- 提示工程
- AI 安全治理
【免费下载链接】TheBigPromptLibrary
A collection of prompts, system prompts and LLM instructions
本文以 TheBigPromptLibrary 仓库中收录的 Cheat Checker 自定义指令为唯一主体，逐句拆解这条"AI 生成文本检测型 GPT"系统指令的设计逻辑：它面向什么用户、分析什么文本、依据哪些信号给出置信度结论，以及如何在"不妄下断语"的前提下为教师提供学术诚信审查工具。读完本文，你将掌握一条可复制的"内容出处评估类"GPT 指令的完整骨架，并能结合仓库内的解析工具与同类指令文件，快速理解、复用乃至自己构建类似的检测型 Custom GPT。
一、指令文档出处与仓库背景
TheBigPromptLibrary 是一个以学习为目的的提示词与 LLM 指令收藏库，集中收录了 ChatGPT 自定义 GPT（Custom GPT / Custom Instructions）的系统指令、系统提示词、越狱提示词与指令防护提示词等，覆盖 ChatGPT、Copilot、Claude、Gemini 等多家服务商（见 仓库 README）。
其中 Cheat Checker 的指令文件位于：
- CustomInstructions/ChatGPT/WgeJLcRZa_Cheat Checker.md
在仓库的 CustomInstructions 目录索引 中，它被登记为Cheat Checker（id: WgeJLcRZa）。该文件遵循仓库统一的 GPT Markdown 记录格式，仅包含GPT URL、GPT Title、GPT Description与GPT instructions四个字段；而仓库的解析模块 Tools/openai_gpts/gptparser.py 定义了更为完整的可选字段集合（url、title、description、logo、verif_status、instructions、actions、kb_files_list、extras、protected），说明这类文件本质上是"GPT 元数据 + 系统指令正文"的标准化记录。
该文件头部记录的原始元数据为：
- GPT URL：
https://chat.openai.com/g/g-WgeJLcRZa-cheat-checker/ - GPT Title：Cheat Checker
- GPT Description：Assists educators in analyzing student work for GPT-origin with formal, accurate assessments.（由 community builder 构建）
二、完整指令原文
以下为文档中GPT instructions字段的完整原文，本文所有分析与推导均以此为事实依据，不进行任何增删：
Cheat Checker is specifically designed for educators and teachers to analyze student work, determining the likelihood of it being GPT-generated. It focuses on academic texts, adeptly handling a range of styles from essays to research papers. Cheat Checker uses its understanding of language patterns, stylistic elements, and typical GPT-generated text characteristics to provide informed, estimated confidence percentages. It maintains a formal, academic tone, suitable for educational settings. In cases of uncertainty, Cheat Checker adopts a cautious approach, clearly stating any limitations in its analysis. It avoids making definitive conclusions, instead offering well-considered assessments. This GPT is tailored to support educators in maintaining academic integrity, providing them with a tool to scrutinize student submissions effectively.短短一段英文指令，却包含了角色定位、分析对象、检测依据、输出规范、语气要求、不确定性策略与最终目标七个层面的约束。下面逐一拆解。
三、逐层拆解：Cheat Checker 指令的核心设计要素
3.1 用户画像与使用场景
指令开篇即锁定目标用户——educators and teachers（教育工作者与教师），并明确了其核心诉求：analyze student work（分析学生作业），判断其文本是 GPT 生成的可能性。
这是一个非常典型的"角色限定型"指令写法：先声明"为谁服务"，再声明"解决什么问题"。从提示词工程角度看，这种开篇写法的作用是：
- 让模型在生成阶段的立场与语气一开始就锚定在"教育场景的正式审查工具"上，而非"一般的文本分析器"；
- 限定输入范围（学生提交物），避免模型把通用文本也纳入"学术诚信审查"的语境；
- 为后续的行为边界（不做武断结论、说明局限性）提供正当性——因为使用者是负有评价责任的教师，输出必须经得起推敲。
3.2 分析对象与文本类型
指令进一步限定分析对象为academic texts（学术文本），并明确覆盖的文体范围：从 essays（论文/小作文）到 research papers（研究论文）。
这一限定并非随意为之。学术文本与日常闲聊文本在语言特征上差异显著：学术文体句式规整、术语密集、论证结构严谨，而这类特征恰好也是"GPT 生成文本"最容易暴露同质化痕迹的场景。从源码结构看，这条指令选择了"聚焦单一领域"的策略——与其训练一个对任何文本都"泛泛而谈"的检测器，不如让模型专注在学术文体的语言模式上，从而提升判断的一致性与可解释性。
3.3 检测信号体系
指令给出了检测判断所依赖的三类信号来源，这是全篇最具技术含量的一句话：
It uses its understanding oflanguage patterns（语言模式）,stylistic elements（文体元素）, andtypical GPT-generated text characteristics（典型的 GPT 生成文本特征）to provide informed, estimated confidence percentages.
- 语言模式（language patterns）：包括句长分布、连接词使用频率、段间过渡方式、重复句式等统计层面的可观察特征；
- 文体元素（stylistic elements）：包括修辞手段、语域（register）、术语密度、被动语态使用习惯等风格层面的信号；
- 典型的 GPT 生成文本特征（typical GPT-generated text characteristics）：包括结构过于匀称、缺乏个人化细节、过度使用总结性套话、论证"面面俱到但缺乏实质证据"等模型输出的通病。
需要特别说明的是：指令中的表述是"uses its understanding of…"（运用其对…的理解），而非"运行某种外部检测器"。这说明 Cheat Checker 采用的是模型内生的启发式判断，而不是调用第三方 AI 检测 API。这一点与仓库中另外两类"检测对抗型"GPT 形成鲜明对比——后者恰恰依赖外部 API，详见本文第六节。
3.4 输出规范：置信度百分比
指令明确要求输出estimated confidence percentages（估算的置信度百分比），且刻意用了两个限定词：
- informed：判断必须建立在上述信号分析之上，而非空泛表态；
- estimated：数值是估算，不是精确测量。
这实际上是给输出格式定了一条硬约束：结论必须量化、可比较。教师在面对大量学生作业时，一个"65% 疑似 AI 生成"的数值，比一句"看起来不太对劲"更有参考与归档价值。同时，用"estimated"一词预先埋下免责与严谨的基调，与下文"不做最终定论"的策略形成呼应。
3.5 语气与伦理边界
指令要求maintains a formal, academic tone（保持正式、学术化的语气），并点明理由：suitable for educational settings（适用于教育场景）。
这同样是一条有明确工程意图的约束。检测类工具的输出直接面对一线教师，语气若过于随意或过于肯定，都可能影响教师的专业判断与处置决策。将语气锚定在"正式、学术化"，本质上是在管理模型的输出风格风险。
3.6 不确定性处理与"不妄下断语"策略
这是整条指令伦理设计的核心：
In cases of uncertainty, Cheat Checker adopts acautious approach, clearlystating any limitationsin its analysis. Itavoids making definitive conclusions, instead offeringwell-considered assessments.
四个关键词值得逐一对齐：
| 关键词 | 行为要求 |
|---|---|
| cautious approach（审慎策略） | 面对不确定案例，默认降低结论的笃定程度 |
| stating any limitations（说明局限） | 主动披露本次分析可能的局限，如文体特殊、样本过短等 |
| avoiding definitive conclusions（避免定论） | 不以"这就是 AI 写的"这种绝对化表述收尾 |
| well-considered assessments（审慎评估） | 以"证据 + 理由 + 置信度"的形式给出参考性评估 |
从提示词工程角度，这段可以视为对"过度自信"这一大模型通病的显式抑制：检测类任务天然存在极高的假阳性风险，指令通过"禁止定论 + 强制说明局限"的双保险，把模型的输出从"裁决"降格为"参考"，从而保护学生不被一次不准确的判断伤害。
3.7 最终目标：维护学术诚信
指令以一句总括收尾：tailored to support educators in maintaining academic integrity（专为支持教师维护学术诚信而设计），并给出使用姿态——scrutinize student submissions effectively（有效审阅学生提交物）。
这句收尾的价值在于：它把整个工具的目标从"抓到作弊者"拔高到"维护学术诚信的生态"，暗示输出应当服务于教育目的（帮助学生回归自主写作、引导教师与学生对质与沟通），而非仅仅充当"告密工具"。
四、一次典型分析流程推演
基于上述指令要素，可以从行为层面推演 Cheat Checker 在一次真实会话中的典型工作流（以下为基于指令语义的合理推断，非仓库实测记录）：
- 接收文本：教师粘贴一篇学生提交的学术文本（论文、研究摘要等）；
- 信号扫描：模型按其内部理解，从语言模式、文体元素、GPT 典型特征三个维度对文本进行分析；
- 量化输出：给出估算的置信度百分比，例如"根据句式匀称度、过渡词分布与论证结构推断，本文疑似 GPT 生成的置信度约为 70%"；
- 补充论据：列出支撑该判断的具体观察点（哪些段落特征最明显），便于教师复核；
- 声明局限：当文本较短、文体特殊或证据不充分时，主动说明分析限制，并避免使用绝对化措辞；
- 辅助决策：以正式、学术化的语言给出建议，将结果定位为"评估"而非"定论"。
值得注意的是，指令中并未要求 GPT 提供"改写建议"或"修复方案"——它刻意被设计成一个纯审查工具，职责止步于"评估并说明"，这进一步印证了其"支持教育者、而非代替教育者"的定位。
五、从指令到可复用提示词模板
把 Cheat Checker 的指令结构抽象出来，可以得到一条通用的"内容出处评估型"GPT 指令模板。以下模板保留了原指令的全部设计要素，可作为教师或教育科技从业者自行构建同类 GPT 的起点：
<角色与场景> 你是专为教育工作者设计的文本出处评估助手，用于分析学生提交物，判断其文本为 AI 生成的似然度。 <分析对象> 聚焦学术文本，覆盖从短文到研究论文的多种文体。 <检测信号> 基于语言模式（句式、过渡、词汇密度）、文体元素（语域、修辞、术语使用）以及典型的 AI 生成文本特征（结构匀称、缺乏个人细节、套话化论证）进行分析。 <输出规范> 给出有依据、经估算的置信度百分比，并列出关键观察点供复核。 <语气与边界> 保持正式、学术化语气，适合教育场景；遇到不确定性时采取审慎策略，主动说明分析局限，不做绝对化定论，只提供充分斟酌后的评估。 <最终目标> 支持教育者维护学术诚信，有效审阅学生提交物。与原文相比，模板只是把要素显式分节，方便二次编辑；核心约束（百分比输出、禁定论、声明局限、学术语气）一个不少，保持了原指令的完整性与实战可用性。
六、仓库中的同类生态对照：检测与反检测的两端
TheBigPromptLibrary 在同一目录下还收录了多款与"AI 生成文本检测"直接相关的 GPT 指令。将它们并列阅读，可以更清晰地看出 Cheat Checker 在整个生态中的位置：
| GPT 指令文件 | 定位 | 与 Cheat Checker 的关系 |
|---|---|---|
| Cheat Checker | 检测：判断文本是否为 GPT 生成 | 检测端，纯指令驱动，无外部 API |
| Humanizer Pro | 反检测：将 AI 文本"人性化"以规避检测 | 对抗端，依赖 Action + 外部 API |
| AI Detection Remover | 反检测：去除文本的 AI 特征以绕过检测器 | 对抗端，同样依赖外部 API |
| HumanWriterGPT | 写作端：直接产出"可过 AI 检测"的拟人文章 | 上游替代：跳过检测环节 |
| Essay Writers | 写作辅助：生成初稿并提示"勿直接提交" | 教育场景内的另一姿态 |
从源码结构对比可以看出一个关键差异：Cheat Checker 不依赖任何外部工具调用（Actions），其判断完全建立在模型的内部语言理解之上；而 Humanizer Pro 与 AI Detection Remover 的指令中都明确要求通过 Action 调用第三方 API 完成改写。这一差异意味着 Cheat Checker 的实现成本更低、不依赖第三方服务可用性，但也意味着其判断本质上属于"启发式估计"——这正是其指令反复强调"estimated、cautious、avoid definitive conclusions"的深层原因。
七、在仓库中查看与复用此类指令
如果你希望在本仓库中系统性地检索、解析这类 GPT 指令文件，可以使用仓库自带的工具链：
批量索引与查找：使用 Tools/openai_gpts/README.md 中介绍的
idxtool.py，例如按 GPT ID 定位文件：python idxtool.py --find-gpt WgeJLcRZa也可以传入一个含 ID/URL 列表的文件批量查找：
python idxtool.py --find-gpt @gptids.txt。解析标准格式：Tools/openai_gpts/gptparser.py 实现了
GptMarkdownFile.parse()，它按SUPPORTED_FIELDS（url、title、description、logo、verif_status、instructions、actions、kb_files_list、extras、protected）读取并校验 GPT Markdown 文件。Cheat Checker 文件正是这种格式的实例：URL 字段可用于回推 GPT ID（WgeJLcRZa），instructions 字段承载上文的完整系统指令。生成模板：
gen_gpt_templ.py可通过 GPT URL 或 ID 从 ChatGPT 网站抓取元数据、生成标准模板，便于研究其他同类检测型 GPT 的指令写法。
此外，仓库根 README 中的 "How to get the system prompts or instructions" 一节还说明了如何从各类 LLM 系统获取系统提示词的方法，可作为收集与归档此类指令的背景知识。
八、局限性与使用建议
基于指令内容与仓库证据，最后给出三点理性提示，避免对这类工具产生超出其设计能力的期待：
置信度是估算，不是鉴定结论。Cheat Checker 的指令本身即以 "estimated confidence" 定位输出，没有任何仓库证据表明它具备"实测准确率"或"权威认定"能力。任何 AI 文本检测工具都存在假阳性与假阴性风险，教师应将其作为启动对话与复核的线索，而非处罚学生的唯一依据。
检测与反检测是持续博弈的两端。仓库中同时收录了 Humanizer Pro、AI Detection Remover 等反检测指令，说明"生成—检测—改写"构成一个动态循环。检测型工具的实际效果会随着生成模型的升级与改写工具的普及而波动，评估标准应随之持续更新。
使用姿态比工具本身更重要。该指令的最终目标被明确定义为"支持教师维护学术诚信"，其价值在于把"疑似 AI 生成"从模糊直觉转化为可复核、可量化、附带局限说明的评估。正确的落地方式是与学生开展基于证据的对话，而非单方面依赖一个百分比数字做决定。
参考文件（均位于当前仓库内）
- 关联文档：CustomInstructions/ChatGPT/WgeJLcRZa_Cheat Checker.md
- 仓库总览：README.md 与 CustomInstructions/README.md
- 同类指令对照：Humanizer Pro、AI Detection Remover、HumanWriterGPT、Essay Writers
- 工具与解析器：Tools/openai_gpts/README.md、Tools/openai_gpts/gptparser.py
- 提示工程
- AI 安全治理
【免费下载链接】TheBigPromptLibrary
A collection of prompts, system prompts and LLM instructions
相关推荐
TheBigPromptLibrary 实战解析：Bishop Book TA —— 面向深度学习教材的 RAG 驱动教师助理 GPT 指令设计
TheBigPromptLibrary 实战解析：Bishop Book TA —— 面向深度学习教材的 RAG 驱动教师助理 GPT 指令设计 导读 Bish
提示工程AI 安全治理解析 TheBigPromptLibrary 中的 Content Machine Custom GPT：一个 SEO 内容生产型 GPT 的指令设计与逆向存档机制
解析 TheBigPromptLibrary 中的 Content Machine Custom GPT：一个 SEO 内容生产型 GPT 的指令设计与逆向存档
提示工程AI 安全治理拆解 TheBigPromptLibrary 中的 Creative Writing Mentor：创意写作导师型 GPT 指令的设计解析与实战应用
拆解 TheBigPromptLibrary 中的 Creative Writing Mentor：创意写作导师型 GPT 指令的设计解析与实战应用 导读 本文
提示工程AI 安全治理
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
