简介：这套便携式PDF文档精选了一百五十个ChatGPT提示词模板，并以中英文对照形式呈现，面向自然语言处理爱好者、机器学习从业者以及语言模型研究者，也适合日常希望提升AI对话效率的普通用户。模板覆盖范围很广，包括Linux终端模拟、英语翻译与润色、面试官角色扮演、旅游向导、抄袭检测等常见场景，每个模板既给出中文指令，又保留英文原版，既能直接套用快速搭建对话流程，也能参考其任务拆解与措辞思路，学习如何向大模型提出精准需求。资源仅包含一个PDF文件，体积为5.18MB，内容结构化，便于离线查阅与跨设备保存。目前已有1271人浏览学习，尤其适合具备一定自然语言处理或机器学习基础、希望深入掌握提示词工程的读者。总体而言，这份资料既是实用的提示词素材库，也是理解ChatGPT应用方式的入门参考。

1. 这 150 个模板到底值不值得一份份去抄

刚接触 ChatGPT 的人大多有这种经历：想让它当翻译、当面试官、当 Linux 终端，结果每次都在对话框里现编提示词，编出来的要么太笼统、要么漏了关键约束，运气好能用，运气差就绕圈子。这份《ChatGPT使用秘籍：150个ChatGPT提示词模板（中英文版）》解决的就是这个问题：把高频场景的提示词预先写成可直接粘贴的模板，你拿来改改占位符就能用。资源本身是一份 PDF，内容以提示词功能列表为主，每个模板都给了中英文两版，覆盖角色扮演、工具替代、写作创作、学习辅导、生活娱乐五大类。它不是教程，不教你模型原理，也不提供训练代码，而是一份拿来即用的提示词手册。适合有基础自然语言处理和机器学习概念、想提升对话系统落地效率的从业者，也适合需要批量生产结构化提示词的运营和产品同学。

2. 先把 150 个模板拆出结构：五类功能与两种语言版本怎么读

拿到 PDF 第一件事不是从头读到尾，而是先把模板按功能分类。全部 150 条看着数量大，但只要按"这个模板在逼模型扮演什么角色、输出什么形态"来拆，结构一下就清楚了。

2.1 角色扮演类模板：占位符和角色一致性是核心

角色扮演类在资源里占比最高，典型代表是"充当 Linux 终端""担任岗位面试官""充当英语翻译和改进者"。这类模板的特征是开头第一句固定为"我希望你充当/担任/扮演某角色"，后面跟着对这个角色的行为约束。

以"充当 Linux 终端"为例，完整模板可以拆成这类结构：

我希望你充当 Linux 终端。我会输入命令，你会回复终端应该显示的内容。 我希望你只回复一个唯一的代码块，不要写解释。 除非我指示你这样做，否则不要输入命令。 当我需要用英语告诉你一些内容时，我会用花括号 {像这样}。 我的第一个命令是 pwd。

逻辑说明：第一句定义角色和交互契约，第二句约束输出格式（代码块、无解释），第三句约束模型不要主动越权，第四句定义特殊标记规则，第五句给出首触发指令。这五句缺一不可，少了输出格式约束，模型经常会把命令解释和终端输出混在一起回给你。

参数说明：第五句"我的第一个命令"是每次使用必须替换的位置，把它换成你实际要执行的命令即可。如果你想连续跑多条命令，发完第一条后直接输入下一条，角色设定仍会保持，因为上下文里一直有"充当 Linux 终端"这条指令存在。

2.2 工具替代类模板：输出格式是灵魂

第二类是拿 ChatGPT 当工具用，代表模板有"充当 JavaScript 控制台""充当 Excel 工作表""充当抄袭检查员"。这类模板跟角色扮演的差别在于：它不追求角色人格，而追求输出能被机器直接解析。

以"充当 JavaScript 控制台"模板为例：

I want you to act as a javascript console. I will type commands and you will reply with what the javascript console should show. I want you to only reply with the terminal output inside one unique code block, and nothing else. do not write explanations. do not type commands unless I instruct you to do so. when i need to tell you something in english, i will do so by putting text inside curly brackets {like this}. my first command is console.log("Hello World");

逻辑说明：这个模板比 Linux 终端更强调"只回终端输出"，连续用了 only reply、nothing else、do not write explanations 三个否定约束，核心目的就是防止模型把 console.log 的执行结果和解释性文字混在一起。你拿它调试一段 JavaScript 逻辑时，能直接复制输出结果，不用人肉过滤多余文字。

参数说明：花括号声明是这类模板的共同约定，作用是让模型区分"你输入的代码"和"你要与模型说的话"。如果你要执行 console.log() 但希望模型忽略其中某段，就把那段放进花括号。注意中英文版模板的语言不同，但协议完全一致，实际使用时中文版更省 token。

2.3 写作创作、学习辅导与生活娱乐类模板的交叉用法

剩下三类模板数量多、结构差异不大，核心都是同一套"角色+行为+格式"骨架，只是替换了内容方向。

写作创作类包括"充当小说家""充当编剧""充当诗人""充当说唱歌手""充当影评人"，这类模板会额外要求风格参数，比如"充满想象力的故事""有转折的剧情""能触动灵魂的诗句"。学习辅导类包括"担任数学老师""担任哲学老师""担任 AI 写作导师""担任职业顾问"，这类模板的特征是允许模型提问和反问，交互是多轮的。生活娱乐类包括"充当旅游指南""扮演脱口秀喜剧演员""充当魔术师"，这类模板行为约束最松，主要靠场景描述约束发散程度。

这三类的交叉用法很容易被忽略：写作创作模板改一下输出格式，就能变成学习辅导工具。比如把"充当影评人"的回复从段落改成"主题/表演/摄影/综合评价"四个字段的分条文本，它就从影评人变成了结构化的内容分析器。这个改造在我接触的很多新媒体运营场景里，比单独用学习辅导类模板更实用，因为影评人模板本身已经内置了分析维度，你只是换了个输出容器。

3. 提示词的通用公式：角色、行为、格式、首触发句

把 150 个模板都翻完会发现，它们不可能是 150 种完全不同的写法，背后是同一个四要素公式。看懂了公式，你就不需要死记模板，遇到新场景自己就能组装。

3.1 拆解模板公式：以"充当英语翻译和改进者"为例

这个模板是资源里被引用最多的一条，完整长这样：

我希望你能充当英语翻译、拼写纠正和改进者。 我会用任何语言与你交流，你将检测语言，翻译它，并用更美丽、更优雅、更高级的英语单词和句子回答我的文本。 保持意思相同，但使它们更具文学性。 我只希望你回答纠正和改进，不要写解释。 我的第一句话是"我非常喜欢伊斯坦布尔，来这里很美好。"

逻辑说明：四要素在这条模板里的布局非常标准——"充当英语翻译、拼写纠正和改进者"定义角色；"我会用任何语言与你交流"定义交互方式；"用更美丽、更优雅、更高级的英语单词和句子回答"定义行为标准；"不要写解释"定义输出边界；最后一句定义第一个输入。你把"英语"换成"日语""法语"，把"文学性"换成"商务严谨性"，就得到了一条新提示词。

参数说明："保持意思相同，但使它们更具文学性"这句是质量杠杆，很多人在实际使用时会把它删掉，结果模型只做直译，改写得平淡无味。如果你要的是商务邮件润色，把"更具文学性"替换成"更正式、更简洁、逻辑层次更清晰"即可。末尾的"我的第一句话"同样必须替换成你自己的文本，否则模型会一直等你发那指定的一句话。

3.2 语言方向与语气参数：中英文版模板的差异处理

资源里每条模板都有中英文两版，很多人的误区是"英文版效果更好所以只用英文版"。实际拆下来你会发现，中文版的约束句在控制模型行为上往往比英文版更稳，原因是中文指令在抑制解释性输出方面歧义更少。

我的处理习惯是：角色名保留英文，行为约束用中文。比如"充当哲学家"这条，中文版写"我会提供一些话题或问题，你的工作是深入探索这些概念"，比英文版"you will explore these concepts in depth"对回答深度的约束更明确。中文里"深入探索"四个字已经把期望的输出层次说清楚了，英文的 in depth 则容易被模型理解为字面深度。

语气参数是另一处容易被忽略的差异。英文模板里的 polite 约束，比如"please""thank you"，在中英文版模板里出现的频率不一致。我一般不删但也不依赖它，因为模型对礼貌词的行为响应并不稳定，真正决定输出质量的是角色描述和输出格式约束，语气词最多影响开头一句的措辞。

3.3 给模板加示例约束：少样本提示的活用

资源里的模板大多数是零样本提示，也就是只给角色和行为描述，不给示例。但实际使用中，真正让模板稳定的是自己在对话里补一个示例。

以"充当抄袭检查员"为例，原模板只要求回复 undetected 或检测结果。实际使用时，我先手动发一条带明显改写痕迹的句子给它，让它给出判定格式，然后追加一句"后续按此格式回复"：

充当抄袭检查员。我会给你句子，你只回复该语言下的抄袭检测结果，不写解释。 参考格式： 输入：This is a sample sentence. 输出：undetected 我的第一句话是："For computers to behave like humans..."

逻辑说明：加一个参考格式相当于给了模型一个输出锚点，比单纯说"只回复结果"要稳得多。模型会倾向于模仿示例的格式，而不是自己发挥。这个技巧对工具替代类模板尤其有效。

参数说明：示例可以给一条，也可以给两条形成对比，比如一条 undetected、一条 detected，模型会更快理解分类边界。但示例别超过三条，过多示例会挤占上下文空间，在长文本输入时反而降低判断准确率。

4. 把现成模板改成自己的业务场景：三个可复用的改写动作

资源给的是通用模板，直接拿来能用，但用得好不好，取决于你会不会做场景化改写。下面三个动作是我在多个实际项目里反复用的，每一个都能单独用，也能叠加。

4.1 动作一：替换角色描述，把面试官改成行为面试官

"担任岗位面试官"模板的通用版本只定义了"面试官-应聘者"关系，没有行业和职级参数。要改成技术岗行为面试，需要在角色名后面追加两到三个限定词。

我希望你担任资深前端岗位的行为面试官。 我会扮演应聘者，你将基于候选人过去经历提问，重点考察项目决策过程和冲突处理方式。 不要给题目评分，不要一次性列出所有问题。 每问完一个问题，等待我的回答再继续。 第一轮问题请从"请讲一个你推动技术方案落地的项目"开始。

逻辑说明：第一句把"面试官"改成"资深前端岗位的行为面试官"，第二句定义提问维度（过去经历、项目决策、冲突处理），第三句约束输出边界（不评分、不列题），第四句定义交互节奏，第五句给出第一个问题。对比原模板，改动集中在角色描述和提问维度上，交互格式原封不动。

参数说明："资深前端岗位"和"行为面试"两个词分别限定行业层级和面试方法。如果你想面的是校招，把"资深"换成"初级"，行为面试改成"基础知识+行为面试"；想面后端，把"前端"换掉即可，其他结构不用动。

4.2 动作二：更换输出格式，从文本回答变成表格输出

写作创作类模板默认输出是连续文本，但很多工作场景需要结构化结果。改造方法是直接追加一个输出格式约束。

充当影评人。你将针对电影撰写有洞察力的评论，覆盖剧情、主题、表演、摄影、剪辑、节奏、配乐。 请按以下字段输出： | 维度 | 评分(1-10) | 评论 | 不要写总结性段落，不要泄露关键情节。 我的第一个请求是："分析这部电影的叙事结构"。

逻辑说明：把原模板的"撰写评论"改成了"按字段输出"，并直接用 Markdown 表格语法定义了输出容器。模型会按维度逐行填充，比让它自由写一段影评更容易用于后续的数据整理。

参数说明：表格字段可以按需增删，比如做短视频文案分析时，我把字段改成"爆点位置/情绪曲线/台词密度/可模仿性"，模型照样能按格式输出。Markdown 表格语法不需要写完整，写列头模型就能推断出结构。注意"不要写总结性段落"这句要保留，否则模型会在表格后面习惯性补一段分析。

4.3 动作三：追加限定词，控制回复长度和术语

资源里很多模板没写长度约束，模型默认会回得很长。追加限定词是成本最低的改造方式。

充当哲学老师。你将解释我提供的哲学概念，要求易于理解。 请控制在 200 字以内，先给结论再给例子。 不要使用"本体论""认识论"等未解释的术语。 我的第一个问题是如何将不同哲学理论应用到日常生活。

逻辑说明：三段约束分别控制长度、输出顺序、术语使用。"先给结论再给例子"这条对模型输出结构的影响比"说人话"这类模糊要求有效得多，因为模型对顺序性指令的遵循率远高于风格性指令。

参数说明：字数约束用"200 字以内"比"简短一点"可靠，模型对具体数字的响应稳定。术语约束要列出具体词，列举得越细，屏蔽越有效。如果跑完发现还有术语漏出来，把漏的那个词追加进约束里用一轮，基本就能压住。

5. 提示词模板落地避坑指南：五个高频翻车现场

模板抄下来能跑通是第一步，真正折磨人的是跑着跑着行为就变了。以下五个问题我在使用过程中反复遇到，都按"现象→原因→解决"记录下来。

5.1 翻车现场一：角色演着演着掉了

现象：让模型充当某角色，前三轮很稳，第五轮开始突然用"作为一个 AI 模型"的口吻回答，或者输出里混入解释性文字。

原因：角色指令只存在于系统消息和历史对话中，随着对话轮次变长，模型对角色约束的记忆权重被新内容稀释。尤其是多轮对话里每轮回复都很长时，最早的指令在注意力上占比会明显下降。

解决：换新对话粘贴模板，或者每隔几轮手动补一句"继续以上角色回答"。我一般在第 5 轮左右补一次，如果对话很长，每 5 到 7 轮补一次。与其让角色跑偏后再纠偏，不如主动刷新指令。

5.2 翻车现场二：中英文混用导致行为漂移

现象：用中文版模板开局，模型规规矩矩回中文。聊着聊着输入里带了英文术语，模型后半段开始切换成英文输出，而且角色行为也变了。

原因：模型在上下文里检测到语言切换，会倾向于跟随最近输入的语言。英文术语的出现让它误判你希望它用英文表达，而语言切换往往同时带走了它对你先前中文行为约束的注意力。

解决：在模板里追加一句"无论输入包含何种语言，始终使用中文回复，保留专业术语英文原文"。这句话要放在角色定义之后、首触发之前。另外专业术语尽量首次出现时给中文括注，减少模型对语言方向的误判。

5.3 翻车现场三：输出格式约束失灵

现象：明确要求"只回复代码块，不写解释"，前几轮正常，某次输入内容较长时，输出里多了"这段代码的作用是……"之类的解释。

原因：输入复杂度升高时，模型的默认行为是尽量帮助用户理解，这个默认偏好会压过之前的格式约束。尤其是模板里的约束只出现一次，且位置在比较靠前时，容易被长输入挤出有效上下文。

解决：把格式约束在模板里重复两遍，开头一遍、命令提示前再强调一遍。比如"只回复终端输出，不写解释"放在第一句，然后"记住：不要解释"放在首触发句之前。对长输入任务，可以在输入内容后面追加"严格按之前的输出格式执行"。

5.4 翻车现场四：多任务塞进一个模板

现象：想让模型同时担任翻译和写作导师，于是把两个模板拼在一起。结果翻译不彻底、修改建议也不到位，两头都做不好。

原因：两个角色对应的指令之间存在竞争，模型在生成每个 token 时都要权衡该跟随哪套约束，最终得到的往往是折中输出。角色越不相干，折中越严重。

解决：一个对话只保留一个角色。需要多任务时，拆成两个独立对话，或者先让翻译角色完成输出，再把输出复制到新对话中交给写作导师角色。如果你想在一个对话里切换，用新对话粘贴新角色模板，不要在旧对话里改角色名。

5.5 翻车现场五：占位符没替换就发送

现象：模板里写了 {character} 和 {series}，直接原样发送后，模型开始扮演"角色"这个字面意思，输出变得莫名其妙。

原因：占位符本身被当作角色名输入了。模型不知道这是待替换的位置，会把 {character} 视为你要它扮演的实体角色。

解决：发送前先用查找替换把模板里所有花括号占位符处理完。批量使用模板时，我一般先把每条模板过一遍替换检查，确认没有残留花括号再进入对话。这条看似低级，实际是新手翻车率最高的位置。

6. 从模板到个人提示词库：版本管理、回归测试与复用技巧

150 条模板用熟之后，下一步是把它改造成自己的私有资产。我不建议在 PDF 里直接改，而是建一个自己的提示词台账。

台账按四要素字段建表，每条记录五列：

每次改模板，不要在原记录上覆盖，而是复制一行改参数、注明改动原因。这样遇到模型行为不稳时，可以随时回滚到上一版，比每次临场重写好救急得多。我自己的经验是：一次只改一个参数，改完立刻跑同一段输入做对照，比如同样拿"请讲一个你推动项目落地的经历"去测新版面试官模板，观察行为是否一致。如果输出与上一版差异巨大且不是你想要的，说明改动方向错了，直接回滚。

对常用模板，我还会额外保存两个版本：精简版和鲁棒版。精简版删掉语气词和冗余描述，用于上下文长度受限的场景；鲁棒版保留所有边界约束，用于长对话或复杂输入。这两个版本用同一份台账管理，只差在约束密度上。从那以后，我每次拿到一个新的提示词任务，都强制走一遍"角色拆解、行为限定、输出定型、首句触发"四步，再进台账回归测试一次，确认行为没跑偏才正式投入使用。这套流程跑顺之后，基本告别了现场编提示词和反复试错的日子。希望这份模板资源和这套用法，能帮你在调提示词这件事上少走几趟弯路。

本文还有配套的精品资源，点击获取