企业官网建设流程全解析

简介：这份资源是面向 AI 应用爱好者、内容创作者与产品从业者的中文提示语合集，共收录 260 条 ChatGPT 角色提示语，覆盖计算机、心理学、健康等多个行业与领域，可帮助读者快速为对话模型设定专业身份，解决提示词编写门槛高、角色设定缺乏参考的问题。压缩包内共 1 个文件，为 json 格式，体积约 40KB，结构轻量，便于直接导入或按需检索调用。内容按角色名称与对应提示语组织，例如计算机领域涵盖 UX/UI 开发人员、开发者关系顾问、IT 架构师、全栈软件开发人员、高级前端开发人员等角色，心理学领域包含心理健康顾问、心理学家，健康领域则涉及私人厨师、人生教练、牙医、虚拟医生等，场景跨度较大。目前已有 1057 人学习下载，适合希望提升提示词质量、拓展角色库或进行二次整理的中级使用者参考借鉴。

1. 260 条中文提示语资源：一份能直接抄的角色库到底长什么样

很多人第一次接触提示词工程，都是从「收藏一堆提示词」开始的。我也不例外。但收藏夹里躺着的那些零散截图、聊天记录片段，真正要用的时候根本找不到，更别说复用。这份 260 条 ChatGPT 中文提示语资源，解决的就是这个问题——它把散落在各个领域的角色提示语整理成了一个结构化的 JSON 文件，每个条目包含角色名称和对应的角色提示语，覆盖计算机、心理学、健康、教育、商业等多个行业。

它适合谁？如果你刚开始用 ChatGPT 做具体任务，不知道怎么给模型设定角色，这份资源可以当字典查；如果你已经在做 AI 编程提示词或提示词设计，它可以当基线模板，省去从零写系统提示的时间。不适合谁？指望复制粘贴就能让模型输出完美结果的人——提示语只是起点，参数调优和上下文管理才是后面的事。

2. 拆开 JSON 看结构：260 条提示语的组织逻辑与字段含义

2.1 文件格式与字段设计

拿到压缩包后，解压出来是一个.json文件。常见做法是把它当成一个数组，每个元素是一个对象，包含角色名称和提示语正文。我用 Python 读了一下，结构大致如下：

import json with open("260_chatgpt_prompts.json", "r", encoding="utf-8") as f: prompts = json.load(f) # 查看第一条数据的字段 print(prompts[0].keys()) # 输出示例：dict_keys(['role', 'prompt', 'category']) # 查看计算机领域的前三条 for item in prompts: if item.get("category") == "计算机": print(item["role"], "->", item["prompt"][:60])

这段代码做了三件事：加载 JSON、查看字段名、按分类筛选。role是角色名称，prompt是具体的角色提示语，category是行业分类。如果你的文件字段名不同，先打印keys()确认，别硬套。

参数说明：encoding="utf-8"必须加，中文提示语不加编码会报UnicodeDecodeError。item.get("category")用get而不是[]，是因为部分条目可能没有分类字段，直接索引会抛KeyError。

2.2 分类分布与角色粒度

260 条不是均匀分布的。计算机领域占比最大，包括 UX/UI 开发人员、开发者关系顾问、IT 架构师、全栈软件开发人员、高级前端开发人员、软件开发人员等角色。心理学领域有心理健康顾问、心理学家；健康领域有私人厨师、人生教练、牙医、虚拟医生。

这种粒度意味着什么？同一个领域下，不同角色的提示语侧重点不同。比如「IT 架构师」的提示语会强调系统设计、技术选型、可扩展性；「高级前端开发人员」则聚焦组件设计、性能优化、浏览器兼容。你选角色时，不是选领域，而是选具体职责。

我一般会先按category分组，统计每个分类下的角色数量，再决定用哪个。下面这段代码可以快速生成分类统计：

from collections import Counter categories = [item.get("category", "未分类") for item in prompts] counter = Counter(categories) for cat, count in counter.most_common(): print(f"{cat}: {count} 条")

Counter会自动按数量降序排列，most_common()不传参数返回全部。这样你能一眼看出哪个领域的角色最丰富，优先从那里找模板。

2.3 提示语长度与信息密度

我统计了一下prompt字段的字符长度，大部分在 100 到 300 字之间。这个长度是有讲究的：太短，模型抓不住角色边界；太长，挤占上下文窗口，影响后续对话。常见做法是把角色提示语控制在 200 字左右，既说清职责，又不至于让模型「演过头」。

你可以用下面这段代码看长度分布：

lengths = [len(item["prompt"]) for item in prompts] print(f"最短: {min(lengths)}, 最长: {max(lengths)}, 平均: {sum(lengths)//len(lengths)}")

如果发现某条特别长，比如超过 500 字，用的时候可以手动精简，去掉重复的修饰词。提示词设计的一个基本原则是：每个词都要有信息量，形容词堆砌反而会让模型困惑。

3. 把提示语接进工作流：从 JSON 到可复用系统提示的完整操作

3.1 提取单条提示语并注入对话

最直接的用法是：找到你需要的角色，把prompt字段的内容复制出来，作为系统提示（system prompt）发给 ChatGPT。手动复制适合偶尔用一次，但如果你要频繁切换角色，最好写个脚本自动提取。

def get_prompt_by_role(prompts, role_name): """根据角色名称精确匹配提示语""" for item in prompts: if item["role"] == role_name: return item["prompt"] return None # 示例：提取 IT 架构师的提示语 architect_prompt = get_prompt_by_role(prompts, "IT 架构师") if architect_prompt: print(architect_prompt) else: print("未找到该角色，检查名称是否完全匹配")

逻辑说明：get_prompt_by_role做的是精确匹配，角色名称必须完全一致。如果你不确定名称，可以先打印所有角色名：

roles = [item["role"] for item in prompts] for r in roles: print(r)

参数说明：role_name传入字符串，区分大小写和空格。常见翻车点是名称里有全角空格或不可见字符，复制的时候容易带进去。解决方法是先用strip()清洗：

role_name = role_name.strip()

3.2 批量导出为 Markdown 或纯文本

如果你想把提示语导入到其他工具，比如 Notion、Obsidian，或者做成自己的提示词库，批量导出更实用。下面这段代码把每条提示语写成一个独立的 Markdown 文件：

import os output_dir = "prompts_md" os.makedirs(output_dir, exist_ok=True) for item in prompts: # 用角色名做文件名，替换掉不能用于文件名的字符 safe_name = item["role"].replace("/", "_").replace("\\", "_").replace(":", "_") filepath = os.path.join(output_dir, f"{safe_name}.md") with open(filepath, "w", encoding="utf-8") as f: f.write(f"# {item['role']}\n\n") f.write(f"分类：{item.get('category', '未分类')}\n\n") f.write(item["prompt"])

逻辑说明：os.makedirs的exist_ok=True保证目录已存在时不报错。文件名替换是因为角色名里可能有/或:，在 Windows 上会导致OSError。写入时先写标题和分类，再写正文，方便后续检索。

参数说明：output_dir可以改成你想要的路径。如果提示语里有换行，f.write会原样保留，Markdown 渲染时正常显示。

3.3 在 API 调用中动态切换角色

如果你用 OpenAI API 做自动化任务，可以把这份 JSON 当成角色库，根据任务类型动态加载对应的系统提示。下面是一个最小示例：

import openai openai.api_key = "你的 API Key" def chat_with_role(prompts, role_name, user_input): system_prompt = get_prompt_by_role(prompts, role_name) if not system_prompt: return "角色不存在" response = openai.ChatCompletion.create( model="gpt-3.5-turbo", messages=[ {"role": "system", "content": system_prompt}, {"role": "user", "content": user_input} ], temperature=0.7 ) return response.choices[0].message.content

逻辑说明：system消息承载角色提示语，user消息是具体问题。temperature=0.7是通用起点，需要严谨输出时降到 0.3，需要创意时升到 1.0。

参数说明：model按你实际可用的填，别照抄。messages列表的顺序不能乱，system必须在最前面。常见错误是把角色提示语放在user里，模型会把它当成普通输入，角色设定效果大打折扣。

提示：API 调用有成本，批量测试时先用短提示语验证流程，确认无误再换完整角色提示。

4. 避坑与排查：提示语用不对，多半是这几个地方翻了车

4.1 角色提示语被后续对话覆盖

现象：第一轮对话模型还按角色回答，聊到第三四轮就开始「出戏」，回复风格完全变了。

原因：上下文窗口里，后续的 user 和 assistant 消息会稀释 system 提示的权重。模型不是人，它没有「记住角色」的自觉，全靠每次推理时重新读上下文。

解决：每轮对话都重新发送 system 提示，或者把角色关键约束提炼成一句话，放在每轮 user 消息的开头。我一般会在第三轮之后主动补一句「请继续保持 XX 角色的设定」。

4.2 中文提示语里的全角标点导致解析失败

现象：用脚本读取 JSON 时正常，但把提示语拼进 API 请求后报编码错误或返回乱码。

原因：部分提示语里混用了全角逗号、全角引号，某些 HTTP 库在序列化时处理不一致。

解决：在发送前统一做一次清洗：

import re def clean_prompt(text): # 全角转半角（保留中文标点） text = text.replace("“", '"').replace("”", '"') text = text.replace("‘", "'").replace("’", "'") # 去掉不可见字符 text = re.sub(r"[\x00-\x08\x0b\x0c\x0e-\x1f]", "", text) return text

re.sub那行是去掉 ASCII 控制字符，这些字符肉眼看不见，但会让 JSON 解析或 HTTP 传输出问题。

4.3 角色名称匹配不上

现象：get_prompt_by_role返回None，但你明明看到列表里有这个角色。

原因：名称里有空格差异、全角半角差异，或者你复制的时候带了换行符。

解决：打印repr(item["role"])看真实字符，repr会把不可见字符显示出来。然后用strip()和replace统一格式。别用in做模糊匹配，容易匹配到错误的角色。

4.4 提示语太长导致截断

现象：API 返回This model's maximum context length is exceeded。

原因：角色提示语加上对话历史超过了模型的 token 上限。

解决：先算 token 数。粗略估算：中文 1 个字约等于 1.5 到 2 个 token。260 条里最长的提示语如果超过 500 字，加上几轮对话就可能超限。精简提示语，或者换用上下文窗口更大的模型。

4.5 直接套用角色提示语但任务不匹配

现象：用了「牙医」的提示语，但问的是编程问题，模型回答得四不像。

原因：角色提示语是为特定任务设计的，跨领域使用会干扰模型判断。

解决：先明确任务类型，再选角色。这份资源的价值在于分类清晰，别偷懒随便抓一条就用。我一般会建一个映射表，把任务关键词和角色名称对应起来，用的时候先查表。

5. 进阶用法：把 260 条提示语变成可检索的本地知识库

手动翻 JSON 找角色，条目少的时候还行，260 条翻起来就累了。我的做法是把它变成一个可检索的本地知识库，用关键词就能定位到相关角色。

5.1 用 TF-IDF 做提示语检索

不需要向量数据库，用 scikit-learn 的 TF-IDF 就能做基础检索。下面这段代码把每条提示语向量化，然后根据查询词返回最相关的角色：

from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.metrics.pairwise import cosine_similarity # 准备语料：角色名 + 提示语拼接 corpus = [f"{item['role']} {item['prompt']}" for item in prompts] vectorizer = TfidfVectorizer( analyzer="char", ngram_range=(2, 3), max_features=5000 ) tfidf_matrix = vectorizer.fit_transform(corpus) def search_prompts(query, top_k=5): query_vec = vectorizer.transform([query]) similarities = cosine_similarity(query_vec, tfidf_matrix).flatten() top_indices = similarities.argsort()[-top_k:][::-1] results = [] for idx in top_indices: if similarities[idx] > 0: results.append((prompts[idx]["role"], similarities[idx])) return results # 示例：搜索和「前端性能优化」相关的角色 for role, score in search_prompts("前端性能优化"): print(f"{role} (相关度: {score:.3f})")

逻辑说明：analyzer="char"表示按字符切分，适合中文。ngram_range=(2, 3)表示用 2 到 3 个字符的组合做特征，能捕捉「前端」「性能」「优化」这类词组。cosine_similarity计算查询向量和每条提示语向量的夹角余弦值，值越大越相关。

参数说明：max_features=5000控制特征数量，太小会丢信息，太大计算慢。260 条数据用 5000 足够。top_k=5返回前 5 个结果，按需调整。

5.2 检索结果验证与人工兜底

TF-IDF 是统计方法，不理解语义。搜「前端性能优化」可能返回「高级前端开发人员」，也可能返回「IT 架构师」，因为两者都包含相关词汇。我的习惯是：检索结果只作为候选，最终选哪个角色还是人工判断。

验证方法很简单：把检索到的角色提示语打印出来，看它的职责描述和你的任务是否匹配。如果前 5 个都不合适，换关键词再搜。常见做法是准备几个同义词，比如「前端」换成「Web」、「性能」换成「优化」、「调优」。

5.3 把检索封装成命令行工具

如果你经常用，可以封装成一个命令行脚本，输入关键词直接输出角色名和提示语：

import sys if __name__ == "__main__": query = sys.argv[1] if len(sys.argv) > 1 else "软件开发" results = search_prompts(query, top_k=3) for role, score in results: print(f"\n{'='*40}") print(f"角色：{role} 相关度：{score:.3f}") print(f"{'='*40}") prompt = get_prompt_by_role(prompts, role) print(prompt[:200] + "..." if len(prompt) > 200 else prompt)

运行方式：python search.py 前端性能。输出会列出最相关的三个角色和提示语摘要。这样你不需要打开 JSON 文件，直接在终端就能查。

从那以后我每次拿到新的提示语资源，都会先跑一遍检索流程，确认能快速定位再入库。提示语本身不是银弹，但一份整理好的角色库能省下大量重复劳动。希望帮到你。

本文还有配套的精品资源，点击获取