简介这是一份面向ChatGPT等大语言模型使用者的《GPT提示词大全基础版》docx文档适合从入门到进阶的写作者、程序开发者、学生及职场人士使用。文档按场景分类收录近二十个模块的提示词指令涵盖常用写作助理、发散思维提问、文章故事创作、文本词义分析、SEO优化、IT编程、AI模型模拟、学术教学、心理社交、企业职位模拟、医生金融与音乐咨询等几乎覆盖了日常工作和学习中的典型对话需求。资源包内为1个docx文件压缩后约160KB内部以目录导航组织包含写作辅助、IT编程、终端解释器、语言翻译、辩论演讲等多个细分模块Word中可直接查阅和搜索关键词。目前已有220人学习下载。读者既能直接复制套用其中的提示词模板也能参考其结构化写法举一反三地设计个性化提示词从而提升与AI对话的准确度和任务完成效率尤其适合希望系统提升提示词工程能力的初学者与经常使用AI辅助工作的效率派。1. 一份提示词清单解决的不是“词汇量”而是“问法”很多人拿到 GPT 的第一反应是“不知道问什么”或者问出来的结果泛泛而谈、正确但没用。问题通常不在模型而在提示词的颗粒度。所谓“GPT 提示词大全”本质上是一套被筛选过的、可复用的提问模板它把角色、指令、上下文、输出格式这些变量固定下来让你不用每次从零开始和模型博弈。基础版意味着只覆盖最常见、最稳定的场景写作、分析、编程、翻译、格式转换。适合两类人一类是刚把 GPT 接入工作流、还在靠自然语言“碰运气”的用户另一类是已经在用提示词、但想把自己的提问方式系统化沉淀成文档的工程师。前者能直接抄作业后者能借这份结构梳理自己的私有库。这跟背单词不一样背完了要会用而提示词大全的价值在于——你不需要背只需要知道什么场景翻哪一条。2. 拆解提示词的四要素以及为什么“长”不等于“好”2.1 一条合格提示词的信息构成把任意一条效果稳定的提示词拆开里面都同时存在四类信息角色设定、任务指令、上下文材料、输出约束。角色设定让模型进入特定视角任务指令告诉它做什么上下文材料提供做这件事所依据的事实输出约束决定答案的形态。四者齐备模型才能稳定输出可用结果。举个例子假设你要让 GPT 写一封客户道歉邮件你是一位有 5 年经验的客户成功经理角色设定。 请根据以下背景写一封道歉邮件任务指令 客户张三的订单因库存问题延迟 3 天发货他要求全额退款上下文材料。 邮件需要包含道歉、原因说明、补偿方案字数 150 字以内语气诚恳但不要过度卑微输出约束。把这段话拆解后可以看到角色设定限定了语言风格任务指令避免了“写一封邮件”这种模糊请求上下文材料让模型不用瞎编理由输出约束则直接控制长度与语气。如果去掉其中任何一部分结果都会明显偏差。2.2 “字数多”与“信息密度”的区别不少人误以为提示词写得越长越好其实恰恰相反。模型的注意力是有限的上下文越长模型对指令尾部的记忆越模糊且长文本中往往夹杂了大量无关信息干扰任务执行。基础版的提示词应该控制在 30 到 100 字左右保证每条指令只表达必要的信息。我一般用这样一个检查标准如果一个初中生能不看任何补充说明、只凭这段话就完成你要求的任务那这条提示词就算合格。如果做不到说明还需要补充信息如果做得到但模型做不好那问题通常出在模型能力而不是提示词措辞。2.3 常见误用把提示词当成聊天记录很多人在 ChatGPT 里连发十几轮消息每一轮都在补充信息然后抱怨模型“忘记”了之前的要求。这不是模型缺陷而是提示词的结构问题。正确的做法是把核心指令写成单一、完整的提示词而不是依赖对话历史。如果要分步那就明确告诉模型“先给出大纲等我确认后再生成全文”用一条提示词内的分步指令代替多轮对话。信息类型作用缺失后果角色设定约束语气与专业度回答过于通用或口吻不一致任务指令明确目标答非所问上下文材料提供事实依据模型编造信息输出约束控长度与结构结构松散、篇幅失控提示基础版提示词中各条信息应当各自成句不要混在一起写成一整段。模型对清晰的分句结构更敏感。下面用一个实战例子演示从“无效”到“有效”的迭代。无效版有没有写简历的建议这条提示词没有给出任何角色、上下文或输出约束模型只能给出一堆正确的废话。Common Zettelkasten 之类的高级技巧在这个场景没有参考价值但基础版的修改思路是通用的把缺失的三要素补上。有效版你是一位资深 HR 面试官角色。我要应聘前端开发岗位上下文。请列出技术简历中必须包含的 5 个核心模块并为每个模块提供一段示例文字任务指令。用 markdown 格式输出每段不超过 100 字输出约束。同一个需求补全提示词后的输出质量会明显提升。这就是“基础版大全”的价值它不是让你背下所有模板而是让你掌握补全缺失信息的思考方式。3. 场景化模板示例从“大全”里抽 5 条直接能用的抄作业3.1 为什么按场景分类比按指令类型分类更实用搜索“GPT 提示词大全”的人通常带着具体的使用目标而来——比如写周报、写文案、做数据分析。按场景分类的好处在于你能直接对照自己的需求找到对应模板而不是拿着一个“提问技巧”概念自己推导。基础版不需要抽象的提示词理论只需要高频场景覆盖。3.2 写作类模板中文职场里最高频的场景是写邮件、写周报、写会议纪要。三条模板足够覆盖职场通知邮件你是一位行政助理角色。请根据以下通知内容撰写一封内部通知邮件【通知内容】。要求标题简洁、正文分三段、含发件人落款、语气正式输出约束。周报生成你是一位项目助理角色。以下是本周工作事项的原始记录【列出事项】。请将其整理为周报包含上周完成、本周进行中、风险与求助三个部分。每条事项不超过 50 字用列表格式输出输出约束。会议纪要请阅读以下参会录音转写文本上下文材料提取关键决定事项并生成会议纪要。要求使用待办清单格式每条待办包含负责人、截止时间和可验证的交付结果输出约束。忽略寒暄和无关讨论任务指令。这三条模板的共同点是角色设定提供了专业性输出约束保证了格式统一。写作类任务不需要太高的信息密度反而需要明确的格式指示。3.3 编程类模板程序员使用 GPT 的场景大多不是让模型“写代码”而是让模型“改代码”“解释代码”“生成测试”。以下三条是基础版中出镜率最高的代码重构你是 Python 专家角色。请对下面这段代码进行重构【粘贴代码】。要求保持原有功能不变、使用 Python 3 的类型注解、将长函数拆分为多个小函数、每个新增函数必须出差 docstring输出约束。先列出重构计划再输出完整代码任务指令。生成单元测试以下是某模块的源码【粘贴代码】上下文材料。请为这个模块生成 pytest 单元测试。要求覆盖正常路径、边界条件、异常输入三种场景使用 fixture 隔离外部依赖输出可直接运行的测试文件输出约束。解释代码请用通俗的语言解释以下代码片段的作用【粘贴代码】。要求先一句话总结整体功能再逐行解释关键逻辑最后指出潜在的坑和改进建议输出约束。与写作类模板相比编程类提示词对“上下文材料”的要求更高。如果不贴代码、只描述需求模型会自己发明一个示例输出结果自然无法直接用到你的项目里。3.4 分析类模板分析类任务是提示词工程中比较有门槛的一类因为容易被模型生成的“看起来合理”的内容误导。基础版只需要掌握一个核心原则要求模型基于给定的数据输出结论而不是让它凭空发挥。数据分析以下是一组销售数据的 CSV 格式片段【粘贴 CSV 数据】上下文材料。请完成1. 分析各产品线月度环比增长率2. 找出下降趋势最明显的产品线并说明原因3. 给出对应调整建议任务指令。要求以表格形式输出前两项以三段文字输出第三项每段不超过 100 字输出约束。这种写法一方面用“粘贴数据”锁定了事实另一方面用分段指令把任务拆解成明确的子步骤避免模型一次性输出过于笼统的分析。提示分析类提示词中务必给模型足够的数据量。只给两三行数据模型会强行得出结论误导性极强——这不是模型不诚实而是它被要求完成不可能的任务。4. 用 Python-docx 把提示词大全整理成可维护的 docx 文档4.1 为什么选择 docx 而不是 Markdown 或 PDF标题里的“docx”并非无关紧要。对于团队内部的知识沉淀docx 是最不容易被抱怨的格式不需要安装额外软件、所有人都能直接编辑、可以设置密码保护部分内容。相比 Markdowndocx 不会出现字符渲染问题相比 PDFdocx 方便你随时增删条目。用 Python-docx 库可以生成结构统一且可批量更新的提示词大全文档。先把环境装好pip install python-docx注意需要是 python-docx 而不是 docx后者是一个不同且过时的库。安装完成后可以通过一个简单的命令验证是否成功python -c import docx; print(docx.__version__)4.2 生成一份带目录结构的基础版大全下面这段代码只能生成“基础版”提示词文档的骨架——目录标题、分类段落、表格填充from docx import Document from docx.shared import Pt from docx.enum.text import WD_ALIGN_PARAGRAPH doc Document() # 设置默认字体避免中文文档默认字体不兼容的问题 style doc.styles[Normal] style.font.name Calibri style.font.size Pt(11) # 添加一级标题 doc.add_heading(GPT 提示词大全 - 基础版, level1) # 添加分类标题和说明段落 doc.add_heading(一、写作类模板, level2) doc.add_paragraph( 适用于邮件、周报、会议纪要等日常工作场景。 所有模板均包含角色设定与输出约束可直接替换占位内容后使用。 ) # 创建模板表模板名称 / 适用场景 / 提示词内容 table doc.add_table(rows1, cols3) table.style Light Grid Accent 1 hdr table.rows[0].cells hdr[0].text 模板名称 hdr[1].text 适用场景 hdr[2].text 提示词内容 templates [ (通知邮件模板, 内部行政通知, 你是一位行政助理。请根据以下内容【此处粘贴内容】撰写一封内部通知邮件。要求标题简洁、正文分三段、含落款。), (周报生成模板, 每周工作报告, 以下是本周工作事项【此处粘贴事项】。请整理为周报包含上周完成、本周进行中、风险与求助三个部分。), (会议纪要模板, 会议记录整理, 请阅读以下转写文本【此处粘贴文本】提取关键决定事项并生成待办清单。), ] for name, scene, content in templates: row table.add_row().cells row[0].text name row[1].text scene row[2].text content doc.save(GPT提示词大全_基础版.docx) print(文档已生成)这段代码的逻辑分四步初始化 Document 对象、设置默认样式、插入结构化内容、保存文件。其中add_heading会自动把文本设置为标题样式add_table则创建一个带边框的表格。table.style指定了表格的视觉样式Light Grid Accent 1是内置样式中最适合阅读的一种。运行成功后你会在当前目录下得到一个可以双击打开的 docx 文件。此时你已经拥有了一份可维护的提示词大全初始版本——后续只需要维护 Python 脚本中的templates数组重新运行就能重新生成文档。4.3 从 Excel/JSON 批量生成避免手动维护当模板数量超过 20 条时直接在 Python 代码里维护数据会变得不方便。常见做法是把提示词内容放到 JSON 文件里再在 Python 中读取。下面是一个 JSON 文件示例{ categories: [ { name: 编程类, desc: 适用于代码解释、重构、测试生成, templates: [ {name: 代码重构, scene: 优化已有代码, content: 你是 Python 专家请对以下代码【粘贴代码】执行重构。} ] } ] }import json from docx import Document doc Document() with open(templates.json, r, encodingutf-8) as f: data json.load(f) for cat in data[categories]: doc.add_heading(cat[name], level2) doc.add_paragraph(cat[desc]) table doc.add_table(rows1, cols3) table.style Light Grid Accent 1 hdr table.rows[0].cells hdr[0].text 模板名称 hdr[1].text 适用场景 hdr[2].text 提示词内容 for t in cat[templates]: row table.add_row().cells row[0].text t[name] row[1].text t[scene] row[2].text t[content] doc.save(GPT提示词大全_基础版.docx) print(共写入, sum(len(c[templates]) for c in data[categories]), 条模板)encodingutf-8是打开 JSON 文件的必要条件——Windows 下如果不加中文字符会出现UnicodeDecodeError。注意这里不推荐用 Excel 作为唯一的维护源因为 JSON 更容易做版本控制且在后续接入其他工具链比如自动抓取网上模板时更节省代码量。Excel 适合重新排版不适合做原始数据源。5. 模板失效时的体检清单以及怎么用“反向提示词”自测5.1 结果不理想时先对照四个方向提示词输出效果不理想不要第一时间怀疑模型版本或 API 参数先按以下清单检查。这四类问题的修法各不相同针对性远比“换个说法再试一次”有效。症状常见原因修法输出过于开放、没有实质内容缺少约束条件补上“必须包含哪些点”“禁止出现什么”语气不对、像 AI 官腔缺少角色设定明确“你是一名资深 X”“你的风格是……”内容错误、编造数据上下文材料缺失把已知事实直接黏贴进提示词结构混乱、不分段缺输出格式要求注明“用 markdown 表格输出”“先给结论后展开”比如当你发现 GPT 输出的周报像流水帐问题通常不是“不会写周报”而是你没有提示它按“结果导向”的方式表达。这时可以追加一句“每项工作必须写成‘动作 量化结果’的形式”输出立刻就变了。5.2 反向提示词用“不该做什么”框定边界基础版提示词大全里最适合收藏的一类是反向提示词。它的思路很简单当正向指令不足以表达你的要求时明确告诉模型“不要做什么”。比如你是一位资深内容编辑角色。以下是用户提供的原始稿件【粘贴稿件】上下文材料。请对稿件进行润色要求不改变原有信息顺序和事实、不要使用过于华丽或卖弄词藻的语言反向约束、修改完成后在一份列表中列出你改动了哪些句子及修改原因输出约束。这种写法的妙处在于把模型容易犯的错误直接排除掉效果比反复强调“要简洁”稳定得多。很多工程团队做提示词基线测试时会用反向提示词进行压力测试如果模型连“不要做什么”都无法稳定遵循那条正向提示词同样不可靠。5.3 验证模板有效性的最小方法你可以用最小测试集来验证自己的提示词模板是否稳定。不邀请同事测试不写复杂评估脚本只用三个维度同一提示词跑三次、变换措辞再跑一次、追加无关上下文再跑一次。验证场景操作通过标准稳定性同一提示词连续执行 3 次核心要点输出无结构变化鲁棒性使用同义词替换指令词不再生成无关内容抗干扰性在提示词中追加一句不相关信息不因此改变输出结构最后一组数据值得进一步解释“抗干扰性”。如果追加一句无关信息会影响输出结构那说明你的提示词上下文依赖过于敏感需要把约束条件写得更明确。这个小技巧只花两分钟但能避免你在生产环境中反复调试。本文还有配套的精品资源点击获取 GPT提示词基础版大全：从四要素到Python-docx生成可维护模板文档
简介这是一份面向ChatGPT等大语言模型使用者的《GPT提示词大全基础版》docx文档适合从入门到进阶的写作者、程序开发者、学生及职场人士使用。文档按场景分类收录近二十个模块的提示词指令涵盖常用写作助理、发散思维提问、文章故事创作、文本词义分析、SEO优化、IT编程、AI模型模拟、学术教学、心理社交、企业职位模拟、医生金融与音乐咨询等几乎覆盖了日常工作和学习中的典型对话需求。资源包内为1个docx文件压缩后约160KB内部以目录导航组织包含写作辅助、IT编程、终端解释器、语言翻译、辩论演讲等多个细分模块Word中可直接查阅和搜索关键词。目前已有220人学习下载。读者既能直接复制套用其中的提示词模板也能参考其结构化写法举一反三地设计个性化提示词从而提升与AI对话的准确度和任务完成效率尤其适合希望系统提升提示词工程能力的初学者与经常使用AI辅助工作的效率派。1. 一份提示词清单解决的不是“词汇量”而是“问法”很多人拿到 GPT 的第一反应是“不知道问什么”或者问出来的结果泛泛而谈、正确但没用。问题通常不在模型而在提示词的颗粒度。所谓“GPT 提示词大全”本质上是一套被筛选过的、可复用的提问模板它把角色、指令、上下文、输出格式这些变量固定下来让你不用每次从零开始和模型博弈。基础版意味着只覆盖最常见、最稳定的场景写作、分析、编程、翻译、格式转换。适合两类人一类是刚把 GPT 接入工作流、还在靠自然语言“碰运气”的用户另一类是已经在用提示词、但想把自己的提问方式系统化沉淀成文档的工程师。前者能直接抄作业后者能借这份结构梳理自己的私有库。这跟背单词不一样背完了要会用而提示词大全的价值在于——你不需要背只需要知道什么场景翻哪一条。2. 拆解提示词的四要素以及为什么“长”不等于“好”2.1 一条合格提示词的信息构成把任意一条效果稳定的提示词拆开里面都同时存在四类信息角色设定、任务指令、上下文材料、输出约束。角色设定让模型进入特定视角任务指令告诉它做什么上下文材料提供做这件事所依据的事实输出约束决定答案的形态。四者齐备模型才能稳定输出可用结果。举个例子假设你要让 GPT 写一封客户道歉邮件你是一位有 5 年经验的客户成功经理角色设定。 请根据以下背景写一封道歉邮件任务指令 客户张三的订单因库存问题延迟 3 天发货他要求全额退款上下文材料。 邮件需要包含道歉、原因说明、补偿方案字数 150 字以内语气诚恳但不要过度卑微输出约束。把这段话拆解后可以看到角色设定限定了语言风格任务指令避免了“写一封邮件”这种模糊请求上下文材料让模型不用瞎编理由输出约束则直接控制长度与语气。如果去掉其中任何一部分结果都会明显偏差。2.2 “字数多”与“信息密度”的区别不少人误以为提示词写得越长越好其实恰恰相反。模型的注意力是有限的上下文越长模型对指令尾部的记忆越模糊且长文本中往往夹杂了大量无关信息干扰任务执行。基础版的提示词应该控制在 30 到 100 字左右保证每条指令只表达必要的信息。我一般用这样一个检查标准如果一个初中生能不看任何补充说明、只凭这段话就完成你要求的任务那这条提示词就算合格。如果做不到说明还需要补充信息如果做得到但模型做不好那问题通常出在模型能力而不是提示词措辞。2.3 常见误用把提示词当成聊天记录很多人在 ChatGPT 里连发十几轮消息每一轮都在补充信息然后抱怨模型“忘记”了之前的要求。这不是模型缺陷而是提示词的结构问题。正确的做法是把核心指令写成单一、完整的提示词而不是依赖对话历史。如果要分步那就明确告诉模型“先给出大纲等我确认后再生成全文”用一条提示词内的分步指令代替多轮对话。信息类型作用缺失后果角色设定约束语气与专业度回答过于通用或口吻不一致任务指令明确目标答非所问上下文材料提供事实依据模型编造信息输出约束控长度与结构结构松散、篇幅失控提示基础版提示词中各条信息应当各自成句不要混在一起写成一整段。模型对清晰的分句结构更敏感。下面用一个实战例子演示从“无效”到“有效”的迭代。无效版有没有写简历的建议这条提示词没有给出任何角色、上下文或输出约束模型只能给出一堆正确的废话。Common Zettelkasten 之类的高级技巧在这个场景没有参考价值但基础版的修改思路是通用的把缺失的三要素补上。有效版你是一位资深 HR 面试官角色。我要应聘前端开发岗位上下文。请列出技术简历中必须包含的 5 个核心模块并为每个模块提供一段示例文字任务指令。用 markdown 格式输出每段不超过 100 字输出约束。同一个需求补全提示词后的输出质量会明显提升。这就是“基础版大全”的价值它不是让你背下所有模板而是让你掌握补全缺失信息的思考方式。3. 场景化模板示例从“大全”里抽 5 条直接能用的抄作业3.1 为什么按场景分类比按指令类型分类更实用搜索“GPT 提示词大全”的人通常带着具体的使用目标而来——比如写周报、写文案、做数据分析。按场景分类的好处在于你能直接对照自己的需求找到对应模板而不是拿着一个“提问技巧”概念自己推导。基础版不需要抽象的提示词理论只需要高频场景覆盖。3.2 写作类模板中文职场里最高频的场景是写邮件、写周报、写会议纪要。三条模板足够覆盖职场通知邮件你是一位行政助理角色。请根据以下通知内容撰写一封内部通知邮件【通知内容】。要求标题简洁、正文分三段、含发件人落款、语气正式输出约束。周报生成你是一位项目助理角色。以下是本周工作事项的原始记录【列出事项】。请将其整理为周报包含上周完成、本周进行中、风险与求助三个部分。每条事项不超过 50 字用列表格式输出输出约束。会议纪要请阅读以下参会录音转写文本上下文材料提取关键决定事项并生成会议纪要。要求使用待办清单格式每条待办包含负责人、截止时间和可验证的交付结果输出约束。忽略寒暄和无关讨论任务指令。这三条模板的共同点是角色设定提供了专业性输出约束保证了格式统一。写作类任务不需要太高的信息密度反而需要明确的格式指示。3.3 编程类模板程序员使用 GPT 的场景大多不是让模型“写代码”而是让模型“改代码”“解释代码”“生成测试”。以下三条是基础版中出镜率最高的代码重构你是 Python 专家角色。请对下面这段代码进行重构【粘贴代码】。要求保持原有功能不变、使用 Python 3 的类型注解、将长函数拆分为多个小函数、每个新增函数必须出差 docstring输出约束。先列出重构计划再输出完整代码任务指令。生成单元测试以下是某模块的源码【粘贴代码】上下文材料。请为这个模块生成 pytest 单元测试。要求覆盖正常路径、边界条件、异常输入三种场景使用 fixture 隔离外部依赖输出可直接运行的测试文件输出约束。解释代码请用通俗的语言解释以下代码片段的作用【粘贴代码】。要求先一句话总结整体功能再逐行解释关键逻辑最后指出潜在的坑和改进建议输出约束。与写作类模板相比编程类提示词对“上下文材料”的要求更高。如果不贴代码、只描述需求模型会自己发明一个示例输出结果自然无法直接用到你的项目里。3.4 分析类模板分析类任务是提示词工程中比较有门槛的一类因为容易被模型生成的“看起来合理”的内容误导。基础版只需要掌握一个核心原则要求模型基于给定的数据输出结论而不是让它凭空发挥。数据分析以下是一组销售数据的 CSV 格式片段【粘贴 CSV 数据】上下文材料。请完成1. 分析各产品线月度环比增长率2. 找出下降趋势最明显的产品线并说明原因3. 给出对应调整建议任务指令。要求以表格形式输出前两项以三段文字输出第三项每段不超过 100 字输出约束。这种写法一方面用“粘贴数据”锁定了事实另一方面用分段指令把任务拆解成明确的子步骤避免模型一次性输出过于笼统的分析。提示分析类提示词中务必给模型足够的数据量。只给两三行数据模型会强行得出结论误导性极强——这不是模型不诚实而是它被要求完成不可能的任务。4. 用 Python-docx 把提示词大全整理成可维护的 docx 文档4.1 为什么选择 docx 而不是 Markdown 或 PDF标题里的“docx”并非无关紧要。对于团队内部的知识沉淀docx 是最不容易被抱怨的格式不需要安装额外软件、所有人都能直接编辑、可以设置密码保护部分内容。相比 Markdowndocx 不会出现字符渲染问题相比 PDFdocx 方便你随时增删条目。用 Python-docx 库可以生成结构统一且可批量更新的提示词大全文档。先把环境装好pip install python-docx注意需要是 python-docx 而不是 docx后者是一个不同且过时的库。安装完成后可以通过一个简单的命令验证是否成功python -c import docx; print(docx.__version__)4.2 生成一份带目录结构的基础版大全下面这段代码只能生成“基础版”提示词文档的骨架——目录标题、分类段落、表格填充from docx import Document from docx.shared import Pt from docx.enum.text import WD_ALIGN_PARAGRAPH doc Document() # 设置默认字体避免中文文档默认字体不兼容的问题 style doc.styles[Normal] style.font.name Calibri style.font.size Pt(11) # 添加一级标题 doc.add_heading(GPT 提示词大全 - 基础版, level1) # 添加分类标题和说明段落 doc.add_heading(一、写作类模板, level2) doc.add_paragraph( 适用于邮件、周报、会议纪要等日常工作场景。 所有模板均包含角色设定与输出约束可直接替换占位内容后使用。 ) # 创建模板表模板名称 / 适用场景 / 提示词内容 table doc.add_table(rows1, cols3) table.style Light Grid Accent 1 hdr table.rows[0].cells hdr[0].text 模板名称 hdr[1].text 适用场景 hdr[2].text 提示词内容 templates [ (通知邮件模板, 内部行政通知, 你是一位行政助理。请根据以下内容【此处粘贴内容】撰写一封内部通知邮件。要求标题简洁、正文分三段、含落款。), (周报生成模板, 每周工作报告, 以下是本周工作事项【此处粘贴事项】。请整理为周报包含上周完成、本周进行中、风险与求助三个部分。), (会议纪要模板, 会议记录整理, 请阅读以下转写文本【此处粘贴文本】提取关键决定事项并生成待办清单。), ] for name, scene, content in templates: row table.add_row().cells row[0].text name row[1].text scene row[2].text content doc.save(GPT提示词大全_基础版.docx) print(文档已生成)这段代码的逻辑分四步初始化 Document 对象、设置默认样式、插入结构化内容、保存文件。其中add_heading会自动把文本设置为标题样式add_table则创建一个带边框的表格。table.style指定了表格的视觉样式Light Grid Accent 1是内置样式中最适合阅读的一种。运行成功后你会在当前目录下得到一个可以双击打开的 docx 文件。此时你已经拥有了一份可维护的提示词大全初始版本——后续只需要维护 Python 脚本中的templates数组重新运行就能重新生成文档。4.3 从 Excel/JSON 批量生成避免手动维护当模板数量超过 20 条时直接在 Python 代码里维护数据会变得不方便。常见做法是把提示词内容放到 JSON 文件里再在 Python 中读取。下面是一个 JSON 文件示例{ categories: [ { name: 编程类, desc: 适用于代码解释、重构、测试生成, templates: [ {name: 代码重构, scene: 优化已有代码, content: 你是 Python 专家请对以下代码【粘贴代码】执行重构。} ] } ] }import json from docx import Document doc Document() with open(templates.json, r, encodingutf-8) as f: data json.load(f) for cat in data[categories]: doc.add_heading(cat[name], level2) doc.add_paragraph(cat[desc]) table doc.add_table(rows1, cols3) table.style Light Grid Accent 1 hdr table.rows[0].cells hdr[0].text 模板名称 hdr[1].text 适用场景 hdr[2].text 提示词内容 for t in cat[templates]: row table.add_row().cells row[0].text t[name] row[1].text t[scene] row[2].text t[content] doc.save(GPT提示词大全_基础版.docx) print(共写入, sum(len(c[templates]) for c in data[categories]), 条模板)encodingutf-8是打开 JSON 文件的必要条件——Windows 下如果不加中文字符会出现UnicodeDecodeError。注意这里不推荐用 Excel 作为唯一的维护源因为 JSON 更容易做版本控制且在后续接入其他工具链比如自动抓取网上模板时更节省代码量。Excel 适合重新排版不适合做原始数据源。5. 模板失效时的体检清单以及怎么用“反向提示词”自测5.1 结果不理想时先对照四个方向提示词输出效果不理想不要第一时间怀疑模型版本或 API 参数先按以下清单检查。这四类问题的修法各不相同针对性远比“换个说法再试一次”有效。症状常见原因修法输出过于开放、没有实质内容缺少约束条件补上“必须包含哪些点”“禁止出现什么”语气不对、像 AI 官腔缺少角色设定明确“你是一名资深 X”“你的风格是……”内容错误、编造数据上下文材料缺失把已知事实直接黏贴进提示词结构混乱、不分段缺输出格式要求注明“用 markdown 表格输出”“先给结论后展开”比如当你发现 GPT 输出的周报像流水帐问题通常不是“不会写周报”而是你没有提示它按“结果导向”的方式表达。这时可以追加一句“每项工作必须写成‘动作 量化结果’的形式”输出立刻就变了。5.2 反向提示词用“不该做什么”框定边界基础版提示词大全里最适合收藏的一类是反向提示词。它的思路很简单当正向指令不足以表达你的要求时明确告诉模型“不要做什么”。比如你是一位资深内容编辑角色。以下是用户提供的原始稿件【粘贴稿件】上下文材料。请对稿件进行润色要求不改变原有信息顺序和事实、不要使用过于华丽或卖弄词藻的语言反向约束、修改完成后在一份列表中列出你改动了哪些句子及修改原因输出约束。这种写法的妙处在于把模型容易犯的错误直接排除掉效果比反复强调“要简洁”稳定得多。很多工程团队做提示词基线测试时会用反向提示词进行压力测试如果模型连“不要做什么”都无法稳定遵循那条正向提示词同样不可靠。5.3 验证模板有效性的最小方法你可以用最小测试集来验证自己的提示词模板是否稳定。不邀请同事测试不写复杂评估脚本只用三个维度同一提示词跑三次、变换措辞再跑一次、追加无关上下文再跑一次。验证场景操作通过标准稳定性同一提示词连续执行 3 次核心要点输出无结构变化鲁棒性使用同义词替换指令词不再生成无关内容抗干扰性在提示词中追加一句不相关信息不因此改变输出结构最后一组数据值得进一步解释“抗干扰性”。如果追加一句无关信息会影响输出结构那说明你的提示词上下文依赖过于敏感需要把约束条件写得更明确。这个小技巧只花两分钟但能避免你在生产环境中反复调试。本文还有配套的精品资源点击获取