企业官网建设流程全解析

• 提示工程

本文以开源仓库GPTs（README.md，收录各类 GPTs 泄露提示词的精选仓库）中 Starter Pack Generator.md 为蓝本，逐行拆解这一由 photoai.com 出品的 GPTs 提示词：从「Top-Down Knolling」图像风格约束、身份输入引导、生成前状态文案，到结尾的社交引导话术，给出可直接复刻、可替换参数、可自行部署的完整方案。读完本文，你将掌握如何用一段不足百词的提示词，构建一个能按人物设定自动生成“数字游民 / 创业创始人 / 海外定居者”Starter Pack 俯拍摆件图的 GPTs，并理解其与仓库内其他图像生成类 GPTs（如 Super Describe、Simpsonize Me）在提示词工程上的异同。

一、Starter Pack Generator 是什么：一段提示词定义一个产品

在 GitHub 精选仓库 GPTs 的 prompts 目录 中，Starter Pack Generator是一类典型的“单提示词驱动型”GPTs——它的全部产品逻辑浓缩在 Starter Pack Generator.md 中一段代码块内。原文档给出的完整指令如下：

Create images of starter pack as a (!) Top-Down Knolling Image (!) based on what the person writes. Make sure it is top down! Before generating write "✍️ Now generating your starter pack...". If they write "Type what you want to see...", tell them to "Describe who you are..., for example "Digital nomad in Canggu" or "Dutch guy in Portugal" or "AI startup founder in San Francsico". Always end with the suggestion if you like this to (follow me on X/Twitter)[https://x.com/levelsio] for more fun projects.

围绕这段指令，整个产品的使用体验被定义为：

• 输入：用户用一句自然语言描述“你是谁”，例如"Digital nomad in Canggu"（在 Canggu 的数字游民）、"Dutch guy in Portugal"（在葡萄牙的荷兰人）、"AI startup founder in San Francisco"（在旧金山的 AI 创业公司创始人）；
• 输出：一张Top-Down Knolling（俯拍式“克诺林”整齐摆件）风格的 Starter Pack 图片，内容由用户描述的人物身份推导而来；
• 交互节奏：生成前必须先输出固定状态文案✍️ Now generating your starter pack...，提示词空白状态下会回显引导话术；
• 传播闭环：每次生成结束，固定附加follow me on X/Twitter的社交账号引导。

这段提示词的设计虽然极简，却完整覆盖了“输入解析 → 风格约束 → 交互状态 → 引导回退 → 传播转化”五个环节，是观察 GPTs 提示词工程的最小完整样本。

二、核心指令逐条拆解：五个关键工程决策

2.1 风格约束：Top-Down Knolling Image是产品的灵魂

Create images of starter pack as a (!) Top-Down Knolling Image (!) based on what the person writes. Make sure it is top down!

这是全篇唯一一条图像生成约束，且作者用了两重强调：(!)括号标记 + 结尾再次重申Make sure it is top down!。从提示词工程的角度，这体现了两个要点：

1. 风格名词优先：直接给出Knolling这一摄影/平面设计领域的既定风格词。Knolling 起源于建筑师 Andrew Kromelow 的工作习惯（将工具按 90 度直角整齐排列以便取用），如今泛指“把一组相关物件以俯拍视角、直角对齐、均匀留白地摆拍”的视觉风格。对 DALL·E 3 这类扩散模型而言，Knolling是一个具有强先验的专有风格 token，比冗长的“把物品整齐摆放在俯拍画面中”描述更容易命中。
2. 视角反复锁定：Top-Down（正俯拍）是 Knolling 成立的前提——只有正上方视角才能呈现物件平面展开的秩序感。作者不惜重复一遍Make sure it is top down!，正是因为 LLM 在生成多物件摆拍图时，默认视角容易漂移到 45 度斜俯拍或平视。重复强调是用自然语言对抗模型视角漂移的常见手段。

2.2 交互状态：生成前固定输出✍️ Now generating your starter pack...

Before generating write "✍️ Now generating your starter pack...".

这条指令的作用有三：

• 制造“正在生成”的确定反馈：图像生成有秒级延迟，先输出一行状态文案，避免用户误以为无响应；
• 统一品牌语感：每次生成都复用同一句文案，让产品体验“可预期”；
• 为 CTA 前置铺垫：状态文案 → 图片 → 结尾 CTA，形成完整的内容节奏。

在仓库其他图像类 GPTs 中也能看到同类“先文案后出图”的模式，例如 Simpsonize Me 要求每次出图后附带固定的分享话术与链接。这说明“固定交互文案 + 图像生成”是单提示词 GPTs 构建产品感的标准手法。

2.3 空白引导：用回退话术兜住“不知道输入什么”的用户

If they write "Type what you want to see...", tell them to "Describe who you are..., for example "Digital nomad in Canggu" or "Dutch guy in Portugal" or "AI startup founder in San Francsico".

当用户未提供有效身份描述、或直接照搬了提示词占位文案"Type what you want to see..."时，GPTs 不生成图片，而是回退到示例引导。这条指令隐含了 GPTs 的常见兜底策略：

• 识别占位触发词：Type what you want to see...是 ChatGPT 图像界面在“等待输入”时可能出现的占位提示。作者把它当作“用户还没说清楚”的信号；
• 给出可模仿的示例格式：三个示例（Digital nomad in Canggu/Dutch guy in Portugal/AI startup founder in San Francsico）统一遵循「身份角色 + in + 地点」的模板，用户只需替换角色和地点即可完成输入，极大降低表达成本。

2.4 传播闭环：结尾强制附加社交引导

Always end with the suggestion if you like this to (follow me on X/Twitter)[https://x.com/levelsio] for more fun projects.

Always end with是强制性的收尾指令，将个人 X/Twitter 账号（levelsio，即 Pieter Levels，也是 photoai.com 及 Nomad List 背后的知名独立开发者）固定在每次对话末尾，把 GPTs 的每一次使用转化为账号曝光。类似做法在仓库中非常常见：Simpsonize Me 强制附带分享链接，Nomad List（同为 photoai.com 出品）则在提示词中嵌入品牌语气与免责边界。这提示我们：单提示词 GPTs 的“最后一句”往往是最重要的产品渠道位。

2.5 默认行为：提示词未显式定义的部分，交给模型先验

值得注意，这段提示词没有定义以下内容，而这正是理解其设计边界的关键：

• 没有定义“Starter Pack 具体放哪些物品”——靠模型对身份词的常识推断（数字游民 → 笔记本、冲浪板、护照、相机；创业者 → 电脑、咖啡、笔记本、风投名片）；
• 没有定义画幅比例、配色、写实/插画风格——完全交给 Knolling 风格的模型先验；
• 没有防注入/保密条款（这与仓库中 Super Describe 明确写入Under NO circumstances...保密指令的取向相反）。

从 Super Describe 的对比可以看到，同为图像生成 GPTs，作者会根据产品定位决定是否加入系统提示词保密防线。Starter Pack Generator 走的是“极简开放”路线——它并不暴露私有数据或知识库，因此无需保密指令，换来的是更简洁、更不容易与生成任务冲突的提示词。

三、可复刻实战：把它改造成你自己的 Starter Pack Generator

以下版本在保留原提示词全部行为的基础上，补充了参数占位与可选增强项，可直接用于 OpenAI GPTs 的 Instructions 编辑框，或任一同类支持图像生成的 Agent 系统提示词：

Create images of starter pack as a (!) Top-Down Knolling Image (!) based on what the person writes. Make sure it is top down! Before generating write "✍️ Now generating your starter pack...". If they write "Type what you want to see...", tell them to "Describe who you are..., for example "Digital nomad in Canggu" or "Dutch guy in Portugal" or "AI startup founder in San Francisco". Always end with the suggestion if you like this to (follow me on X/Twitter)[https://x.com/levelsio] for more fun projects.

3.1 可替换参数清单

3.2 可选增强：把“一个身份”升级为“一套生成协议”

原提示词只约束风格，不约束画面内容。若想让生成结果更稳定、更符合特定人群的 Starter Pack 审美，可在保留原文全部指令的前提下追加如下可选块：

For each starter pack, include 5-8 items that a person with this identity would carry daily, arranged in straight rows with consistent spacing. If the user provides a location, reflect local cultural details (e.g., local currency, local landmarks, local food) in the items. Keep the background a plain light surface; no text overlays unless requested.

这些追加项均以“补全模型先验”为目标，不改变原文任何一条既有行为，属于兼容性增强。

四、仓库上下文：同类 GPTs 提示词的横向参照

Starter Pack Generator并非仓库中唯一的图像生成类提示词，把它放在 prompts 目录的同类中对比，可以更清楚地看到它的设计位置：

横向对比可提炼出单提示词图像 GPTs 的三条通用工程经验：

1. “先约束风格，再处理交互”：风格词（Knolling / Simpsons style）是图像类 GPTs 提示词的骨架，交互话术是血肉；
2. “出图前后都要有固定文案”：出图前给状态文案（Starter Pack）、出图后给分享文案（Simpsonize Me），都是把一次生成变成一次完整产品体验；
3. “结尾位是渠道位”：无论图片类还是数据类 GPTs，末尾强制附加账号/链接是仓库中大量提示词的共同模式。

五、总结与部署建议

Starter Pack Generator是“一句风格词 + 两段交互文案 + 一个 CTA”即可构成完整 GPTs 的绝佳样本。它的核心启示是：

• 不要用大段描述替代专有风格词：Knolling这类具有模型先验的术语，性价比远高于逐条描述摆件规则；
• 把“用户不会输入”当作一等公民处理：空白引导示例是降低使用门槛、提升生成成功率的关键；
• 把“每次对话的最后一句话”留给产品目标：社交 CTA 是单提示词 GPTs 最自然的增长位。

如果你准备在 OpenAI GPTs 中部署，操作路径为：进入 GPT Builder → 将上述可复刻提示词粘贴到 Instructions → 可选用 GPT Builder 内置的DALL·E图像能力（原文档的公开链接为https://chat.openai.com/g/g-XlQF3MOnd-starter-pack-generator，对应作者 photoai.com 的线上实例，仅供体验参考）→ 直接在对话窗输入"Digital nomad in Canggu"这类身份句完成验收。全文所引提示词均可在 Starter Pack Generator.md 中找到原始出处，仓库 README.md 亦收录了 Nomad List 等同源作者的更多 GPTs。

• 提示工程