ChatGPT 提示词速查表 - AI Prompt 提示词模板大全
同一个问题，差的提问和好的提问结果能差出一个量级，差距不在信息量而在结构：模型只按你给定的顺序分配注意力，缺角色它就自己假设立场，缺格式它就自由发挥版式，缺约束它就写满正确的废话。本表把提示词拆成角色设定、任务框架、输出约束、Few-shot 示例、思维链这几类可复用骨架，并落到办公、编程、写作、学习几个高频场景。判断提示词是否到位的标准不是读起来顺，而是能否机械地验收：能否一句话说出输出该是几段、什么字段、有没有不该出现的内容。做不到就是还没写完。另外要注意提示词的边际收益来自结构而非字数，同一段要求重复三遍不如把它变成输出模板里的一个字段名；本表也因此把负面约束单列，因为它往往比正面描述更能压住模型的发散倾向。
提示词技巧 Prompting 6
你是一位资深 Python 工程师...作为 10 年经验的产品经理...请分步骤完成以下任务：...请用表格形式对比...请用 200 字以内总结...不要使用专业术语，面向小白讲解...代码相关 Code 6
请帮我 review 这段代码，指出 bug、性能问题和改进建议：[代码]这段代码报错 [错误信息]，请帮我定位原因并修复：[代码]请把以下代码重构得更易读，保持功能不变：[代码]请为以下函数编写单元测试，覆盖边界情况：[代码]请逐行解释这段代码的作用：[代码]请把这段代码从 JS 转成 Python，保持等价逻辑：[代码]写作相关 Writing 6
把以下中文翻译成地道的英文，保持专业术语：[文本]请把这段话改写得更简洁专业：[文本]请用 200 字总结以下文章：[长文]请把这句话扩写成 500 字的段落：[短句]请按 [正式/活泼/学术] 风格重写这段文字请校对以下文本，纠正错别字和语法：[文本]学习相关 Learning 6
用通俗的语言解释 [概念]，给一个生活中的例子对比 A 和 B，从性能、易用性、生态三个维度列表我是初学者，请从零讲解 [主题]，列出学习路径请用苏格拉底式提问，引导我自己推导出答案请给我出 5 道 [主题] 的练习题并附答案请指出我这段理解中的错误：[我的理解]常用模式 Patterns 5
示例：输入"你好" -> 输出"Hello"，现在输入"谢谢" ->格式参考：1. 标题 - 描述，请按此格式...请一步步思考...先分析原因，再给出解决方案回答后请自检：是否有逻辑漏洞，再给出修订版高级用法 Advanced 6
你是 [角色]，只回答 [范围] 内的问题，拒绝越界请求在回答前，先列出你的假设请用 Markdown 输出，代码用 ``` 包裹上下文：[背景]，请基于此回答：[问题]请扮演两个专家对话，讨论 [话题]如果信息不足请先反问澄清，不要臆测命令示例
结构化骨架：角色 + 任务 + 输出约束三段式
你是一位资深 Python 工程师...
请分步骤完成以下任务：...
不要使用专业术语，面向小白讲解...
请用表格形式对比...每条约束都能机械验收：有没有第 3 列、有没有超出四列、有没有出现未解释的术语。三条要求分行编号，漏项时一眼能看出缺哪条。
Few-shot：用一条示例钉死输出结构
示例：输入"你好" -> 输出"Hello"，现在输入"谢谢" ->
格式参考：1. 标题 - 描述，请按此格式...示例先定义映射关系，格式参考再约束后续条目的编号与分隔符。只给示例不给格式参考时，模型模仿映射但会自己发明条目的写法。
引导推理 + 自检自纠，压住发散
请一步步思考...
先分析原因，再给出解决方案
回答后请自检：是否有逻辑漏洞，再给出修订版
如果信息不足请先反问澄清，不要臆测三条按「推理顺序 → 结果校验 → 信息不足时的退路」组成闭环。第三条最关键：它把「编造」的动机转成「反问」，模型停下来提问比编一段流畅的错误更有价值。
边界约束与前提声明，适合对外口径统一的输出
你是 [角色]，只回答 [范围] 内的问题，拒绝越界请求
在回答前，先列出你的假设
上下文：[背景]，请基于此回答：[问题]「先列假设」把隐含前提变成显式文本，你一眼能看出它默认了什么；范围约束让越界问题得到明确拒绝而不是勉强作答。
常见坑与注意事项
- 把长需求写成一个连贯段落会显著提高漏项率，改成「输入 → 处理规则 → 输出模板」三段式并编号分行，模型逐行对齐后你也能一眼看出缺哪条。
- 要求模型输出参考来源不等于它真的核验过；需要可验证事实时必须外部查证，提示词只能约束它的表述方式。
- Few-shot 示例会占上下文并可能被当成本次输入，示例里出现的内容很容易被复述到最终答案中，示例要短且与目标格式相关。
- 多轮对话中若不带「沿用上一次的格式与命名」，模型会重新定义字段结构，导致前面几轮的产出无法直接拼接。
- 要求扮演两个专家对话能增加视角，但结论常互相矛盾且缺少取舍；需要单一可执行结论时，别用多角色扮演。
提示
- 越具体的 prompt 越能拿到高质量回答，避免"帮我写个东西"这种模糊请求。
- 用 "不要..." 明确排除不想要的内容，比只说"要什么"更有效。
- 长任务拆成多轮对话，每轮聚焦一个子任务，比一次性塞所有需求效果好。
- 给出示例（Few-shot）比纯描述更能约束输出格式，尤其适合结构化输出。
- 要求"一步步思考"可提升复杂推理任务的准确率（思维链）。
- 让模型先复述你的需求再回答，可减少理解偏差。
- 把长需求写成"输入 → 处理规则 → 输出模板"三段式并用编号分行，比写成连贯段落更可控：模型逐行对齐编号，漏项时你能一眼看出缺第几条。
- 需要最新事实或专有数据时，指定"若不确定就回答不知道，不要编造"，比事后要求引用来源更有效，因为来源约束常被生成流畅度盖过。
- 同一会话里追问时带上"沿用上一次的格式与命名"，可避免模型每次重新定义字段结构导致的返工。
常见问题
同一个问题，为什么换个问法结果差这么多？
因为模型只按你给定的顺序分配注意力，信息量本身不是关键。你没给角色，它会自己假设立场；没给输出格式，它会自由发挥版式；没给约束，它会写满正确的废话。所以差距来自结构缺位而不是问题不够详细。一个可操作的标准是：能不能一句话说出这段输出该是几段、包含哪些字段、不该出现什么——说不出来就说明提示词还没写完，模型只能自己猜这些约束。
为什么加负面约束（不要什么）比只说要什么更有效？
因为「要什么」只规定了内容方向，模型仍会在该方向内自由扩展；而「不要什么」直接砍掉了它最常犯的错误分支。实践中最典型的是限定术语与受众——要求不用专业术语、面向小白解释，能把一段满是术语的输出压回可读范围。另一个高频用法是显式要求「信息不足就说不知道，不要编造」，这比事后要求它给来源更有效，因为来源约束常被生成时的流畅度盖过去。两者可以同时写，正面定方向、负面定边界。
Few-shot 给示例和不给示例，差别在哪里？
示例是在做「格式示范」，描述是在做「语义要求」，前者对输出结构的约束力往往更强。尤其当你要的是可机械验收的东西——固定字段、表格列、编号层级——给一条真实的输入输出对应关系，模型会照着复刻结构；同样的要求用自然语言描述，模型可能给出一个意思对但字段名不一的版本。代价是示例会占掉上下文并可能把示例里的具体内容带进输出，所以示例要短、要覆盖你想固定的格式点。
需要最新事实或专有数据时，怎么避免模型编造？
提前给出「不知道」这个出口，而不是事后追问来源。具体做法是指定：若不确定就回答不知道，不要编造；更稳的做法是先让它列出已知与未知的部分，再只基于确定部分作答。这样它在缺乏事实时会停在一个可识别的边界上，而不是用流畅的措辞把不确定填平。要真正拿到准确数据，仍需外部检索，提示词只能减少误用的范围，不能凭空产生信息。
长任务一次说不完时，怎么拆？
按可验收的交付物拆，而不是按话题拆。每轮聚焦一个子任务并给出明确产出形态——一份字段表、一段可运行代码、一组对比结论——这样你能逐轮判断是否达标，也能在某轮出错时只回退那一轮。还要在追问时带上「沿用上一次的格式与命名」，否则模型每次都会重新定义字段结构，前几轮的产出等于白做。
由 巧匠 维护
公开更新于 2026年7月21日，内容持续校对官方文档。