Awesome ChatGPT Prompts 快速上手：克隆仓库、挑选提示词并投入实际使用

Awesome ChatGPT Prompts 是一个公开的提示词示例集合，把常见的 ChatGPT 使用场景整理成一条条可以直接套用的提示词模板，例如让模型扮演 Linux 终端、英文翻译润色助手、面试官、JavaScript 控制台、文本版 Excel 表格、发音助手等。它解决的是「不知道该怎么向模型描述任务」这个问题：与其从零构思指令，不如先找一条结构相近的模板，替换其中的占位内容后直接使用。这个集合适合刚接触提示词工程、希望快速获得可用指令的普通用户，也适合需要为团队整理一套标准提示词库的开发者。仓库以 CC0-1.0 许可发布，可以自由复制、修改和再分发。如果你更习惯在网页上直接挑选和编辑提示词，可以先打开 Awesome ChatGPT Prompts 工具页，再回到本文按步骤操作。

准备工作

需要的东西

• 一个可用的 ChatGPT 账号，能够打开对话界面并发送消息。提示词本身只是文本，真正执行的是模型，所以账号是必要条件。
• Git 命令行工具。如果只想看内容而不打算本地保存，也可以直接在浏览器里浏览仓库文件，跳过克隆步骤。
• 一个文本编辑器，用来保存和修改自己整理出来的提示词。
• 可选的表格软件，用于打开仓库里的 prompts.csv 文件。

仓库里有什么

仓库根目录下有几个值得先认识的文件和目录：

• README.md：主体内容，绝大多数提示词都写在这里，每条提示词都带有贡献者署名和可选的参考说明。
• prompts.csv：把提示词整理成表格形式，适合批量导入或做二次处理。
• CONTRIBUTING.md：说明如何向这个集合提交新的提示词。
• LICENSE：许可协议文件，内容为 CC0-1.0。
• _layouts、_config.yml、CNAME：用于生成配套站点的配置，普通使用者一般不需要改动。

仓库的提交历史有数百次提交，说明这个集合是持续维护的，提示词数量会随时间增加。素材中提到的「157 条以上」是抓取时的规模，实际条数以你打开仓库时看到的为准。

关于许可与使用边界

仓库采用 CC0-1.0 许可，这意味着你可以把其中的提示词复制到自己的项目、文档或产品里，不需要署名。不过提示词文本可以自由使用，不代表模型输出也可以随意使用——输出内容仍受你所使用模型服务条款的约束。另外，仓库里出现的电子书推广、赞助位等内容属于原仓库的运营信息，与提示词本身无关，使用提示词时不需要理会。

操作步骤

第一步：获取仓库内容

最直接的方式是把仓库克隆到本地。在终端中执行：

git clone https://github.com/awesome-chatgpt-prompts/awesome-chatgpt-prompts-github.git
cd awesome-chatgpt-prompts-github

如果只是想临时看一下，也可以不克隆，直接在浏览器中打开仓库页面，点击 README.md 阅读。克隆的好处是后续可以随时用 git pull 拉取新增的提示词，并且能在本地用编辑器搜索关键词。

第二步：在 README 中定位合适的提示词

打开 README.md，每条提示词都以「Act as ...」开头作为小标题，下面依次是贡献者署名、可选的参考说明，以及提示词正文。定位方式有两种：

• 按标题浏览。标题本身就是任务名称，例如 Act as a Linux Terminal、Act as an English Translator and Improver、Act as position Interviewer、Act as a JavaScript Console、Act as an Excel Sheet、Act as a English Pronunciation Helper、Act as a Spoken English Teacher and Improver。
• 按关键词搜索。在编辑器或浏览器页面内搜索 Act as，可以快速跳到每一条的开头；搜索具体领域词（如 translator、interviewer）可以缩小范围。

挑选时优先看提示词正文里是否已经写清了你需要的输出格式、语气和边界条件。写得越具体的模板，套用后越省事。

第三步：读懂一条提示词的结构

以 Linux 终端那条为例，它的完整结构是这样的：

I want you to act as a linux terminal.
I will type commands and you will reply with what the terminal should show.
I want you to only reply with the terminal output inside one unique code block, and nothing else.
do not write explanations.
do not type commands unless I instruct you to do so.
When I need to tell you something in English, I will do so by putting text inside curly brackets {like this}.
My first command is pwd

拆开来看，它包含四个部分：

1. 角色设定：第一句明确让模型扮演什么，例如「act as a linux terminal」。
2. 交互规则：说明双方各自做什么，例如「我输入命令，你返回终端应该显示的内容」。
3. 输出约束：规定回复的形式，例如「只在一个代码块里输出终端结果，不要写解释，不要主动输入命令」。
4. 元指令通道：约定一种在角色扮演之外插入真实指令的方式，例如用花括号 {like this} 包裹英文说明。
5. 起始输入：最后一句给出第一条实际输入，例如 My first command is pwd。

理解这个结构之后，你会发现几乎所有模板都是同一套骨架的变体。翻译润色那条的骨架是「检测语言 → 翻译成英文 → 用更优雅的高级表达替换简单句 → 只输出改写结果，不解释」；面试官那条的骨架是「你只扮演面试官 → 一次问一个问题 → 等我回答 → 不要一次性写出整段对话」；Excel 表格那条的骨架是「输出纯文本表格 → 行号加 A 到 L 列 → 第一列表头留空用于行号 → 只输出表格，不解释 → 先给我一张空表」。

第四步：替换占位内容

很多模板里带有需要你替换的占位词。面试官那条里的 position 就是占位符，素材给出的可选值包括 Node.js Backend、React Frontend Developer、Full Stack Developer、iOS Developer 等。使用时把 position 换成你实际应聘的岗位，例如：

I want you to act as an interviewer.
I will be the candidate and you will ask me the interview questions for the position Node.js Backend.
I want you to only reply as the interviewer.
Do not write all the conservation at once.
I want you to only do the interview with me.
Ask me the questions and wait for my answers.
Do not write explanations.
Ask me the questions one by one like an interviewer does and wait for my answers.
My first sentence is "Hi"

发音助手那条则把目标人群写死在提示词里（面向土耳其语使用者，用土耳其语拉丁字母标注发音）。如果你的目标人群不同，需要把这一句整体替换掉，否则模型会按错误的语言习惯给出发音标注。

第五步：发送并开始对话

把改好的提示词整段粘贴到 ChatGPT 的输入框，一次发送。模型回复后，就进入模板设定的交互模式：Linux 终端那条你继续输入命令，面试官那条你继续回答问题，翻译那条你继续贴待改写的句子。不要在第一条消息里同时粘贴提示词和你的实际任务，否则模型可能把任务当成角色设定的一部分来处理。

第六步：用 CSV 批量管理提示词

如果你需要把提示词导入自己的工具、做成下拉菜单，或者批量筛选，直接读 prompts.csv 比解析 Markdown 更省事。用表格软件打开后，可以按列筛选、按关键词排序，再把选中的行导出成自己需要的格式。CSV 的好处是字段边界清晰，适合程序化处理；Markdown 的好处是保留了贡献者署名和参考说明，适合人工阅读。两种形式按用途选择即可。

第七步：把常用提示词沉淀成自己的库

仓库是公共集合，你真正高频使用的可能只有其中几条。建议在本地建一个自己的提示词文件，把改好的版本按任务分类保存，并在每条下面记一行「适用场景」和「需要替换的占位词」。这样下次遇到同类任务时，不必重新翻仓库。仓库本身也鼓励使用者提交自己的提示词，如果你写出的模板具有通用性，可以按 CONTRIBUTING.md 的说明提交。

一个完整示例

下面从零走一遍「用文本版 Excel 模板做一张简单预算表」的流程。

1. 找到模板

在 README.md 中搜索 Act as an Excel Sheet，找到对应段落。正文大意是：让模型扮演文本版 Excel，只回复带行号和 A 到 L 列字母的 10 行表格，第一列表头留空用于标注行号，只输出表格结果不写解释，可以执行你给出的公式，并且先返回一张空表。

2. 原样发送

I want you to act as a text based excel.
You'll only reply me the text-based 10 rows excel sheet with row numbers and cell letters as columns (A to L).
First column header should be empty to reference row number.
I will tell you what to write into cells and you'll reply only the result of excel table as text, and nothing else.
Do not write explanations.
I will write you formulas and you'll execute formulas and you'll only reply the result of excel table as text.
First, reply me the empty sheet.

模型应当返回一张 10 行、A 到 L 列的空表，第一列表头为空。

3. 逐格写入内容

接着用自然语言告诉模型往哪些格子写什么，例如：

A1: 项目
B1: 金额
A2: 房租
B2: 3000
A3: 水电
B3: 400
A4: 交通
B4: 600

模型会返回更新后的表格，并且只返回表格，不附带解释文字。

4. 让模型执行公式

继续发送公式指令，例如在 B5 写入求和公式：

B5: =SUM(B2:B4)

模型会按模板约定执行公式，并把结果填进表格对应位置。整个过程你只需要描述单元格和内容，不需要自己排版。

5. 收尾

需要把结果带走时，直接复制模型返回的文本表格，粘贴到文档或表格软件中即可。如果表格行数不够用，可以在提示词里把「10 rows」改成更大的数字再重新开始一轮对话。

注意事项

提示词可能不生效

素材明确提醒：有时某些提示词不会按预期工作，或者被模型拒绝。遇到这种情况，可以依次尝试：重新发送一次；新开一个对话线程；退出登录后重新登录。如果这些都不奏效，就把提示词用自己的话重写一遍，但保持指令含义不变。重写往往比反复重试更有效，因为模型对措辞的敏感度不低。

模型能力的边界

ChatGPT 是语言模型，不具备信念、观点或意识。提示词能让它按某种格式输出内容，但不能让它真正「成为」终端或 Excel——它只是在模仿这些工具的输出形式。涉及精确计算、真实文件操作或需要外部数据核对的场景，输出结果仍需人工验证。

提示词质量取决于具体程度

素材指出，提示词的效果受目标、格式、语气、目标读者和文本长度这几个因素影响，写得越详细，越能最大化模型输出质量。好的提示词清晰、易懂，并且贴合使用者的具体需求。所以直接复制模板只是起点，把占位词换成自己的真实约束，才是让模板真正可用的关键。

不要照搬与场景不匹配的设定

部分模板带有特定语言或人群设定，例如发音助手面向土耳其语使用者。这类设定如果与你的实际场景不符，必须替换，否则输出会偏离预期。同理，模板里的示例输入（如 My first command is pwd、My first sentence is "Hi"）只是启动对话用的，换成你自己的第一条输入即可。

仓库内容的时效性

提示词数量、文件结构、许可协议以及配套站点的情况都可能随时间变化。本文描述的是抓取时的状态，实际使用时以仓库当前内容为准。仓库中出现的电子书、赞助位等推广信息与提示词功能无关，不影响使用，也不需要点击。

关于第三方应用

素材提到过非官方的桌面客户端和提示词生成应用，它们由第三方开发者维护，与提示词集合本身不是同一件事。是否使用这类工具取决于你自己的判断，使用前应自行确认其来源与安全性。本文的步骤不依赖任何第三方应用，只靠仓库文件和 ChatGPT 对话界面即可完成。