拆解18个ChatGPT提示词：四要素与三类Prompt的工程化打法

简介：面向职场人士、创业者及中高层管理者，这是一份围绕ChatGPT（对话式预训练模型）打造的提示词模板合集，聚焦如何借助生成式AI快速完成市场策略、品牌建设、运营优化、供应链管理、商业模式设计、财务预测、风险管理等18类高频工作场景，涵盖营销、品牌、运营、供应链、商业模式、团队协作、社交媒体、客户体验、创业、财务规划、企业文化等多个维度。每个提示词均提供英文原版与中文对照表述，用户可直接复制、替换方括号内参数后套用，适合希望减少重复劳动、提升决策与执行效率的各类业务角色。

文件为单个Word文档（docx格式）封装，整个资源包仅13KB，内容精炼便携，便于随时打开、修改并融入个人工作流。目前已有329人学习下载，性价比较高。除提示词本身外，资料还融合了黄金圈模型、精益六西格玛、SCRUM敏捷管理、SWOT分析、AIDA销售漏斗、NPS客户体验等经典管理工具，读者不仅能获得现成的Prompt列表，还能理解提问背后对应的方法论与适用场景，既能作为个人效率工具库，也可用作团队内部AI应用培训的轻量参考。

1. 18个提示词就能让效率涨10倍？先把这套Prompt清单的底摸清楚

打开这份18个ChatGPT提示词Prompts，让你的工作效率瞬间暴涨10倍.docx之前，你最好先接受一个事实：提示词本身不值钱，值钱的是它背后那套“把模糊需求翻译成模型指令”的思维方式。网上类似的提示词合集多如牛毛，大部分只是把“你是一个资深XX”这种角色扮演模板堆在一起，换个标题就发出来。真正能让效率产生质变的，是那些把任务拆解、上下文限定、输出格式约束都写清楚的Prompt——你复制过去改几个词就能用，而不是还得自己猜。

这套东西适合谁？一是每天要和ChatGPT大量对话但总觉得回复“差口气”的职场人，二是刚接触提示词工程、想建立一套可复用模板的初学者。我先把话放这儿：18个提示词覆盖不了你所有工作场景，但覆盖掉日常80%的重复性文字处理绰绰有余。正文会把这份清单拆开讲透，给你一套能直接抄、也能自己改的写法。

2. 提示词工程的底层逻辑：为什么同一句话，ChatGPT给的结果天差地别

2.1 角色、任务、上下文、格式：四个要素决定输出质量

很多人第一次接触提示词工程时，会以为提示词就是“把话说明白”。其实不对。同样一句“帮我写一封催供应商交货的邮件”，你直接发给ChatGPT，它大概率会给你一篇四平八稳的模板；但如果你把四个要素补齐，输出质量会立刻上一个台阶。这四个要素分别是：角色、任务、上下文、输出格式。

• 角色：让模型站在谁的立场说话。供应商管理专员和采购总监写出来的催货邮件，语气和侧重点完全不同。
• 任务：你要它做什么，必须是一个可执行的动作，比如“写一封邮件”而不是“处理一下交货问题”。
• 上下文：背景信息越具体，模型越不会自由发挥。它不知道你的供应商在哪、延误了几天、之前沟通过什么，就只能靠编。
• 输出格式：这是最容易被忽略的一环。你告诉它“用表格列出三类方案”和“给我一个方案”，得到的详细度差着量级。

提示：四要素里，上下文是模型的锚。没有上下文时，模型填的是它认为的“常识”；给足上下文后，它填的才是你要的事实。

这套四要素框架，就是那份docx里18个提示词能通用的底层原因。你会发现清单里每个长提示词，几乎都按“设定角色 → 布置任务 → 交代背景 → 规定格式”的顺序排列。这不是写文档的人随手排的，而是为了让模型在每一轮生成时都站在同一个上下文里，不会中途跑偏。

2.2 输出格式约束：让回复从“小作文”变成“可执行交付物”

我见过太多人抱怨ChatGPT“废话多”，其实问题不在模型，在提示词没写输出格式。模型默认的回复方式是“把话说全”，所以它会把前因后果都铺开写。你要做的，是在提示词末尾明确指定输出结构。

举个例子，同样让ChatGPT分析一份销售数据：

你是一名有五年经验的销售运营分析师。请分析我提供的月度销售数据，找出销售额下滑最多的三个区域，并给出原因推测和改善建议。要求： 1. 先用一个表格列出三个区域的：本月销售额、环比变化率、下滑幅度排名； 2. 每个区域的原因推测限3条，每条不超过20个字； 3. 最后给出两条可执行的改善建议，每条建议包含：动作、负责人角色、预计见效周期。

这段提示词里，角色一句话带过，任务告诉模型要怎么做，上下文极其简洁但足够（月度数据、三个区域、下滑原因、改善建议），输出格式是重头戏——表格加限定字数加结构化建议。实际跑出来的结果，你会看到模型真的按表格输出，原因高度凝练，建议也不再是空话。

输出格式约束还有一个副作用：它能让模型减少编造。当模型需要把结论塞进“下滑幅度排名”这种具体字段时，它反而会更谨慎地对照数据，而不是顺着话头瞎说。这一点在数据分析类Prompt里尤其重要。你在那份docx里看到那些“列出五个要点，每点不超过15字”之类的描述，本质都是在用格式换确定性。

3. 把18个提示词拆成三类：写作、分析、执行型Prompt的写法差异

3.1 写作型提示词：给身份、给读者、给字数、给风格

那份docx里的18个提示词，如果按任务类型划分，至少能分出三大类：写作型、分析型、执行型。先看写作型。所谓写作型Prompt，就是让ChatGPT产出文案、邮件、报告这类文字交付物。这类提示词最容易上手，也最容易写废。

写作型提示词的四个关键参数是：身份、读者、字数、风格。很多人写“帮我写一封邮件”，只给了任务，其余三个全缺。结果模型默认按“商务中性风格”输出，写出来既不像你的语气，也没法判断长短。一份合格的中/英文写作提示词，应该长这样：

你是一名外企市场部的品牌经理（身份）。请以我的名义给客户写一封项目延期通知邮件（任务），客户是一家合作了三年的制造企业，对方负责人姓李，之前合作愉快（读者与背景）。邮件要求：中文，300字以内（字数），语气专业但不生硬，先道歉、再说明原因、最后给出补救时间表（风格），分三段输出，不要用列表。

这段Prompt跑出来的结果，和直接说“帮我写封延期邮件”相比，差别是肉眼可见的。前者有道歉-原因-补救的结构，后者可能是一片泛泛的“我们很抱歉”。这里有个细节值得注意：**“分三段输出，不要用列表”**是告诉模型，如果客户收到的是纯邮件正文，列表体验并不好。你越贴近真实使用场景约束格式，回复就越像人能直接发出去的东西。

3.2 分析型提示词：先给评判标准，再让模型自己下结论

分析型Prompt的目标不是“生成内容”，而是“得出结论”。最常见的错误写法是：“帮我分析一下这组数据里有什么问题。”模型没有你的业务标准，它只能按照通用常识挑毛病，挑出来的东西大概率隔靴搔痒。

正确的做法是先给标准、再要结论。标准可以是业务指标、行业常识、逻辑规则，甚至可以是你自己的一套评分体系。我把这类提示词的骨架总结成一句话：“我是谁 + 我认为什么是好/坏 + 请你按这个标准评估 + 输出结构固定”。举一个实际的例子：

你是一名客服质检主管。以下是一段客服对话记录。请按三个维度评估这段对话的服务质量：响应及时性（客户提问到客服回复的间隔）、共情表达（是否回应客户情绪）、问题解决率（是否给出明确方案）。每个维度打分1-5分，并给出一句扣分原因；最后用一个整体评价收尾。

这类分析型Prompt在18个提示词清单里往往占比不小，因为它是“效率”最直观的体现——你把原本需要逐条看、逐条评的活，交给了模型做初筛。但注意，我在实际使用中从来不让模型直接做最终决策，它的评分只作为参考。原因很简单：模型的评价标准是你在提示词里给的那几句话，不是你脑子里十几年的业务直觉，它能帮你缩短阅读时间，不能替你做判断。

3.3 执行型提示词：把任务拆成步骤，每步一个输出格式

执行型Prompt是三类里最“值钱”的，因为它的产出可以直接落到系统里——生成一段代码、一条SQL查询、一份Excel公式，或者一份JSON配置。这类提示词的写法核心是：让模型分步输出，每一步都有明确产物。

你是一名Python工程师。请帮我写一个函数：输入一个文件夹路径，遍历其中所有CSV文件，合并成一个DataFrame，并按“date”列排序。要求： 第1步：写出函数定义和import语句； 第2步：加上文件过滤逻辑（只读取后缀为.csv的文件）； 第3步：加上异常处理（单个文件读取失败时跳过并打印警告）； 每一步之间用注释分隔，最后输出完整代码块。

这样写，比“帮我写一个合并CSV的Python代码”好在哪？好在你控制了模型的思考路径。模型是一个逐token生成的技术，你让它“一步到位”，它经常会给出一个能跑但结构混乱的脚本；你让它分三步走，它每一步都会更专注。而且，分步输出还方便你定位问题——代码哪里不对，你一眼就能看出是哪一步生成的逻辑出了问题。

这种“分步拆解”的思路，同样适用于非编程场景。比如让ChatGPT帮你整理会议纪要，你可以要求它第一步提取决策事项、第二步提取待办负责人、第三步生成跟进邮件草稿，每一步独立输出。执行型提示词的灵魂，就是把一个大任务拆成模型能稳住的若干个小任务。

4. 直接能抄的Prompt模板：覆盖一天工作流的12个高频场景

4.1 速查表：按场景选用，别一次全塞给模型

前面讲了原理和三类写法，这一章直接给可抄的作业。我按一天工作流的场景顺序，整理了一份 Prompt 速查表。注意，这些模板都是单轮对话用的，你复制过去替换方括号里的内容就行。不要在一条消息里塞多个任务——我之前试过让ChatGPT“先写邮件再写周报再改PPT大纲”，结果它每样都只完成了一半，这个翻车经历后面避坑章还会细说。

4.2 三个高频模板的实写演示与参数调整逻辑

速查表只是开头，真正检验你是否看懂了提示词工程的地方，是你拿到一个具体任务时能自己加参数。我用“会议纪要”这个场景展开说说。上面表格里给的模板是基础款，实际用时你还要根据会议类型补细节。

你是一名会议记录员。请把下面的会议发言转成纪要。输出格式： 1. 决策项：只列明确拍板的事项，每条一句话； 2. 待办：每条包含“负责人/截止时间/交付物”三个字段，没有明确提到的写“待确认”； 3. 遗留问题：只列悬而未决的事项，每条带提出人姓名。 不要添加原文没有的信息，不确定的内容标注“存疑”。 ——会议发言原文—— 【粘贴】

这个提示词的参数调整空间在哪？第一，你能调整输出结构的粒度——“待办”那一栏从“一句话”改成“字段结构化”，就是为了让纪要可以直接转成任务清单，省掉二次整理。第二，“不要添加原文没有的信息，不确定的内容标注存疑”是一个纠偏参数，模型默认倾向于“补全”模糊信息，你要用一句话按住它的补全冲动。

再说“数据分析”场景。很多人给模型粘贴数据时，习惯只丢一串数字，这其实是把数据脱掉了上下文——模型不知道这些数字是月销售额还是日活用户，它只能做纯数学层面的观察，分析深度自然有限。我给一个调整过的写法：

你是一名零售行业销售分析师。我提供的是华东区12家门店2024年Q3的月度销售额（单位：万元），其中部分门店在9月进行了促销活动。请找出环比下滑超过15%的门店，并从：门店类型/是否促销/城市等级三个维度分析共性，最后给出一段200字以内的解读，供管理层周会使用。

这里加了“零售行业”“Q3月度销售额”“促销活动”这些上下文，以及“供管理层周会使用”这个读者信息。模型生成的解读，会从“数据层面”跳到“业务层面”，它会结合促销与下滑的关系来推断，而不是只报出一个表格。分析型提示词的深度，几乎完全取决于你给了多少业务上下文。

5. 避坑：为什么别人的Prompt好用，你的却总跑偏

5.1 一看就会一用就废：上下文污染与“一次问太多”翻车

先讲一个最常见的翻车现象：你复制了网上的长提示词，但没复制用户信息，导致结果和预期完全脱节。为什么？因为很多提示词合集（包括那份docx里的一部分）自带一段详细的角色背景。原作者是销售总监，提示词里可能写了“你是一名有十年销售管理经验的总监，带过20人团队”；你是个刚转行的市场专员，拿到手直接粘贴，模型的整个回答立场都会偏到“管理视角”，生成的东西自然没法直接用。解决很简单：把提示词里的角色背景改成符合你自己情况的描述，一个字都别偷懒。

第二个高频坑是“一条消息塞了三个任务”。比如你想让ChatGPT帮你写邮件、总结周报、列明天计划，于是三个Prompt一起发过去。模型会平均分配注意力，每个任务都只完成一半，输出里还会穿插另一项任务的内容。现象是回复里突然冒出一句“明天计划如下”，但压根没列全。原因就是模型在同一轮上下文里平等对待每条指令，没有主次之分。解决办法也直接：一条对话只做一个任务，做完一个再开下一个，或者在同一对话里换行隔开、明确写“以上是三个独立任务，请分别输出，用分隔线隔开”。

5.2 输出格式说了等于没说：模型不遵守你的格式要求

第三种情况是，你明明在提示词里写了“按表格输出”，模型却偏偏用文字列了一堆。我先给你一个排查顺序：先看你是不是用了自然语言描述格式，再看模型版本是否支持。

“按表格输出”是一句很含糊的话——模型不知道你要几列、列名是什么、要不要合计行。你可以改成：“输出一个四列的表格，列名分别是：门店名/本月销售额/环比变化率/建议动作，一共五行数据，表格下加一句整体判断。”格式描述得越精确，模型听话的概率越高。另外，如果你用的是ChatGPT较老的免费版本，它对复杂格式的遵循能力本身就弱，这是模型能力边界，不是你提示词的问题。这种情况下要么把格式要求拆得更碎，要么换个更强的大模型。

5.3 “10倍效率”的真相：提示词不能替你决策，只能替你打字

最后一条算是给提示词祛魅。那份docx标题写的是“效率暴涨10倍”，这个说法有一定道理，但得限定范围：提示词真正省的是“打字”和“整理”的时间，不省“决策”的时间。它能把一段嘈杂的会议录音转成条理清晰的纪要，能把一堆杂乱的数据拉成观点分明的分析，但它不能告诉你应该回复客户什么——那些判断终究要落在你自己的经验上。

注意：把“效率暴涨10倍”理解成“我可以把工作全扔给ChatGPT”是本末倒置。准确的说法是，它让你的时间重新分配——从打字和整理中省下来，花到真正需要人判断的地方。

用我自己的经历收个尾。早前我拿到一份长提示词，直接复制去处理一个重要项目的周报，结果模型生成了三份完全不同风格的版本，我反而多花了半小时向它描述我想要什么，比手写还慢。教训就是：拿到任何提示词模板，第一件事不是用，而是花两分钟改角色、改上下文、改格式要求，改完再上。这步省不了，省了就是在后面翻车。

6. 一个验证Prompt效果的办法：用同一份输入跑A/B对比

这一章给一个实用技巧——怎么判断你的Prompt值不值得长期用。我之前一度陷入“玄学调参”，改一个词就兴冲冲跑一遍，看哪次回复“感觉好”，后来发现这种判断毫无依据。直到我开始用A/B对比法，才勉强给Prompt优化找到了一点可复现性。

做法很简单：准备一份固定的输入（比如一段会议原文、一组数据、一个写邮件的背景描述），写两个版本的Prompt——一个是你自己的，一个是网上找来的对照模板；然后保持其他条件完全一致（同一个会话窗口、同一个模型版本），依次跑一遍，把两次输出并排放在文档里对比。对比维度固定为三条：信息完整度（该覆盖的点有没有漏）、结构清晰度（是不是按你的要求分层）、可用程度（拿到的结果要不要大改才能用）。每条维度按“好/中/差”打标。跑上三五组场景，你能明显看到某个版本的Prompt在哪些维度上稳定胜出，这就是值得留下的模板。

如果不想每次都手动对比，还有一个折中的办法：把两个Prompt和同一份输入写在一条消息里，让模型自己当裁判。注意，这句话一定要加在最后：

请忽略上面两个Prompt的历史输出，直接回答下面问题：给定同样的输入，以下两个Prompt哪个输出质量更高？从“信息完整度/结构清晰度/可用程度”三个维度分别评价，最后给出你的选择。

不过这个方法有个前提：裁判也是同一个模型，它对提示词质量的判断未必比你的直觉可靠。所以我建议把它当辅助，不要当唯一标准。我自己用下来，最终还是回到了手动A/B对比——多花十分钟，但心里踏实。

另外，再补充一个验证Prompt是否“健壮”的小习惯：换不同的输入试同一个Prompt。很多模板在特定输入下表现神勇——比如某提示词处理总部周报时条理分明，换成新员工周报就崩了，因为模板里写死了“五年经验老手”的视角。提示词这行当，厉害的调参师不是能写出惊艳模板的人，而是能在五个不同输入下保持输出稳定的人。好的Prompt不是灵感一现的产物，是改出来的。

关于“10倍效率”，我最想给你的一句话是：提示词本身就是个熟练工活计，你用A/B对比、用分步拆解、用格式约束，本质上都是在一遍遍校准模型对你的理解。而校准做得越多，你花在“给ChatGPT解释你要什么”上的时间就越少，省出来的时间就是效率涨幅。希望这套拆解思路能帮你真正用上那份docx里的提示词，而不是把它存进收藏夹吃灰。

本文还有配套的精品资源，点击获取