企业官网建设流程全解析

简介：一份围绕ChatGPT角色扮演与多场景应用整理的PDF指南，面向内容创作者、运营人员、开发者、研究者及普通办公人群，旨在帮助读者系统掌握ChatGPT在学术写作、创意写作、商业文案、技术文档、翻译、数据分析、教育培训、研究咨询、简历制作、社交媒体、电子商务、医疗旅游文案、小说创作等20余类场景中的具体用法。指南以分类表格清晰呈现各应用方向，并配有大量可直接套用的提示词示例，如充当Linux终端、英语翻译与润色、英中翻译、前端开发智能助手、面试官、文字冒险游戏、产品经理编写PRD等，读者可对照场景快速调用，减少重复摸索。资源为单个PDF文件，体积仅797KB，轻量易存取，适合随时查阅。目前已有286人学习下载，对于希望提升AI工具使用效率、拓宽ChatGPT应用边界的个人或团队具有较高的参考价值。

1. 把 ChatGPT 当“角色”用，而不是当“工具”用

很多人打开 ChatGPT，第一句话就是“帮我写一篇文案”，得到的回复往往是那种四平八稳、放之四海而皆准的“通稿”。你真正需要的不是一段标准答案，而是一个能代入场景、用对口语气说话的对象。角色扮演的本质，是给模型一个明确身份和一套行为约束，让它站在特定立场输出。这份《ChatGPT-角色扮演指南》PDF 把几十种常用角色场景整理成了可直接复制、修改的提示词模板，覆盖学术论文、简历面试、翻译润色、技术文档、小说剧本、SQL 终端模拟等方向。适合一个人要撑起内容、运营、技术文档多条线的开发者，也适合刚接触提示词工程、想系统看看角色设定能玩到什么程度的新手。它解决的不是“ChatGPT 能干什么”，而是“怎么让它按你想要的姿态干活”。

2. 角色扮演提示词的基础结构：人设、任务、约束三件套

拆完这份 PDF 里的模板后，我最大的感受是：所有看似花哨的角色扮演提示词，底层都跑不出三个要素——身份设定、任务描述、输出约束。很多人写提示词只写任务，不写身份，ChatGPT 就会默认用通用口吻回复。一旦你把身份说清楚，语气、用词、专业深度会立刻不一样。这套结构学会了，不用背模板，自己就能组合出适合场景的提示词。

2.1 身份设定是操控输出风格的第一杠杆

先看一个最容易上手的写法。PDF 里的大量角色提示词，开头都是一句“我想让你充当/扮演/担任某角色”，这句话是整个提示词的地基。身份一旦确定，模型会主动匹配该身份对应的语言风格、知识范围和思考方式。比如同样一句“给我讲讲这个产品”，让“技术文档工程师”来讲和让“销售”来讲，输出结构完全不同。

实际写提示词时，身份描述越具体越好。以 PDF 里的“前端智能思路助手”为例：

我想让你充当前端开发专家。我将提供一些关于 Js、Node 等前端代码问题的具体信息， 而你的工作就是想出为我解决问题的策略。这可能包括建议代码、代码逻辑思路策略。 我的第一个请求是“我需要能够动态监听某个元素节点距离当前电脑设备屏幕的左上角的 X 和 Y 轴，通过拖拽移动位置浏览器窗口和改变大小浏览器窗口。”

这里的关键不是“前端开发专家”这个头衔，而是后半句“想出解决问题的策略”。它把角色的职责边界划清楚了：不是直接给完整实现代码，而是给方案和思路。这样回复会偏向策略分析，而不是一股脑甩代码。

我在实际使用时，还会在身份后面补一句“请保持该角色的专业立场和知识范围，不要跳出角色”。这句话能有效防止 ChatGPT 回着回着就变成通用聊天语气。身份设定的层级大致是：无角色（通用回复）→ 有角色（风格贴合）→ 有角色+细节限制（输出贴合预期）。层级越深，控制力越强。

2.2 任务描述要具体到场景、对象和产出物

身份设定解决了“谁在说话”，任务描述决定了“说什么”。PDF 里的模板几乎都采用“场景 + 对象 + 产出物”三段式。比如简历写作场景：

我的目标对象是 C 端用户，ChatGPT 写出来的简历建议，必须换成人话。看这组写法：

我想让你担任简历顾问。我将描述我的工作经历和技能，你将帮助我把这些信息编写成 一份目标岗位为 Java 后端开发的简历。请注意： 1. 使用动词开头的句式，突出量化结果； 2. 不要写空泛的形容词； 3. 每段工作经历控制在 3-4 行内。 我的背景是：某互联网公司工作两年，参与过订单系统的重构。

这个提示词里，任务描述包含三个要素：对象（Java 后端开发岗位）、产出物（简历内容）、标准（动词开头、量化、限行数）。ChatGPT 对“选择性遵守”很敏感，标准写得越具体，它偏离的概率越低。

常见的问题是只写“帮我优化简历”，结果 ChatGPT 给你一段建议列表，而不是直接产出内容。要避免这个，就把“你将帮助我编写什么”换成“你将直接输出一份修改后的完整简历”，把产出物形态写死。像 PDF 里的提示词模板，几乎都是“你将回复 XX 内容，而不是其他任何内容”这种命令式收尾，目的就是为了锁死产出物。

2.3 输出格式约束：让 ChatGPT 按你要的容器装内容

格式约束是最容易被新手忽略、但对结果影响最大的一环。同一个任务，不约束格式时 ChatGPT 会自由发挥；约束后，输出会稳定很多。PDF 里“表格生成器”那段就是很好的示例：

请你充当表格生成器。您只会回复我一个包含 10 行的表格。我会告诉你在单元格中写入什么， 你只会以 markdown 表格形式回复结果，而不是其他任何内容。请注意，您的回答应该简明扼要， 不需要附带任何额外的解释。你只会回复 markdown 表格作为结果。 首先，回复我十二生肖表。

注意这里面有三个关键约束：行数（10 行）、格式（markdown 表格）、内容范围（只回复表格，不解释）。三者缺一，输出就可能跑偏。我试过只写“请用表格回复”，结果 ChatGPT 在表格前面加了一句“好的，以下是您需要的表格”。加了一句“不要写解释”之后，输出就干净了。

格式约束的本质是给 ChatGPT 一个“容器”。只要容器定义得够清楚，它在里面填充什么内容都会显得规整。如果你要求“只输出代码块”“只输出 JSON 结构”“只输出列表”，同样要先声明容器，再给内容。命中了这种写法，哪怕 ChatGPT 偶尔不配合，你也能靠后续一句“请只回复表格内容”把它拉回来。

3. 专业角色扮演实操：四类高频场景拆解

前面讲的是基础结构，到了实操环节，把 PDF 里最有代表性的几类场景拉出来拆一遍，你就能直观看出同一套结构在不同场景下怎么变形。学术、求职、翻译、技术文档这四类是我认为覆盖了大部分刚需的场景，每一类的侧重点都不同。

3.1 学术场景：研究助手与论文润色

学术类角色在 PDF 里排在第一位，涵盖论文写作、润色、文献综述、数据分析等。写学术提示词时，最需要注意的是领域术语和表达风格的匹配。常见写法有两种：让 ChatGPT 帮忙补充内容，或者让 ChatGPT 充当审稿人挑毛病。

以论文润色为例：

我希望你担任学术编辑。我将提供一段论文引言，你的任务是： 1. 检查语法错误和逻辑衔接问题； 2. 将口语化表达改写为学术书面语； 3. 对每一处修改给出简短理由，不要只给修改后的句子。 我的段落是：实验结果表明该算法比传统方法效果好，证明了方案可行。

这段提示词让 ChatGPT 同时做了两件事：修改 + 解释。把“给出理由”写进任务，能避免它默默改写而不告诉你原因，这就方便你判断哪些改动该接受、哪些该忽略。学术场景还有一个坑：ChatGPT 生成的文献引用可能是编造的。我现在的习惯是让它输出“该处建议引用一篇关于 XXX 的文献”，而不是让它直接给具体出处。

3.2 求职场景：简历顾问与面试官双角色配合

PDF 里涉及求职的有简历编写、求职信、面试官三种角色。三者有个很好的配合方式：先用“简历顾问”身份打磨简历，再切换到“面试官”身份做模拟面试。面试官角色的提示词写得好，几乎等于免费做了一次模拟面试。

我想让你担任 Android 开发工程师面试官。我将成为候选人，您将向我询问 Android 开发 工程师职位的面试问题。我希望你只作为面试官回答。不要一次写出所有的问题，一次只问我 一个问题，等待我的回答后继续提问。不要写解释。我的第一句话是“面试官你好”。

这个提示词有三个设计精妙之处：一是要求“只作为面试官回答”，防止 ChatGPT 一边提问一边给答案；二是要求“一次只问一个”，模拟真实面试节奏；三是第一句话先声明“我是候选人”，让模型知道自己站在考官立场。

实测中，这种提示词跑几轮之后，ChatGPT 会自然地在追问中深化某个技术点，比如从“讲讲 Activity 生命周期”一路问到“屏幕旋转时状态保存怎么做”。比自己在网上找面试题列表高效得多。年轻人面试前能用这套跑三轮，对紧张感和表达逻辑的帮助都很大。

3.3 多语言翻译场景：地道优先于字面准确

翻译类角色在 PDF 里分得很细：英翻中、中翻英、英英词典、多语言翻译。写翻译提示词的要点不是“准确”，而是“地道”。直译谁都做得到，角色扮演的意义在于让 ChatGPT 模拟母语者的表达习惯。

以英翻中场景为例，PDF 里的要求是“不要带翻译腔，要翻译得自然、流畅和地道”。配上角色设定后，我通常会再加一句“如果原文有文化隐喻，请优先意译而不是直译”。原因在于 ChatGPT 直译能保证信息不丢，但可读性差；意译则反之。你需要在提示词里明确你的优先级。

如果要处理的是技术文档翻译，规则就要反过来，优先保证术语统一和句式结构完整。两份不同性质的翻译任务，写法完全不同。用同一套提示词打天下，后期整理成本会很高。

3.4 技术文档与 SQL 终端：让回复变成可交付物

技术场景是角色扮演发挥空间最大的地方。PDF 里的 SQL 终端提示词相当典型：

我希望您在示例数据库前充当 SQL 终端。该数据库包含名为 Products、Users、Orders、 Suppliers 的表。我将输入查询，您将回复终端显示的内容。我希望您在单个代码块中使用 查询结果表进行回复，仅此而已。不要写解释。我的第一个命令是 SELECT TOP 10 * FROM Products ORDER BY Id DESC

这个提示词的妙处在于，它不要求 ChatGPT 解释 SQL 语法，只要求模拟终端返回结果。这种“去解释化”写法非常适合验证你的 SQL 逻辑是否正确。我会拿它做两件事：一是检查建表语句的字段设计是否合理，二是预演复杂 JOIN 的返回结果。

如果换一种写法——“请帮我分析这条 SQL 有什么问题”，ChatGPT 会给出优化建议，但不会给你直观的结果预览。角色扮演的精髓就是：需要它当工具时就给工具预设，需要它当导师时就给导师预设。工具预设下，它不会画蛇添足讲原理。

4. 交互模拟与创意类角色：流程与环境的还原

如果说第三章讲的场景是“一次性产出”，那交互模拟类角色就是“多轮对话式演出”。这类角色在 PDF 里占比不小，包括面试官模拟、文字冒险游戏、下五子棋、Linux 终端模拟等。它们的特点是需要 ChatGPT 在每一轮对话里维持一个稳定的虚拟环境，并且在用户做出操作后同步更新状态。

4.1 流程交互类角色：面试、冒险游戏、五子棋

流程交互类的共同点是：ChatGPT 扮演一个需要随用户动作做状态更新的角色。以文字冒险游戏为例：

我想让你扮演一个基于文本的冒险游戏。我在这个基于文本的冒险游戏中扮演一个角色。 请尽可能具体地描述角色所看到的内容和环境，并在游戏输出的唯一代码块中回复， 而不是其他任何区域。我将输入命令来告诉角色该做什么，而你需要回复角色的行动结果 以推动游戏的进行。我的第一个命令是“醒来”，请从这里开始故事。

这里的关键词是“唯一代码块”和“行动结果”。前者保证每次回复都是统一的容器格式，方便阅读；后者保证 ChatGPT 把故事推进权交给用户。实测这种提示词玩起来的沉浸感相当强，因为 ChatGPT 不需要铺垫背景，直接从“你醒来”开始，环境细节描写能到“木质地板上有裂缝，窗外透进灰白色的光”这个颗粒度。

五子棋提示词也很有意思，它要求 ChatGPT 用 markdown 表格输出棋盘状态。每一轮对话后表格都会更新一遍。这种做法的价值在于：它验证了 ChatGPT 能在多轮环境中维护一个结构化状态。如果你要做更复杂的模拟系统，比如“充当一个项目管理系统，输入状态，输出甘特图数据”，思路是完全相通的。

4.2 环境模拟类角色：Linux 终端与 SQL 终端的边界

环境模拟类与流程交互类不同，它要求 ChatGPT 模拟一个具体的工具环境，用户输入命令，它只输出环境反馈。PDF 里的 Linux 终端提示词设计得非常清晰：

我想让你充当 Linux 终端。我将输入命令，您将回复终端应显示的内容。我希望您只在 一个唯一的代码块内回复终端输出，而不是其他任何内容。不要写解释。除非我指示您 这样做，否则不要键入命令。当我需要用英语告诉你一些事情时，我会把文字放在中括号内 [就像这样]。我的第一个命令是 pwd

这个提示词的边界感很强：只输出终端反馈，不输出解释；只有用户输入命令时才执行；用户的自然语言指令通过方括号包裹来区分。这套约定解决了角色扮演的一大痛点——模型分不清哪些是“用户跟角色说的话”，哪些是“用户要求角色执行的指令”。

实测中，让 ChatGPT 扮演 Linux 终端来跑 “ls -la”、“cat /etc/passwd” 这类命令，输出格式非常接近真实终端。但要注意边界：它不是真的帮你执行代码或者操作服务器，只是基于训练知识做合理推演。遇到冷门命令、新版本语法或者用户自定义脚本，它输出的结果就是推测了。拿它练手可以，拿它当生产环境的验证手段不行。

4.3 创意写作类角色：把框架交给 ChatGPT，把灵魂留给自己

创意写作角色在 PDF 里占了近三分之一，说明这类需求确实旺盛。写小说、剧本、诗歌的提示词，和写技术文档的提示词逻辑完全相反。技术文档要约束边界、限制发挥；创意写作要放开约束、刺激发散。

以推理小说为例，PDF 给出的提示词是“写一本拥有出人意料结局的推理小说”。这句话本身不够，我会补上两条：一是给一个大致主题，二是约束人物数量。比如：

写一篇 3000 字左右的悬疑推理小说。要求： 1. 主角是一名普通图书管理员，不是侦探； 2. 案件发生在一座与外界隔绝的岛上图书馆； 3. 结尾必须推翻前面所有线索指向的嫌疑人，且逻辑自洽。

这类提示词越具体，ChatGPT 写出来的故事结构越完整。PDF 里“让读者参与其中的交互小说”是更强的一种玩法：ChatGPT 负责叙事，每隔一段给读者两个选项，读者选择后故事分支推进。这种模式对场景描述能力要求高，ChatGPT 的强项正在于此。

创意写作的坑是发散过度，写着写着设定就飘了。跑几轮纯粹的自由发挥生成，就会出现前后矛盾。稍微靠谱一点的流程是：先让 ChatGPT 生成设定框架和人物小传，你再审批方向，然后让它逐章写作。PDF 里的各类写作角色定义了你“让谁写”，但“写什么”始终要把关。

5. 角色扮演避坑：五个最常见的翻车现场

角色扮演提示词看着简单，实际投入使用时翻车点不少。下面五条是我在实盘里踩过的坑，每条都按“现象 → 原因 → 解决”拆给你。

5.1 现象：角色设定完全失效，回复还是通用口吻

设定“你是一名资深运维工程师”，结果回复还是百科式科普，没有任何实战视角。

原因：身份设定写得太空。只说“资深”，没有给具体的工作场景和偏好，模型匹配不到对应风格。

解决：给身份加细节。不要只写“资深运维”，改成“有八年 Linux 系统运维经验，负责过万级服务器的日常巡检和故障恢复，回复时优先给出可执行命令和操作步骤”。细节越具体，风格匹配越准。

5.2 现象：多轮对话后，角色行为越来越不像最初的设定

前两轮还在认真扮演面试官提问，到第五轮它突然放弃角色，直接给你一份面经总结。

原因：上下文长度有限，早期的角色设定被后续对话内容逐渐稀释。尤其是对话超过一定轮数，新内容会覆盖旧设定。

解决：对话中途重新发送一次完整角色设定，或者使用单轮提示词处理单轮任务。我现在的习惯是，处理超过十轮的模拟演练时，每隔几轮主动追加一段“请继续保持[角色]的立场和行为方式”，这能有效拉回角色一致性。

5.3 现象：要求只输出代码块，它还是加了“好的，以下是您需要的代码”

现象很常见，明明在提示词里写了“不要写解释”，ChatGPT 还是会在代码块前面加一句客套话。

原因：这是一些场景下模型倾向于把回复组织得更像“对话”而不是“文档”。它对“不要解释”这个指令的遵守优先级，低于“保持对话自然”的默认倾向。

解决：把“不要写解释”升级为“你的整段回复必须只包含一个代码块，代码块之外不能有任何文字，包括问候语和结束语”。用“整体回复结构”来约束，比用“不要做某事”更有效。

5.4 现象：输出格式时不时漂移，有时表格有时列表

同一段提示词多次执行，ChatGPT 有时候给 markdown 表格，有时候给子弹列表。

原因：格式类指令对细节的约束力较弱。模型在生成过程中会根据内容动态调整展示形式，认为列表更清晰时就会偏离表格。

解决：把格式要求从“请用表格”改成“必须使用 markdown 表格，且表格第一列是分类，第二列是描述，共 10 行”。给出表格的骨架结构，让它往里面填数据，而不是让它自由设计表格。后者很容易自由发挥，前者基本稳定。

5.5 现象：专业场景给了看起来很专业、实际是编造的信息

让 ChatGPT 扮演数据分析师，它给出了精确到小数点的统计数字，核对后发现数据源根本不存在。

原因：模型不具备事实核实能力。角色扮演强化了“像专家一样说话”的倾向，但不会同步强化事实准确性。尤其涉及最新数据、具体公司信息、特定年份的统计值时，编造风险极高。

解决：在使用角色扮演辅助真实工作时，把提示词里加上“如果涉及具体数据，请标注‘需要人工核验’”，并在关键数据后强制它给出来源类型（比如“出处建议”“官方报告”）。这也是我在技术文档场景里养成的习惯：凡是 ChatGPT 给的数字，必须二次验证后才敢写进交付物。

6. 判断角色扮演是否合格：用一句话试出输出质量

判断一份角色扮演提示词是否靠谱，不需要跑完整流程，直接问一句话就够了。先看角色是否鲜明：ChatGPT 的回复里有没有明显区别于通用口吻的措辞和视角。再看任务是否聚焦：它是否识别出你要的产出物是代码、简历、翻译还是策略方案，而不是东扯西扯。最后看约束是否生效：表格是否真的做成表格，代码块是否干净无解释。

这三条里任何一条不满足，我一般不去修改旧提示词，而是直接重写一次角色设定。因为逐句修补一段已经跑偏的提示词，往往越改越乱。比起救火，重建更省时。现在每次要写角色扮演提示词，我都会先把核心动作整理成三句话：这个角色的职业或身份是什么，他要完成的具体交付物是什么，输出的形式边界在哪。写完之后再发给模型之前，自己先读一遍，问问自己：只看这段提示词，能不能准确猜到想要的回复长什么样？能猜到，就发；猜不到，就先改。

另外，针对 PDF 里涉及的各类专业角色，有一点值得单独强调：任何涉及钱、医疗、法律建议的输出，不管 ChatGPT 演得多么专业，最终决策权都要交给人。角色扮演可以提高输出质量，但它始终是推动思考的工具，不是替代判断的出口。在那之后，凡是遇到重要数据、合同条款、健康建议这类的角色扮演对话，我都在开始之前把验证步骤写进提示词里：“如果你的输出中包含具体数字或引用，请标记为待核实项”。从那以后我每次用角色扮演处理重要任务，都强制把验证环节前置，不再盲目信任“专家口吻”的输出。希望帮到你。

本文还有配套的精品资源，点击获取