简介：这份《ChatGPT中文调教指南》面向希望系统掌握提示词技巧的中文用户，无论是初次接触大模型的职场人，还是想提升日常效率的内容创作者、开发者与研究者，都能从中找到可直接套用的实战范例。资源以单个PDF文档形式打包，压缩包约694KB，内容围绕中文环境下的对话调教展开，涵盖学术论文写作、创意小说、商业文案、翻译润色、数据分析、技术文档、简历求职信、SEO优化、社交媒体运营等丰富场景，并给出充当Linux终端、英语翻译改进者、面试官、文字冒险游戏等角色扮演式提示模板，帮助读者理解如何通过精准指令让模型输出所需结果。目前已有700余人学习下载，适合作为提示词入门与进阶的参考手册，便于对照模仿、快速迁移到自身工作流中。

1. 一份把 ChatGPT 当“可编程工具”用的中文提示词合集

很多人第一次用 ChatGPT 写东西，都是直接甩一句“帮我写篇论文”或者“给我翻译一下”，然后对着那坨四平八稳、毫无个性的输出发呆。问题不在模型，在于你没给它“角色”和“约束”。这份《ChatGPT 中文调教指南》本质上就是一本提示词模板库，它把“充当 Linux 终端”“担任面试官”“作为专业 DBA”“充当花哨的标题生成器”这类场景化的指令整理成了可以直接抄的素材。它解决的不是“ChatGPT 能干什么”这种科普问题，而是“我到底该怎么开口，才能让它输出我要的格式和内容”。适合谁？适合每天要写文案、做翻译、调 SQL、设计接口文档，但又不想每次都从零构思提示词的从业者。你把它当成一个“提示词范文库”来用，比当成教程读效率高得多。

2. 提示词模板的底层逻辑：角色、约束、输出格式三件套

2.1 为什么“充当 XX”比“帮我做 XX”有效

语言模型在预训练阶段见过大量“角色扮演”的文本，当你明确说“我想让你充当一名 Android 开发工程师面试官”，模型会激活与“面试官”这个身份相关的语言模式：提问方式、追问节奏、对候选人的评估口吻。而“帮我面试一个人”这种指令太模糊，模型只能给你一段泛泛的面试建议，而不是真的开始面试。

这份指南里几乎每一条模板都遵循同一个结构：先定义角色，再给出行为约束，最后指定输出格式。比如“充当 Linux 终端”那条，角色是终端，约束是“只在一个唯一的代码块内回复终端输出，不要写解释”，输出格式是代码块。这三者缺一不可。你只给角色不给约束，模型会忍不住加一句“好的，以下是命令输出”；你只给约束不给角色，模型不知道用什么语气和知识范围来回应。

我一般会把这三件套理解成“给模型画一个框”：角色决定它从哪个知识库里取素材，约束决定它不能做什么，输出格式决定你拿到的东西能不能直接进下游流程。很多新手觉得提示词是玄学，其实拆开看就是这三样东西的排列组合。

2.2 从“写小说”到“充当 SQL 终端”：模板的分类与复用

指南里的模板大致可以分成四类，每类的复用方式不一样：

工具模拟类最省事，因为约束已经写死了，你只需要把命令或查询语句换掉。创作生成类最需要调，因为“写一本拥有出人意料结局的推理小说”这种指令，模型每次给你的东西质量波动很大，你得在模板基础上追加“不要出现尸体”“结局不要用梦境解释”这类负向约束。

专业顾问类最容易被误用。很多人直接复制“担任产品经理”那段，然后说“帮我写个 PRD”，结果模型输出的 PRD 章节齐全但内容空洞。原因是模板里虽然规定了章节标题，但没给业务上下文。我一般会在模板后面补一段：“背景是做一个面向中小企业的库存管理 SaaS，核心用户是仓库管理员，他们最痛的是盘点时找不到货。”有了这段，模型输出的用户故事和 KPI 才不是套话。

2.3 把模板改造成可复用的提示词片段

直接复制粘贴模板只能解决一次性需求。如果你每天都要用“充当英语翻译和改进者”这个角色，每次都复制那一大段话很累。我的做法是把模板拆成变量，存成一个文本片段，用的时候只改变量。

比如翻译类模板可以拆成：

角色：英语翻译、拼写校对和修辞改进者 约束： - 识别输入语言，翻译成英语 - 将简单词汇替换为优美高雅的表达 - 仅回答更正和改进的部分，不写解释 输出格式：纯文本，无 Markdown 输入：{{待翻译句子}}

这样你每次只需要填{{待翻译句子}}。如果你用支持自定义指令的工具，可以把这段存成快捷指令，输入/translate 今天天气不错就直接触发。

再比如“充当表格生成器”那条，模板里写死了“回复我十二生肖表”。你可以把它改成通用表格生成器：

角色：表格生成器 约束： - 只回复 Markdown 表格 - 不附带任何解释 - 表格行数由我指定 输出格式：Markdown 表格 输入：{{表名}}，{{行数}}

这样你就能用它生成任何表格，而不是只能生成十二生肖表。改模板的关键是：把具体例子替换成变量占位符，把“首先，回复我 XX”这种一次性指令删掉。

3. 高频场景实战：翻译、SQL、面试官与内容创作

3.1 翻译与润色：从“英翻中”到“英英词典”

指南里翻译相关的模板有三条：充当英语翻译和改进者、充当英翻中、充当英英词典。这三条对应三种不同的翻译需求，很多人混着用，结果拿到的输出不符合预期。

“充当英语翻译和改进者”适合你写了一段英文但不确定是否地道，想让模型帮你改得更优雅。它的约束是“仅回答更正和改进的部分”，所以你不会拿到一整段重新翻译的文本，而是拿到修改点。比如你输入 “how are you ?”，它可能回复 “How are you?” 并指出首字母大写和空格问题。

“充当英翻中”适合把英文内容翻译成中文，约束是“不要带翻译腔，要自然流畅地道”。这条模板的关键在于“不要带翻译腔”这个负向约束。如果你不加这句，模型很容易输出“你好吗？”这种虽然正确但生硬的翻译。加上之后，它可能会输出“最近怎么样？”更符合中文口语习惯。

“充当英英词典”适合查单词，输出格式是“中文翻译 + 英文释义 + 一个例句”。这条模板的约束是“检查所有信息是否准确，保持简洁”。我实测下来，它对常用词的解释比较可靠，但遇到专业术语或俚语时，英文释义部分偶尔会编。所以我会追加一句：“如果不确定释义，请标注‘不确定’而不是猜测。”

这三条模板可以组合使用。我一般的工作流是：先用英英词典查生词，再用英翻中处理段落，最后用翻译和改进者润色自己写的英文邮件。三步走下来，比单独用任何一个模板效果都好。

3.2 SQL 与数据库：让模型扮演专业 DBA

“作为专业 DBA”这条模板在指南里给了一个具体的表结构：

CREATE TABLE `user` ( `id` int NOT NULL AUTO_INCREMENT, `name` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci NOT NULL DEFAULT '' COMMENT '名字', PRIMARY KEY (`id`) ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;

然后需求是“根据用户的名字查询用户的 id”。这条模板的价值在于它展示了如何把表结构和需求一起喂给模型。很多人只给需求不给表结构，模型只能给你一个泛泛的SELECT id FROM user WHERE name = 'xxx'，但不知道你的表名、字段名、字符集。给了表结构之后，模型能生成完全可执行的 SQL，还能根据索引情况给优化建议。

我一般会把这条模板扩展成多轮对话。第一轮给表结构和简单查询，第二轮追加“如果 name 字段没有索引，查询 100 万行数据时怎么优化”，第三轮再问“如果我要按名字模糊搜索，怎么写 SQL 和索引”。这样模型会沿着同一个数据库上下文深入，而不是每次重新开始。

注意一点：模型生成的 SQL 语法正确，但不一定符合你数据库的版本特性。比如它可能给你SELECT TOP 10 * FROM Products，这是 SQL Server 的语法，MySQL 里要用LIMIT 10。所以拿到 SQL 后，先在你的测试库跑一遍，别直接上生产。

3.3 面试官与模拟对话：用约束控制交互节奏

“担任面试官”这条模板的约束写得很细：“不要一次写出所有的问题”“只对我进行采访”“问我问题，等待我的回答”“不要写解释”。这几条约束的目的是把模型从“问答机器”变成“对话参与者”。

如果你不加“不要一次写出所有问题”，模型会一口气列 10 个面试题，然后你只能一个个回答，失去了模拟面试的交互感。加上之后，它会问一个问题，等你回答，再根据你的回答追问。这才是面试的真实节奏。

我一般会在这条模板后面追加：“如果我的回答过于简短，请追问细节；如果我的回答有明显错误，请指出并继续下一个问题。”这样模型不只是走流程，还会根据你的表现调整难度。

类似的交互类模板还有“文字冒险游戏”“下五子棋”“扮演脱口秀喜剧演员”。这类模板的共同点是：它们都要求模型维护一个状态（棋盘、故事进度、对话历史），并且根据你的输入更新状态。用这类模板时，最好在每轮对话开头提醒模型“当前棋盘状态是 XX”或“故事进展到 XX”，否则模型可能会忘记之前的上下文。

3.4 内容创作与 SEO：模板的边界在哪里

指南里内容创作相关的模板最多：写小说、写新闻稿、写广告文案、写旅游文案、写医疗文案、写儿童读物。这些模板的写法大同小异，都是“角色 + 主题 + 风格要求”。但实际用下来，不同领域的输出质量差异很大。

小说和故事类模板效果最好，因为模型在预训练时见过大量叙事文本，你给一个“出人意料结局的推理小说”的指令，它能编出一个结构完整的故事。但医疗文案和金融分析类模板就要小心，模型可能会生成看似专业但实际不准确的内容。比如“充当 AI 辅助医生”那条，它给的诊断建议不能作为医疗依据。

我一般会把内容创作类模板分成“创意型”和“事实型”。创意型（小说、诗歌、广告语）可以放心用，输出不满意就重新生成。事实型（医疗、法律、金融）只能用来做初稿或思路整理，所有事实性内容必须人工核实。

SEO 类模板有个隐藏坑：模型不知道你的目标关键词搜索量和竞争度。你让它“优化 SEO”，它只能给你一些通用建议，比如“在标题中包含关键词”“使用 H2 标签”。真正有效的 SEO 优化需要结合关键词工具和竞品分析，模型只能帮你写 meta description 和文章结构。

4. 避坑与排查：模板用不对的五个典型翻车现场

4.1 模型不按格式输出，代码块里混入解释

现象：你用了“充当 Linux 终端”模板，要求“只在一个唯一的代码块内回复终端输出”，但模型还是在代码块外面加了“好的，以下是输出：”或者代码块里面混入了# 这是命令输出这样的注释。

原因：模型在训练时见过大量“代码块 + 解释”的文本，它的默认行为就是加解释。你的约束虽然写了“不要写解释”，但模型可能认为“好的”不算解释。

解决：把约束写得更绝对。不要写“不要写解释”，写“你的回复必须且只能包含一个代码块，代码块之外不允许有任何字符，包括空格和换行”。另外可以在输入末尾加一句“如果你理解了，请只回复‘已就绪’，不要回复其他内容”。这样模型会用“已就绪”确认，而不是直接开始输出。

4.2 角色扮演中途“出戏”，模型开始用第三人称

现象：你让模型“扮演唐三藏”，前几轮对话它还用“贫僧”自称，聊了五六轮之后突然变成“唐三藏可能会说……”或者“作为 AI，我不能……”

原因：模型的上下文窗口有限，对话轮次多了之后，早期的角色设定被稀释了。另外，如果用户输入的内容触发了模型的安全对齐机制，它会主动跳出角色。

解决：每 3 到 5 轮对话后，在输入末尾追加一句“请继续保持唐三藏的角色，用‘贫僧’自称，不要跳出角色”。如果模型已经出戏，重新发一条“你现在的角色是唐三藏，请用唐三藏的语气重新回答上一个问题”。

4.3 翻译模板输出“翻译腔”严重

现象：用了“充当英翻中”模板，要求“不要带翻译腔”，但输出还是“这是一个好主意，我认为我们应该去做它”这种英文语序的中文。

原因：模型在翻译时，会优先保证语义准确，然后才考虑流畅度。如果你的输入句子结构复杂，它可能先直译再润色，润色不彻底就留下了翻译腔。

解决：在模板里加一个“两步走”约束：“第一步，直译并标注出不符合中文习惯的部分；第二步，只输出润色后的中文，不要输出直译部分。”这样模型会先识别问题再修改，比直接要求“不要翻译腔”更有效。

4.4 SQL 模板生成的语句在目标数据库跑不通

现象：模型生成了SELECT TOP 10 * FROM Products ORDER BY Id DESC，但你的数据库是 MySQL，不支持TOP。

原因：模型在训练时见过各种数据库的 SQL 方言，它默认可能偏向 SQL Server 或 PostgreSQL。你的模板里没有指定数据库类型。

解决：在模板开头加一句“我的数据库是 MySQL 8.0，请使用 MySQL 语法”。如果已经生成了错误语句，把报错信息贴回去，让模型修正。我一般会在模板里写死“使用 LIMIT 而不是 TOP，使用 NOW() 而不是 GETDATE()”。

4.5 表格生成器输出的表格列数不对

现象：你要求“生成一个 5 列的表格”，模型输出了 6 列或者 4 列。

原因：模型对“列”的理解可能和你不一致。比如你说“5 列”，它可能把序号列也算进去，或者把表头不算进去。

解决：在模板里明确定义列名和列顺序。不要只说“5 列”，要说“表格包含以下列：姓名、年龄、城市、职业、邮箱，按这个顺序排列，不要添加序号列”。这样模型没有发挥空间，输出就稳定了。

5. 进阶技巧：把模板串成工作流，用变量和校验兜底

单条模板只能解决单点问题。真正提效的做法是把多条模板串成一个工作流。比如你要写一篇技术博客，可以这样串：

第一步，用“充当花哨的标题生成器”生成 5 个候选标题。第二步，用“充当 SEO 优化师”从 5 个标题里选一个关键词覆盖最好的。第三步，用“充当技术文档撰写者”写大纲。第四步，用“充当英语翻译和改进者”润色每一段。第五步，用“充当表格生成器”把参数整理成表格。

这个流程里，每一步的输出都是下一步的输入。我一般会把每一步的提示词存成单独的文本片段，用的时候按顺序调用。如果你用 API，可以把这些片段写成 system prompt，然后用代码把上一步的输出拼到下一步的 user prompt 里。

# 伪代码：串行调用多个提示词模板 templates = { "title": "你是一个花哨的标题生成器，根据关键词生成 5 个标题：{keywords}", "outline": "你是一个技术文档撰写者，根据标题写大纲：{title}", "polish": "你是一个英语翻译和改进者，润色以下段落：{paragraph}" } def workflow(keywords): titles = call_llm(templates["title"].format(keywords=keywords)) best_title = titles.split("\n")[0] # 简化处理，实际可以用模型选 outline = call_llm(templates["outline"].format(title=best_title)) polished = call_llm(templates["polish"].format(paragraph=outline)) return polished

这段代码的关键是call_llm函数，它负责把模板和变量拼成完整的提示词，发给模型，拿回结果。参数说明：templates字典存模板，format方法填变量，workflow函数按顺序调用。实际使用时，你需要在每一步加校验，比如标题生成后检查是否有 5 个，大纲生成后检查是否有三级标题。

校验这一步很多人省掉，结果模型某一步输出格式不对，后面全乱。我一般会在每一步后面加一个“格式检查”提示词：“请检查以下内容是否符合 XX 格式，如果不符合，请修正后重新输出。”这样即使模型某一步跑偏，也能自动拉回来。

还有一个技巧是“反向提示”。当你不知道怎么写约束时，先让模型生成一版，然后问它“你刚才的输出有哪些地方可能不符合我的要求？”模型会自己列出问题，你再把这些问题的反面写成约束。比如它说“我可能加了不必要的解释”，你就加一条“不要加任何解释”。这比你自己想约束快得多。

从那以后我每次用新模板，都先跑一轮“生成 + 自检 + 修正”，确认输出稳定了再存成快捷指令。希望帮到你。

本文还有配套的精品资源，点击获取