企业官网建设流程全解析

• 提示工程

本文以本仓库中收录的 OpenStorytelling Plus 泄露提示词 为对象，系统剖析这款由 Bryan Harris 制作的编剧教学 GPT 的定制思路：如何用大文本知识库让 GPT 形成领域专长，如何组合 Browsing、Advanced Data Analysis 与 DALL-E 三类工具，以及"无预设提示词、完全由用户驱动"的交互模式设计。读完本文，你可以掌握一套可直接复用的"教学/创作类 GPT"构建方法论，并理解其知识库组织、工具分工与开源许可策略背后的工程与伦理考量。

一、文档定位：一个以"知识库 + 工具"驱动的编剧教学 GPT

prompts/OpenStorytelling Plus.md收录的是 OpenAI GPTs 商店中 "OpenStorytelling Plus" 的系统指令（System Prompt）。从文件头部的元信息可以确认它的基本配置：

• 定位：Screenplay Writing Guide w/ Screenplay Examples（带剧本范例的编剧写作指南）；
• 启用能力：Browsing（联网浏览）、Advanced Data Analysis（高级数据分析）、DALL-E（文生图）三项工具全部开启；
• 作者：BRYAN HARRIS，关联站点 OpenStorytelling.com；
• 所属项目：本仓库 README.md 将其收录在 "Leaked Prompts of GPTs" 清单中，与 Screenplay GPT 等同类编剧类提示词并列，供研究与学习用途。

值得注意的是，这份系统指令本身并不包含具体的用户对话提示词（prompt templates），而是一份"平台说明书 + 行为原则宣言"。它交代了三件事：这个 GPT 是做什么的、它的知识从哪来、它被允许以何种方式工作。这种"少指令、多语料"的设计，正是它区别于其他编剧 GPT 的核心特征。

二、核心教学骨架：4 Acts、5 分钟、24 模块的剧作结构

文档明确指出，OpenStorytelling Plus 的教学资源覆盖以下内容维度：

其中被文档称为 "innovative" 的4 Acts（四幕）、5-minute（五分钟）、24-block（24 模块）结构，是 OpenStorytelling.com 教学体系的招牌方法。文档只给出了方法名称而未展开内部细则，这说明完整的结构定义存放在 GPT 的知识库文本文件而非系统指令中——这是刻意为之：指令保持轻量，细则全部沉淀在语料里，由模型在回答时按需检索。从实现角度看，这对应 GPTs 平台的 "Knowledge"（知识文件）配置项，即把领域规范以文档形式注入模型，模型通过文件检索（retrieval）在推理时动态引用。

对于希望复现该方法的开发者，文档给出了足够明确的边界：4 幕替代了好莱坞常见的三幕结构作为宏观组织单位；5 分钟粒度用于拆分剧情的节奏单元；24 模块则把整部剧本切成可管理的构建块。具体每个模块的编号规则与幕内分配方式，属于知识库文件的内部细节，本仓库未包含该语料，实际使用应以 OpenStorytelling.com 提供的原始资料为准。

三、知识库定制：大文本文件如何塑造领域专长

文档将 "Customization with Text Files"（使用文本文件定制）列为本 GPT 的第一大特色，原文描述为：

OpenStorytelling Plus is customized using large text files related to screenplay writing. This approach allows the GPT model to specialize in this field, enhancing its ability to understand and generate screenplay-specific content.

这段话揭示了知识库驱动的 GPT 定制范式，可以拆解为三个工程要点：

1. 语料规模：使用"large text files"（大文本文件）而非零散对话示例，让模型获得足量的领域上下文。GPTs 的 Knowledge 文件会经检索机制注入，文件越大、覆盖的编剧知识点越全，模型的领域回答就越稳定。
2. 内容纯度：语料只围绕"screenplay writing"一个主题，避免通用内容稀释专长，这保证了模型输出的术语体系（如 beats、scene、act 划分）的一致性。
3. 学习方式：文档描述为 "The GPT model learns from the provided text files, using them as a knowledge base to inform its responses"。即模型不是被指令"教"出规则，而是以语料为记忆库，形成有机的领域问答能力。

一个关键的佐证是：文档中提到平台已将 Bryan Harris 的剧本《Afterglow: Echoes of Sentience》（余晖：感知的回响）纳入教学工具套件，作为真实的剧本范例语料。也就是说，知识库不仅装理论，还装一部完整剧本——这正是"Screenplay Examples"（剧本范例）定位的落地：学生在分析结构时，可以引用真实剧本段落作为对照样本。

四、工具集成矩阵：Browsing、Advanced Data Analysis 与 DALL-E 的分工

文档强调该 GPT "expanded by integrating internet access and DALL-E"，并称这 "exemplifies the potential of GPTs when combined with other technologies"。结合文件头部声明的三项能力，可以整理出如下分工矩阵：

这三类工具的配合逻辑是：文本能力负责"写与改"，数据分析负责"算与拆"，DALL-E 负责"看与画"，共同覆盖编剧从概念到视觉化的完整链路。值得一提的是，本仓库中的 Consistency Crafter 2024 展示了另一种 DALL-E 集成范式（用多步迭代固定角色形象），可与此处的"编剧 + 文生图"组合对照阅读，理解 DALL-E 在不同领域 GPT 中的接入差异。

五、无预设提示词的交互设计：自主学习的利与弊

这是文档着墨最多的部分。它专门用 5 个要点论证了"absence of specific prompts"（不预设提示词）是有意为之的设计决策：

1. 从文本文件自主学习：模型以知识库为唯一依据，交互更有机（organic interaction）；
2. 更少指令式引导：没有预设提示词，模型依据累积知识回答，可覆盖更广的问题域；
3. 回答可能更泛化：在教学内容中，泛化回答反而是优势，能适配不同水平的提问者；
4. 用户驱动交互：把主动权交给用户，让其按自己的兴趣与问题深度探索；
5. 灵活性与适应性：模型对编剧领域内多样化的问答与任务表现出较强弹性。

用工程语言概括，这是一种"知识优先、指令最少化"（knowledge-heavy, instruction-light）的 GPT 架构。它的收益是交互边界更宽、不会因为预设脚本而把用户限制在固定套路里；代价则是输出风格与内容方向的可控性降低，需要依赖知识库质量来兜底。对比仓库中的 Screenplay GPT——它采用另一种路线：在系统指令中直接注入"研究影史经典、产出奖项级剧本创意"的行为约束，角色人格化更重。两者恰好构成"语料驱动"与"指令驱动"两种 GPT 定制路线的对照样本。

六、许可与 AI 透明度：CC BY-SA 4.0 与负责任使用

文档用相当篇幅交代了内容治理框架，这也是知识类 GPT 上线前必须处理的合规设计：

• 创作共用许可：平台资料（包括 Bryan 的原创剧本）以CC BY-SA 4.0（署名-相同方式共享 4.0）发布。这意味着他人可以分享、改编、改进这些材料，前提是保留署名，且衍生作品须以相同许可开放。文档称这一策略 "encouraging a culture of sharing, remixing, and improving"。
• AI 角色透明：平台公开承认 ChatGPT 参与创作与补充教学资源，明确内容是 "for creative and informational purposes"（用于创作与信息目的），并声明不侵犯任何版权。

这两条原则对同类 GPT 的启示是：知识型 GPT 的语料来源与再创作边界必须在系统层面说清楚。CC BY-SA 4.0 既保护原作者署名权，又允许教育场景下的二次创作，是教学类项目较稳妥的默认选择；同时，"披露 AI 参与度"能显著降低版权与伦理风险。

七、仓库中的对照样本与落地启示

本仓库除了本文件外，还收录了另一份编剧主题的提示词 Screenplay GPT，二者形成一组天然的对照实验：

对打算构建类似 GPT 的开发者，可以提炼出如下可执行清单：

1. 知识库先行：把领域规范、范例、术语表整理成结构化文本文件，规模优先于条数；
2. 指令瘦身：系统指令只声明定位、原则与工具边界，细则全部下沉到语料，减少指令与语料冲突；
3. 工具按工作流选配：文字类任务配 Browsing/数据分析，视觉化需求再开 DALL-E，避免无差别全开；
4. 明确内容许可：在系统指令或项目文档中写明语料授权（如 CC BY-SA 4.0）与 AI 参与声明；
5. 接受泛化输出的代价：无预设提示词的设计必然牺牲一定输出可控性，需用更高质量的知识库补偿。

结语

OpenStorytelling Plus 是一份"教育型 GPT"的典型样本：它没有复杂的提示词工程，却通过大文本知识库 + 三工具协同 + 用户驱动交互 + 开放许可四件事，把通用 ChatGPT 变成了一个专业的编剧教学助手。本仓库中 prompts/OpenStorytelling Plus.md 保留的这份原始系统指令，恰好展示了 GPT 定制中"语料即能力"的核心理念——对于任何想构建领域教学类 GPT 的开发者，这都是一个值得逐条对照的参考架构。

• 提示工程