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 Markdown，docx 不会出现字符渲染问题；相比 PDF，docx 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', level=1) # 添加分类标题和说明段落 doc.add_heading('一、写作类模板', level=2) 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(rows=1, cols=3) 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', encoding='utf-8') as f: data = json.load(f) for cat in data['categories']: doc.add_heading(cat['name'], level=2) doc.add_paragraph(cat['desc']) table = doc.add_table(rows=1, cols=3) 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')encoding='utf-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
