简介：《ChatGPT使用秘籍：150个ChatGPT提示词模板（中英文版）全面揭秘！.pdf》围绕ChatGPT提示词设计与场景化应用展开，面向自然语言处理爱好者、机器学习从业者、语言模型研究者，以及希望提升日常对话与任务执行效率的普通用户，帮助读者理解提示词如何组织并快速复用。资源包共1个PDF文件，大小约5.18MB，内容以中英文提示词模板为主，覆盖问候、聊天、娱乐、购物、旅游、科技等常见话题，并给出充当Linux终端、英语翻译与改进者、岗位面试官、JavaScript控制台、Excel工作表、英语发音助手、旅游指南、抄袭检查员、角色扮演和广告商等具体示例。已有1274人学习，适合在写作、翻译、面试模拟、编程辅助和旅行规划等场景中按需取用。读者可从中获得可直接改写的中英文模板、提示词结构范式和场景迁移思路，用于搭建个人对话流程、对照优化输出质量，也可作为学习ChatGPT应用的参考材料；但需具备一定自然语言处理与机器学习基础，并结合实际需求调整。

1. 提示词模板库不是速查表：150 个角色提示词到底该怎么用

拿到一份 150 条的 ChatGPT 提示词模板，绝大多数人的用法是：翻到「翻译」那条，粘进对话框，用完关掉，下次再翻。这套动作看着省事，实际浪费了模板里真正值钱的东西——那些藏在正文里的行为约束，比如「只回复一个代码块」「不要写解释」「一次只问一个问题」。漏掉一句，输出就从干净的结果变成一段带前言后语的口水文。这份中英文对照的 PDF 核心价值不在数量，在于每条模板都把角色、输入约定、输出格式、首轮种子写全了，尤其英文原版里那些用花括号标出来的可变位，是后面做参数化改造的抓手。适合天天和对话模型打交道、想把 Ctrl+V 变成半自动流程的 NLP 从业者和语言模型使用者；只想找两句漂亮话术的人，翻两页就会放下。生活娱乐向的旅游指南、影评、脱口秀模板也在里面，但用法和工程模板完全是两码事。

2. 拆开一条模板看：角色、约束、首轮种子这三层缺一不可

2.1 一条能落地的模板，四个零件

把充当 Linux 终端那条拆开看，结构非常清晰：

• 角色声明：「我希望你充当 Linux 终端」。这一句不是许愿，它给模型一个强条件前缀，把续写空间从「万物皆可聊」压到「命令行回显」这个窄分布上。
• 输入约定：「我会输入命令」「当我需要用英语告诉你一些内容时，我会用花括号 {像这样}」。这是在告诉模型，接下来的对话里哪些是数据、哪些是元指令。
• 输出格式约束：「只回复一个唯一的代码块，不要写解释，不要输入命令」。这条决定你能不能直接把输出丢进管道。
• 首轮种子：「我的第一个命令是 pwd」。没有这句，模型大概率会先回一句「好的，我已准备好，请发送命令」，凭空多一轮。

这四个零件里，最容易被忽略的是第三个。很多人复制模板时觉得「不要写解释」是废话，删掉省事，结果模型每答一条都附一段说明，你写脚本解析的时候就得额外写正则去剥。我在一个日志分析的小工具里就吃过这个亏：原本一个awk就能处理，加了剥解释的代码后变成了三十行状态机，还经常误杀。

从语言模型的行为看，格式约束之所以有效，是因为它把「什么算合法输出」写进了上下文。模型在生成时是逐步续写的，前面有「只回复一个代码块」这个条件，第一步生成 ``` 的概率就远高于生成「好的，下面是结果：」。反过来，如果你把格式约束放在很长的模板末尾，中间隔了几百字描述，权重会被稀释，遵守率明显下降。常见做法是把最硬的那条约束放在模板最后一句，紧挨着用户输入。

2.2 中英文版本怎么选

这份 PDF 每条模板都有中英两版，不是简单的双语冗余。实测下来两者的差异主要在三处：

选型上我一般这么分：格式强约束类（终端、控制台、Excel 表格、抄袭检查）优先用英文原版，因为这类任务对「只输出什么」的要求极严，否定句的强度直接决定你能不能省掉解析代码；内容创作类（讲故事、写诗、励志演讲、影评）用中文版更顺，语义类任务对格式不敏感，中文模板改起来还快。

有个细节值得记一笔：英文模板里的{like this}是给模型看的约定说明，不是给你替换的变量；而{character}、{series}是真变量。这两类花括号长得一样，后面做参数化的时候会直接踩坑，第 3 章专门处理。

2.3 跑通第一轮：终端模拟和表格模拟

以终端模拟为例，完整走一遍验收流程：

1. 新开一个干净会话，不要接着之前的对话。上下文里只要有一条无关内容，角色设定就会被稀释。
2. 粘贴完整模板，包括最后那句「我的第一个命令是 pwd」。别自己改种子，先用原版验证。
3. 看输出：应该只有一个代码块，里面是pwd的回显路径，块外一个字都没有。
4. 发第二条真实命令，比如ls -la，看它是否还保持格式。
5. 中途插一条元指令，用花括号包起来，例如{接下来请只用中文回复}，看它是否识别为约定而不是命令。

Excel 模拟那条更严格，模板要求输出「10 行、列标 A 到 L、首列留空做行号」的纯文本表。这条的验收标准是：表格结构必须稳定，你连续发三条写入指令，列数不能从 12 变成 11。为什么容易变？因为纯文本表格没有 schema 强制，模型对「A 到 L」的理解会随上下文漂移，写到第五六行时开始自行合并列。我一般会在第三轮之后补一句{保持列数不变，从 A 到 L}，用花括号提醒它回到约定。

这里有个反直觉的结论：模板越长，第一轮越稳，第三轮之后越容易崩。长模板把行为规范写得很细，初期约束力强；但随着对话变长，早期指令在上下文里的相对权重下降，模型会逐渐向「正常聊天」回归。所以每条模板都要配一句短约束作为「锚」，在 drift 出现时重新钉一下。这个锚不需要长，一句话足够。

3. 占位符改造：把 150 条死模板变成可传参的模板函数

3.1 先扫花括号：哪些是变量，哪些只是说明

直接上手str.replace会翻车。模板里至少有三类花括号：

区分办法是定一条命名规范：变量名只用小写字母加下划线，长度不超过 20，且必须出现在预先声明的变量表里。任何不在白名单里的花括号，一律当说明性文本原样保留。这条规则看着土，但能挡掉九成以上的误替换。

变量表我一般单独存一份 JSON，每个模板一个条目，写清楚变量名、类型、默认值、是否必填：

{ "role_play": { "character": {"type": "str", "required": true, "desc": "角色名"}, "series": {"type": "str", "required": true, "desc": "作品或系列名"}, "seed": {"type": "str", "required": false, "default": "Hi {character}."} } }

seed里嵌套了{character}，这是故意的：首轮种子通常要引用角色名，渲染时得做两轮替换。第一轮填character，第二轮再填seed里的引用。顺序错了就会得到Hi {character}.这种半成品。

3.2 渲染脚本：先校验再替换

import re import json import pathlib TPL_DIR = pathlib.Path("templates") SPEC_FILE = pathlib.Path("specs.json") # 只认小写字母加下划线的变量名，避免把 {like this} 误判成变量 VAR_PATTERN = re.compile(r"\{([a-z][a-z0-9_]{0,19})\}") def load_spec(): return json.loads(SPEC_FILE.read_text(encoding="utf-8")) def scan_vars(raw: str, whitelist: set) -> list: """扫出模板里所有命中白名单的变量名，去重排序""" return sorted({m for m in VAR_PATTERN.findall(raw) if m in whitelist}) def render(tpl_name: str, values: dict) -> str: spec = load_spec()[tpl_name] raw = (TPL_DIR / f"{tpl_name}.txt").read_text(encoding="utf-8") # 白名单 = 变量表里声明的名字 whitelist = set(spec.keys()) need = scan_vars(raw, whitelist) # 先补默认值，再查缺失，避免可选变量被误报 merged = {} for name in need: if name in values: merged[name] = values[name] elif "default" in spec.get(name, {}): merged[name] = spec[name]["default"] else: raise ValueError(f"[{tpl_name}] 缺少必填变量: {name}") # 两轮替换：第一轮填主变量，第二轮填种子里的嵌套引用 out = VAR_PATTERN.sub(lambda m: str(merged.get(m.group(1), m.group(0))), raw) out = VAR_PATTERN.sub(lambda m: str(merged.get(m.group(1), m.group(0))), out) return out

逻辑上有几个点值得说明。第一，正则只匹配符合命名规范的字符串，{like this}因为含空格直接被跳过，{像这样}因为是非 ASCII 字符也被跳过，这就是白名单加命名规范的双保险。第二，先合并默认值再检查缺失，顺序反了会把可选变量报成必填。第三，两轮替换解决嵌套引用，第二轮对已经替换过的文本再跑一次正则，此时剩下的{character}就是种子里那个，正好填上。

参数上要注意VAR_PATTERN里的{0,19}限制长度，这不是洁癖。超过 20 字符的「变量」基本都是模型输出示例被误粘进模板了。我见过一次模板里混进一段{输出格式为 markdown 表格，列头固定}，长度超标，被规则挡下来，人工一看果然是误粘。

3.3 批量生成种子消息并落盘

目录结构先摆好，后面所有脚本都按这个约定找文件：

mkdir -p promptkit/{templates,specs,seeds,out} # templates/ 存从 PDF 里抄出来的原始模板，一个模板一个 txt # specs.json 变量表 # seeds/ 渲染后待发的首轮消息 # out/ 记录每次对话的原始返回，方便回溯

批量渲染：

import json from pathlib import Path CASES = [ ("role_play", {"character": "某侦探", "series": "某推理剧"}), ("terminal", {"seed": "pwd"}), ("excel_sheet", {"seed": "A1: 姓名, B1: 部门"}), ("interviewer", {"seed": "你好"}), ("travel_guide",{"seed": "我在某市中心，只想看博物馆"}), ] Path("seeds").mkdir(exist_ok=True) for name, vals in CASES: text = render(name, vals) (Path("seeds") / f"{name}.txt").write_text(text, encoding="utf-8") print(f"{name:14s} {len(text):4d} chars")

这段跑完，seeds/下每个文件就是可以直接整段发出去的首轮消息。为什么强调「整段」？因为模板和种子必须同一条消息发出，分两次发会多出一轮模型确认，而那一轮确认本身就会污染格式。我早期图省事，先发模板再发种子，结果模型在中间回了一句「明白，请提供角色名」，后面整个会话都在跟我确认参数，格式约束直接失效。

渲染完还要做长度自检。中文模板超过 800 字、英文超过 1200 字符的，基本可以判定塞了太多示例，实际使用时遵守率会下降。这个阈值不是硬标准，但拦下来的模板十有八九需要精简。模板库进版本管理之前跑一遍这个检查，比事后调试便宜得多。

4. 模板体检：用 20 条小样本测出哪几条提示词在裸奔

4.1 评测集怎么造

150 条模板不可能一条条手测，也没必要。按类型分层抽 20 条就够看出规律：格式强约束类抽 8 条（终端、控制台、Excel、抄袭检查等），多轮交互类抽 6 条（面试官、辩论教练、关系教练等），内容创作类抽 6 条（讲故事、写诗、影评等）。每类里至少留一条英文原版和一条中文版做对照。

每条样本准备两个东西：一条首轮输入，一个通过判据。判据要写成机器能算的规则，不能写「感觉还行」。我用四个维度：

权重不是拍脑袋：格式不合规的模板在流程里根本没法用，所以占大头；内容质量是第二个会话才判断的事，首轮只看「能不能被程序吃下去」。

4.2 跑对照：同一模板三种写法

拿充当 Excel 工作表做对照实验，三种写法分别是原版、删掉「不要写解释」的版本、把格式约束移到模板开头的版本。

import re PREFIX_WORDS = ("好的", "以下是", "下面是", "希望", "当然", "Sure", "Here") def judge(output: str, expect_cols: int = 12) -> dict: blocks = re.findall(r"```(\w*)\n(.*?)```", output, flags=re.S) body = "".join(b[1] for b in blocks) if blocks else output # 格式：代码块恰好一个 或 纯文本表格列数正确 if blocks: fmt_ok = len(blocks) == 1 else: rows = [r for r in body.strip().splitlines() if "|" in r or "\t" in r] fmt_ok = bool(rows) and all(len(re.split(r"[|\t]", r)) >= expect_cols for r in rows) # 解释：块外文本是否以客套词开头 outside = re.sub(r"```.*?```", "", output, flags=re.S).strip() clean = not outside.startswith(PREFIX_WORDS) return {"fmt_ok": fmt_ok, "clean": clean, "score": 0.4 * fmt_ok + 0.3 * clean}

judge里对代码块和纯文本表格分别处理，是因为这份模板库两种输出形态都有：终端类回代码块，Excel 类回纯文本表。写判据的时候如果只按代码块算，Excel 那批会全部判负，得到一堆假阴性。outside那段先剥掉所有代码块再看剩余文本，剥完还剩客套话就说明模型没守住「不要写解释」。

跑 20 条样本、每条重复 3 次取平均，结果大致会呈现这样的分布：格式强约束类通过率能到 80% 以上，中文版比英文版低 10 到 15 个百分点；多轮交互类通过率中等，主要失分在「一次只问一个问题」这条，模型倾向于一口气列五个问题；内容创作类格式分几乎满分，但「无多余解释」这条普遍不合格，因为创作类模板本来就没写这条约束。

4.3 读数：哪些模板天生不稳

通过率低于 60% 的模板，基本可以归到三类原因。

第一类是输出空间太开放。比如「充当诗人」，模板只说「写有感染力的诗」，没说行长、行数、是否押韵，判据就无从下手。这类模板不是不能用，是要在你自己的副本里补一条可量化的约束，比如「四行，每行不超过 12 字」。

第二类是约束互相打架。「担任面试官」那条既要求「像面试官一样一个一个问」，又要求「等待我的回答」，模型有时候理解成「先问完再等」，一次抛出五个问题。解决办法是把「一次只问一个问题」单独提到模板最后一行，用最短的句子重述。

第三类是中英混用导致语言漂移。中文模板里夹了英文示例，模型会按示例的语言回。这个坑在翻译类、发音类模板上特别常见，修法是在模板末尾加一句明确的语言指定，别指望模型从上文推断。

体检做完，我一般会给每条模板打一个标签存进 specs：stable、needs_anchor、needs_rewrite。后面批量跑任务时，只有stable的能直接进自动化流程，其余两类要先补锚点句。这个标签机制比反复人工 review 省事，也比一刀切全用英文版更实际——毕竟内容创作类用中文改写效率高得多。

5. 避坑：模板粘进对话框后翻车的六种现场

5.1 现象：输出带着「好的，以下是」开头，格式约束完全没生效

原因通常是模板里那条「不要写解释」被放在了中段，后面又跟了一大段角色描述，权重被稀释。模型在生成第一个 token 时，最近的上下文是角色描述而不是格式约束，自然按聊天习惯开场。解决方法是把格式约束复制一份到模板最后一行，紧挨用户输入，并且在后续对话里每隔两三轮重述一次。我现在的做法是给每条模板配一个anchor字段，drift 一出现就把锚点句单独发一遍，比重新粘贴整条模板便宜。

5.2 现象：同一个会话里换了角色，新角色说话带着旧角色的腔调

原因是没有开新会话，历史消息还在上下文里。角色设定本质是条件前缀，旧前缀的权重不会因为新指令出现就归零。解决方法是每个角色一个会话，物理隔离。如果确实要在同一会话里切换，先发一句「忽略以上全部设定，重新开始」，再发新模板，但即便如此也只能恢复个七八成。血泪经验是别图省事复用会话，尤其是终端模拟和 Excel 模拟这种格式敏感的，串味之后输出会带上前一个角色的格式习惯。

5.3 现象：输出里原样出现了{character}，模型把它当字面文本了

原因是渲染时漏替换，或者变量表里没声明这个变量，白名单把它当说明性文本保留了。这个坑隐蔽在于模型不会报错，它会很自然地回答「Hi {character}.」，看起来像是理解了格式，实际是照抄。解决方法是在渲染函数里加一道断言：渲染完成后再次扫描，如果还有命中白名单的变量名残留，直接抛异常，不要发出去。上面render里没写这道检查，实际使用时建议补一个assert not scan_vars(out, whitelist)。

5.4 现象：模板前几轮很稳，第五轮之后开始自由发挥

原因是上下文变长，早期指令的相对权重下降，模型逐渐向默认聊天行为回归。这不是模型坏了，是条件生成的自然结果。解决方法有两个方向：一是缩短会话，把长任务拆成多个短会话，每个会话只做一小段；二是用锚点句定期回钉，每三轮补一句最短的格式约束。我一般两个一起用，长任务拆段，段内加锚。判断该不该拆段的信号是：输出里开始出现解释性文字，或者格式从代码块退化成散文。

5.5 现象：中英混用模板，输出语言随机漂移

原因是模型按最近的语言信号走。中文模板里如果夹了英文示例句，输出很可能跟着示例走英文；英文模板里如果用户用中文提问，输出又可能转中文。解决方法是在模板末尾显式写死语言，不要依赖推断。中文任务写「全程使用中文回复，包括代码注释」，英文任务写「Reply in English only」。这条对翻译类、发音类模板尤其重要，因为它们的输入输出本来就跨语言。

5.6 现象：终端模拟给出的命令回显是编的

原因很直接：模型没有真的执行命令，它在根据训练分布猜输出。pwd这种它猜得准，ls -la在自定义目录下就纯属虚构。这个坑的严重性取决于你怎么用——只是找找命令写法没问题，把回显当真实结果去排错就会误导。解决方法是把这类模板定位成「命令语法助手」而不是「终端替身」，真正要执行的结果自己在本地跑一遍。同理，Excel 模拟给的公式计算结果也不能直接信，公式结构可以参考，数值必须自己算。这个边界在 PDF 原文里没写，但用之前必须清楚。

6. 进阶：把模板库挂到命令行上，顺手做一个模板体检脚本

用顺了之后，翻 PDF 复制粘贴会变成瓶颈。我的做法是给常用的十来条模板做个命令行入口，参数直接传，渲染结果进剪贴板：

#!/usr/bin/env bash # ptpl: 用法 ptpl role_play character=某侦探 series=某推理剧 set -euo pipefail name="$1"; shift args=() for kv in "$@"; do args+=("--set" "$kv") done python -m promptkit render "$name" "${args[@]}" | tee /dev/stderr | pbcopy

tee /dev/stderr让渲染结果既进剪贴板又在终端可见，方便先扫一眼有没有变量漏填；pbcopy换成对应平台的剪贴板命令即可。--set收key=value形式，和前面render的values字典一一对应。这个脚本不长，但它把「翻文档、找模板、改占位符、复制」四步压成了一步。

配套的体检脚本更值得写。每次改完模板，跑一遍小样本，把四个维度的得分和stable标签一起写回 specs：

def health_check(tpl_name, samples, repeats=3): scores = [] for _ in range(repeats): for s in samples: out = call_model(render(tpl_name, s["vars"]), s["input"]) scores.append(judge(out)["score"]) avg = sum(scores) / len(scores) label = "stable" if avg >= 0.8 else ("needs_anchor" if avg >= 0.6 else "needs_rewrite") return {"template": tpl_name, "avg": round(avg, 3), "label": label, "n": len(scores)}

call_model里换成你手上任意兼容 chat 接口的服务端点就行，base_url和密钥走环境变量，别写进代码。repeats=3是为了压掉单次采样噪声，样本量小的时候这个参数比调判据阈值更管用。跑完把结果按label分组打印，needs_rewrite那几条就是下次迭代的重点。

最后说一个习惯。我以前拿到这类模板合集，第一反应是全部导入、建索引、写个检索界面，结果三个月过去真正用上的不到二十条，索引本身还花了两天调。后来改成先用第 5 章那六条坑过一遍，把会翻车的挑出来标好，再按第 3 章参数化入库，剩下的原样躺在 PDF 里当参考。这个顺序反过来之后，模板库的维护成本降了一大截，也不会出现「库里一百五十条、实际能用五条」的尴尬。从那以后我每次收进新模板，都强制走一遍「扫花括号、跑二十条样本、打标签」这三步，哪怕当天只加一条。希望帮到你。

本文还有配套的精品资源，点击获取