出每段不超过 80 字。 【样例】 知识点定位分数的基本性质 常见误区把分子分母同时加同一个数当作等值变换 …… 【本次任务】围绕「异分母分数加减」产出上述四段。叠加时有一条血泪经验越靠后、越具体的约束优先级越高。身份和规则是长期的本轮任务是最短的两者冲突时模型通常服从后者。所以同一个角色设定可以复用到很多轮每轮只换末尾的任务描述即可。但反过来如果你把具体任务写在前面、身份写在后面模型可能会用角色的口吻把任务重述一遍再回答白烧 token。提示模式叠加不是越多越好。四层全上之后提示词本身可能就有几百字如果任务很简单这些约束反而会互相干扰输出变得僵硬。简单任务用特定指令复杂任务才考虑组合。3.3 为什么「对什么人说人话」这个类比是成立的原文里有一句很口语的总结针对不同的情景采取不同的模式像极了生活里对不同的人说不同的话。这句话听着随意其实点到了要害——人际沟通里你调整的不是信息本身而是信息的包装方式对方的身份、你和他的关系、场合的正式程度决定了你用词、句式、详略。模型也是一样它没有固定的「人格」你给什么语境它就落在什么语体里。这也解释了一个常见的困惑为什么同一个问题加上「用小学生能听懂的话解释」之后回答真的变简单了不是因为模型内部切换了某个「简单模式」的开关而是这个限定把采样空间从学术表达的那一片挪到了科普表达的那一片。理解这一点你就不会再去寻找什么「万能提示词」——那样的东西不存在存在的只是对场景的准确描述。4. 避坑与排查四类模式各自最容易翻车的地方讲完机制落到实际。下面这几条是我在不同项目里反复踩到的按「现象 → 原因 → 解决」列出来遇到类似症状可以直接对照。4.1 指令很短但抱怨回答很空现象输入一句话模型返回一大段正确但没用的废话读完之后什么也没得到。原因条件太稀模型只能按训练语料里最常见的那种「平均回答」来生成。它不知道你要多长、给谁看、要什么形态只能求稳。解决把动词、数量、受众、形态四样补齐。把「聊聊时间管理」改成「给一个刚入职的开发者列 4 条可当天执行的时间管理做法每条不超过 30 字」。改完之后如果还是空说明你缺的是示例跳到示例模式。4.2 模板输出了但字段开始漂移现象前两轮还严格按四段输出多聊几轮之后模型开始自己合并段落、漏字段甚至加了个「总结」段。原因模板约束在上下文里会被稀释。对话越长早期的格式要求占的权重相对越低模型会向最近几轮的风格靠拢。解决把模板固定在每轮输入里重复一次而不是只在开头说一遍或者干脆每一轮都作为独立请求发不依赖历史上下文。批量处理场景里这点尤其要注意。4.3 角色扮演演着演着就出戏现象设定好一个角色聊了七八轮之后模型开始用「作为一个 AI」的口气说话或者语气突然变回通用助手。原因角色描述只在最初出现了一次后续对话里没有持续强化另外当用户问了角色设定范围之外的问题时模型会优先保证回答正确牺牲角色一致性。解决在系统级设定里明确写「始终保持该身份遇到超出范围的问题也以该身份的立场回应」并在长对话中周期性重申。同时别把角色设定得过于狭窄留出应答空间。4.4 示例给了反而更差现象精心准备了几个样例结果生成的内容要么照抄样例、要么风格混乱。原因两种情况。一是样例太少或太同质模型只能原样复述二是样例之间风格不统一模型归纳出了一个模糊的平均值。解决样例数量 3 到 5 条覆盖目标风格的典型变体但保持内在一致把样例和待生成内容用清晰的分隔符隔开并在指令里明确「模仿风格不要复述内容」。4.5 长输入被截断或前后矛盾现象把一整篇材料塞进去让它总结结果只覆盖了后半部分或者前后结论打架。原因上下文长度有限早期内容在注意力分配上会被稀释材料本身如果有矛盾表述模型会各采一部分。解决长材料先分段处理再汇总在指令里明确「以下材料可能包含相互矛盾的说法请指出矛盾点并分别列出」把矛盾当成任务的一部分而不是噪音。5. 从会用到会设计把提示词当作接口来写聊到最后我想把视角往上提一层。四类模式听起来是使用技巧但真正决定效果的是你把它们当成什么。如果你把它们当成「话术」那你永远在收集别人的模板如果你把它们当成接口设计思路就完全不一样了。接口设计的核心是可预期同样的输入应该得到结构一致的输出输出应该能被下游程序消费而不是只能给人看。按这个标准回头看模板模式提供的是 schema示例模式提供的是测试用例代理模式定义的是命名空间与语义域特定指令就是那次具体的函数调用。这个类比不是文字游戏——它直接决定你会不会给提示词写「版本」和「回归测试」。举个具体的验证方法。假设你在做一个把用户反馈自动分类的小流程不要凭感觉判断提示词好不好而是先准备 20 条已经人工标注好的样本用当前提示词跑一遍统计分类一致率。改一版提示词再跑一遍看数字变没变。这套做法枯燥但它能把「感觉这版更好」变成「这版在 20 条里多对了 4 条」。我见过太多团队在提示词上反复横跳就是因为缺了这一步每次调整都靠主观印象最后连哪版最好都说不清。再往深一层还有一个取舍值得想清楚通用性 vs 精确性。一个提示词写得越通用能接的任务越多但每个任务上的表现都平庸写得越精确特定任务上表现越好但换个场景就废。这和软件设计里抽象层级的取舍是一回事。我的倾向是先把高频场景的专用提示词打磨到能用再从中提炼共性部分做成可复用的前缀而不是一上来就追求「一个提示词打天下」。后者听起来优雅实际用起来处处漏风。原文提供的那份角色清单价值也在这里——它不是让你照抄而是给你一批已经验证过的语义域你可以从里面挑一个再按自己的场景补上模板和示例几步就能拼出一个可用的组合。资源里把四类模式、每种模式的结构要素、以及角色扮演的参考方向都梳理在一起省掉的正是「从零想清楚该约束什么」的那段摸索。从那以后我每次写提示词都会强迫自己先回答一个问题这条输入到底约束了什么如果输出不对我该补哪一层想清楚再动手比改十遍措辞都管用。希望帮到你。本文还有配套的精品资源点击获取 简介《ChatGPT指令集角色扮演.pdf》面向K12教师、学生及希望提升AI交互效率的初学者围绕Prompt设计与角色扮演展开帮助读者弄清如何用更清晰的输入引导模型给出可用回答。压缩包内共1个PDF文件大小约1.57MB便于在电脑或平板上直接查阅。内容从Prompt的基本含义讲起梳理特定指令、指令模板、代理模式与示例模式四类常见用法并结合STAR原则总结、教学问答、模拟历史人物对话等场景说明组织提示词的思路。读者可据此掌握按任务选择对话模式、规范输入结构与通过角色设定控制输出风格的方法也能了解在智能客服、教育交互和智能助手中迁移应用的边界。已有1303人学习适合作为提示词入门与课堂互动实践的参考材料。1. 提示词不是提问是在给模型划一条可控的生成轨道很多人第一次接触大模型交互时脑子里装的还是一个搜索引擎的模型我输入一句话它返回一段结果输入越短越省事。可真正用起来就会发现一个反直觉的现象——同一件事随手问一句得到的回答干瘪空洞换一种说法、给个身份、配个格式输出质量能差出好几个量级。这不是运气也不是所谓的玄学而是因为提示词prompt本质上不是「问题」而是对模型生成空间的一次约束。模型在每一步都是在巨大的候选词分布里采样你给的文本就是唯一的条件信号条件越具体分布被收窄得越准落到你想要的结果上的概率就越高。这份《ChatGPT 指令集角色扮演.pdf》讲的正是这件事把交付给模型的输入拆成特定指令、指令模板、代理模式、示例模式四类结构分别对应四种收窄方式。搞懂这四种模式为什么有效比背一百条现成提示词更有用——因为前者能让你自己造。2. 四种交互模式为什么同一句输入会走出完全不同的生成路径先给结论四类模式的差别不在于措辞漂亮与否而在于它们向模型注入的约束类型不同——分别约束了任务、结构、身份、风格。理解这一点你在自然语言处理实践里设计任何提示词都能先问自己一句我现在缺的到底是哪一种约束。2.1 特定指令模式约束的是任务边界特定指令By specific是最简单也最常用的一类给一个明确的问题或一组关键词让模型生成相关文本。它的作用机制在于输入里的名词和动词直接把模型的注意力锚定到某个语义区域把「接下来该写什么」的分布从近乎全空间压缩到一个窄带里。普通输入 聊聊团队管理 特定指令 列出 5 条适用于 10 人以下研发团队的周会机制每条一句话说明解决了什么问题第二条输入里「列出 5 条」限定了输出形态和数量「10 人以下研发团队」限定了适用域「周会机制」限定了主题「每条一句话说明解决了什么问题」限定了每条内容的内部结构。四层信息叠在一起模型能自由发挥的缝隙就很小了。反过来如果只写「聊聊团队管理」模型不知道你要的是故事、观点、清单还是方法论它只能按训练语料里最常见的那个平均形态回应——这就是「回答很空」的真实原因不是模型笨是条件太稀。实际使用中还有一个小细节值得注意特定指令里的动词对输出形态的影响极大。「解释」「对比」「列出」「改写」「评估」会激活完全不同的生成骨架。我一般会把它当作命令行的子命令来用先定动词再补参数。2.2 指令模板模式约束的是输出结构指令模板Instruction Template比特定指令多走一步不只告诉模型做什么还规定产出的骨架。原文给出的表述是三段式——场景描述 context、给定输入 input、期望输出 output。这个结构之所以有效是因为自回归生成是逐词往下走的前面已经生成的内容会成为后面生成的条件。一旦你让模型先吐出一个格式化的开头后面的内容就被这个开头「带」进了同一套结构里。原文举的例子很典型要求模型用 STAR 原则总结一段工作经历。使用 STAR 原则与下面的格式总结一下这段话 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。 模型返回的是 S情境、T任务、A行动、R结果四段拆解。这里的关键不是 STAR 这个缩写本身有多神而是它提供了一个可校验的槽位集合。没有模板时模型可能给你一段 300 字的复述有了模板输出变成了四个必填字段缺一个你一眼就能看出来。这就是结构化提示词的工程价值它让「生成质量」从一种只能凭感觉判断的东西变成了可以逐项检查的东西。在需要批量处理的场景里这个差别会被放大。比如要把几十条用户反馈归类用固定模板输出成「问题类型 / 严重程度 / 原文摘要」三列你后续可以直接做表格解析而自由文本输出光是从里面抽字段就够折腾半天。常见的实现思路是先把模板固化成一段系统级前缀每次只替换中间那条用户输入这样既保证结构一致又省去重复描述。2.3 代理模式约束的是身份与语境代理模式By proxy也就是大家熟悉的「扮演」——让模型以某个特定角色、身份或对象的立场来组织回答。原文点出它的核心是「引入一个中介对象来控制对实际对象的访问」这个说法借的是设计模式里的代理概念用来理解提示词其实很贴切模型本身没有固定人格它输出的语气、用词、知识侧重全都由上下文决定你指定一个身份等于给这次生成挂了一层「滤镜」。为什么这招有效从机制上讲角色描述会同时带来三样东西一套词汇偏好医生会说什么术语、一套推理立场会优先考虑哪些因素、一套对话惯例怎么开头、怎么收尾。这些在预训练语料里是高度共现的所以一句「你是一位有二十年经验的小学数学老师正在给一个对分数概念感到困惑的三年级学生讲解」能一次拉起大量相关的语言模式。原文也给了参考清单的地址列出了可扮演的角色方向。落在教育交互这类场景里代理模式的价值特别明显让学生和「模拟的历史人物」对话或者让模型扮演一个不断追问的苏格拉底式提问者输出的趣味性和沉浸感会显著高于直接问答。但要注意角色越具体泛化能力越窄——设定成「严谨的学术审稿人」之后你让它写营销文案就会很别扭。2.4 示例模式约束的是风格与判定规则示例模式By demonstration是四类里门槛最高、效果也最猛的一类不描述规则直接给几个样例让模型从中归纳出规律再照着生成新内容。原文的说法是「只需要我们定义好规则那么他的结论绝对是震惊的」——更准确的理解是你用样例把规则「演示」出来了模型做的是上下文内的模式归纳。请模仿下面三条示例的风格为「深夜的便利店」写一条同样调性的短句 示例1雨停在半空路灯替它落了地。 示例2旧钟慢了三分钟没人打算修。 示例3他把未寄出的信折成船放进茶杯。 输出三条示例共有的特征是短句、具体意象、轻微的超现实、情绪靠物件承载。模型不需要你总结这些特征它自己会抓。这种「用样例代替说明书」的方式在分类任务上尤其可靠——给每条类别配两三个典型样本比写一段类别定义准确得多因为定义总有歧义样例没有。代价是 token 消耗和一致性风险样例太多会挤占上下文样例之间风格不一致会把模型带偏。我一般的做法是样例控制在 3 到 5 条且必须是我亲手确认过「这就是我要的样子」的。3. 模式选择背后的机制条件越密采样空间越窄前面四节讲的是「怎么用」这一节讲「为什么能 work」。把四类模式并排放在一起看会发现它们干的是同一件事的不同侧面给模型的条件分布加约束。3.1 从概率分布看提示词的作用生成式模型的每一步输出都是在一个词表上的概率分布里做选择。给定上下文分布就已经确定了上下文变了分布就变。所谓提示词工程本质上是在不修改模型参数的前提下通过改变上下文来重塑这个分布。用这个视角回看四类模式就非常清楚了模式主要约束对象分布被压缩的方向典型失效表现特定指令任务与范围主题区域收窄回答泛泛而谈、跑题指令模板输出结构生成骨架固定字段缺失、格式走形代理模式身份与立场语体与视角收窄角色出戏、前后语气不一致示例模式风格与规则局部模式对齐过度模仿、样例间冲突注意「典型失效表现」那一列——这实际上是一张排障表。输出跑题说明任务约束不够格式乱说明模板没给足角色说话像客服说明身份描述太笼统模仿得四不像说明样例本身不纯。这个对应关系比背提示词模板有用得多。3.2 模式组合与优先级四类模式不是互斥的实际使用中经常叠加。一个完整的提示词往往长这样先定身份代理再给规则模板再附几个样例示例最后才是这一轮的具体问题特定指令。【身份】你是一位负责 K12 数学教研的内容编辑。 【规则】回答按「知识点定位 / 常见误区 / 一道例题 / 讲解要点」四段输出每段不超过 80 字。 【样例】 知识点定位分数的基本性质 常见误区把分子分母同时加同一个数当作等值变换 …… 【本次任务】围绕「异分母分数加减」产出上述四段。叠加时有一条血泪经验越靠后、越具体的约束优先级越高。身份和规则是长期的本轮任务是最短的两者冲突时模型通常服从后者。所以同一个角色设定可以复用到很多轮每轮只换末尾的任务描述即可。但反过来如果你把具体任务写在前面、身份写在后面模型可能会用角色的口吻把任务重述一遍再回答白烧 token。提示模式叠加不是越多越好。四层全上之后提示词本身可能就有几百字如果任务很简单这些约束反而会互相干扰输出变得僵硬。简单任务用特定指令复杂任务才考虑组合。3.3 为什么「对什么人说人话」这个类比是成立的原文里有一句很口语的总结针对不同的情景采取不同的模式像极了生活里对不同的人说不同的话。这句话听着随意其实点到了要害——人际沟通里你调整的不是信息本身而是信息的包装方式对方的身份、你和他的关系、场合的正式程度决定了你用词、句式、详略。模型也是一样它没有固定的「人格」你给什么语境它就落在什么语体里。这也解释了一个常见的困惑为什么同一个问题加上「用小学生能听懂的话解释」之后回答真的变简单了不是因为模型内部切换了某个「简单模式」的开关而是这个限定把采样空间从学术表达的那一片挪到了科普表达的那一片。理解这一点你就不会再去寻找什么「万能提示词」——那样的东西不存在存在的只是对场景的准确描述。4. 避坑与排查四类模式各自最容易翻车的地方讲完机制落到实际。下面这几条是我在不同项目里反复踩到的按「现象 → 原因 → 解决」列出来遇到类似症状可以直接对照。4.1 指令很短但抱怨回答很空现象输入一句话模型返回一大段正确但没用的废话读完之后什么也没得到。原因条件太稀模型只能按训练语料里最常见的那种「平均回答」来生成。它不知道你要多长、给谁看、要什么形态只能求稳。解决把动词、数量、受众、形态四样补齐。把「聊聊时间管理」改成「给一个刚入职的开发者列 4 条可当天执行的时间管理做法每条不超过 30 字」。改完之后如果还是空说明你缺的是示例跳到示例模式。4.2 模板输出了但字段开始漂移现象前两轮还严格按四段输出多聊几轮之后模型开始自己合并段落、漏字段甚至加了个「总结」段。原因模板约束在上下文里会被稀释。对话越长早期的格式要求占的权重相对越低模型会向最近几轮的风格靠拢。解决把模板固定在每轮输入里重复一次而不是只在开头说一遍或者干脆每一轮都作为独立请求发不依赖历史上下文。批量处理场景里这点尤其要注意。4.3 角色扮演演着演着就出戏现象设定好一个角色聊了七八轮之后模型开始用「作为一个 AI」的口气说话或者语气突然变回通用助手。原因角色描述只在最初出现了一次后续对话里没有持续强化另外当用户问了角色设定范围之外的问题时模型会优先保证回答正确牺牲角色一致性。解决在系统级设定里明确写「始终保持该身份遇到超出范围的问题也以该身份的立场回应」并在长对话中周期性重申。同时别把角色设定得过于狭窄留出应答空间。4.4 示例给了反而更差现象精心准备了几个样例结果生成的内容要么照抄样例、要么风格混乱。原因两种情况。一是样例太少或太同质模型只能原样复述二是样例之间风格不统一模型归纳出了一个模糊的平均值。解决样例数量 3 到 5 条覆盖目标风格的典型变体但保持内在一致把样例和待生成内容用清晰的分隔符隔开并在指令里明确「模仿风格不要复述内容」。4.5 长输入被截断或前后矛盾现象把一整篇材料塞进去让它总结结果只覆盖了后半部分或者前后结论打架。原因上下文长度有限早期内容在注意力分配上会被稀释材料本身如果有矛盾表述模型会各采一部分。解决长材料先分段处理再汇总在指令里明确「以下材料可能包含相互矛盾的说法请指出矛盾点并分别列出」把矛盾当成任务的一部分而不是噪音。5. 从会用到会设计把提示词当作接口来写聊到最后我想把视角往上提一层。四类模式听起来是使用技巧但真正决定效果的是你把它们当成什么。如果你把它们当成「话术」那你永远在收集别人的模板如果你把它们当成接口设计思路就完全不一样了。接口设计的核心是可预期同样的输入应该得到结构一致的输出输出应该能被下游程序消费而不是只能给人看。按这个标准回头看模板模式提供的是 schema示例模式提供的是测试用例代理模式定义的是命名空间与语义域特定指令就是那次具体的函数调用。这个类比不是文字游戏——它直接决定你会不会给提示词写「版本」和「回归测试」。举个具体的验证方法。假设你在做一个把用户反馈自动分类的小流程不要凭感觉判断提示词好不好而是先准备 20 条已经人工标注好的样本用当前提示词跑一遍统计分类一致率。改一版提示词再跑一遍看数字变没变。这套做法枯燥但它能把「感觉这版更好」变成「这版在 20 条里多对了 4 条」。我见过太多团队在提示词上反复横跳就是因为缺了这一步每次调整都靠主观印象最后连哪版最好都说不清。再往深一层还有一个取舍值得想清楚通用性 vs 精确性。一个提示词写得越通用能接的任务越多但每个任务上的表现都平庸写得越精确特定任务上表现越好但换个场景就废。这和软件设计里抽象层级的取舍是一回事。我的倾向是先把高频场景的专用提示词打磨到能用再从中提炼共性部分做成可复用的前缀而不是一上来就追求「一个提示词打天下」。后者听起来优雅实际用起来处处漏风。原文提供的那份角色清单价值也在这里——它不是让你照抄而是给你一批已经验证过的语义域你可以从里面挑一个再按自己的场景补上模板和示例几步就能拼出一个可用的组合。资源里把四类模式、每种模式的结构要素、以及角色扮演的参考方向都梳理在一起省掉的正是「从零想清楚该约束什么」的那段摸索。从那以后我每次写提示词都会强迫自己先回答一个问题这条输入到底约束了什么如果输出不对我该补哪一层想清楚再动手比改十遍措辞都管用。希望帮到你。本文还有配套的精品资源点击获取