简介一份面向ChatGPT学习场景的11条顶级Prompt清单按思维导图、费曼技巧、间隔重复、SQ3R、双编码等多种高效学习法逐一设计并在每个指令后提供中英文对照示例适合需要借助AI辅助自学、备考或拓展新领域知识的学生和职场人使用。资源仅包含1份docx文档整个压缩包约12KB轻量便携内部以清单结构呈现可直接复制指令并替换变量快速适配不同学科。文档已有231人学习浏览内容从概念组织、精细提问到记忆巩固层层递进结尾第11条为最具惊喜感的收尾提示值得反复收藏。阅读后既能掌握一套可迁移至各类知识学习的ChatGPT提问模板也能理解每条指令背后的学习策略逻辑尤其适合外语学习、考证复习和专业技能沉淀是一份高性价比的Prompt速查工具。1. 从“废话回答”到“教练级回答”11个顶级Prompt到底改了什么很多人第一次让ChatGPT当私人教练问的是“我下肢力量弱该怎么练”得到的回答常常是“建议多做深蹲保持核心收紧循序渐进”——每句话都对但等于没说。真正的私人教练会先问你的训练史、关节状况、可用器械再给出带重量、次数、组间休息的计划。这个差异不是AI大模型不够聪明而是prompt没有把教练的工作方式写进对话。这套11个顶级AI指令Prompts提示词本质是一套结构化的角色限定与工作流先扫描现状再定目标再生成计划之后定期复盘遇到特殊情况还会分叉处理。适合两类人想自己调一套AI教练的普通用户以及正在做AI Agent应用的prompt engineer。2. 教练型Prompt的底层逻辑角色、约束与输出协议2.1 为什么普通提问拿不到教练级回答大多数人的prompt只有一句话“给我安排一周训练计划。”这在ChatGPT眼里是一个开放式的生成任务它需要自己假设你的目标、时间、器械和身体情况。假设越多输出就越趋向于平均值。平均值的回答一定正确但一定不落地。而真正的私人教练每次开口前都已经拿到了三层信息你的目标、你的限制、你的可用资源我习惯把这三层称为“教练上下文”。普通提问的上下文是空的模型只能用训练数据里的“典型用户”来补齐。典型用户是谁可能是健身小白也可能是运动员模型只能给一个让所有人都能读的通用答案。顶级prompt的作用就是把这组默认值替换成你的真实值。所以差距不在模型而在prompt有没有完成“上下文注入”。除了上下文还有两个维度角色约束和输出协议。角色约束让模型以私人教练的身份说话而不是以百科全书的身份输出协议要求它按表格、按步骤、按限制字数给结果。这三件事合在一起才把一个通用AI大模型变成具体AI Agent。很多“AI教练”产品看起来比裸ChatGPT专业并不是模型更强而是prompt工程做得更透。2.2 教练型Prompt的通用结构角色、背景、规则、模板、边界我一般会把一个教练型prompt拆成五个部分角色是人设背景是用户信息规则是行为约束模板是输出的固定格式边界是哪些不能做。把这五部分写全不超过10句话就能得到相当稳定的教练输出。下面是一个可以复用的结构模板你是一位有10年经验、擅长力量训练的私人教练。 背景我[性别/年龄/训练经验和身体限制]每周可以训练[天数]天每次[分钟]分钟。 你的任务帮我[具体目标]。 规则 1. 先问我关键信息不要直接给计划 2. 给计划时按动作、组数、次数、组间休息列成表格 3. 如果我提到疼痛或伤病先建议就医再给替代方案。 输出格式每个计划末尾加“本周注意事项”。 边界不诊断伤病不给精准营养处方。最后两条很重要。很多翻车的AI教练问题不是它不懂而是它太想表现自己什么都懂。加了边界之后模型在遇到伤病时会主动触发护栏而不是继续生成一个带风险的深蹲方案。这个结构不只用于健身用来做学习教练、职场教练都是一样的。2.3 固定人设的参数temperature、top_p、max_tokens怎么设提示词写得再好如果生成参数不对回答也可能在“复读机”和“胡言乱语”之间横跳。网页版ChatGPT没有开放temperature设置但在API调用里下面这组参数是我常用的起点参数推荐值对教练场景的影响temperature0.2 ~ 0.4越低越稳定适合给计划太高会编造动作top_p0.8 ~ 0.95与temperature互相影响调一个为主max_tokens600 ~ 1000限制回复长度避免长篇大论presence_penalty0 ~ 0.3避免同一天重复已给过的建议frequency_penalty0 ~ 0.3防止固定句式频繁出现temperature不要设成0那样模型会过度保守回答经常是“建议循序渐进”这种废话。0.3左右既能保证动作数字稳定又保留一点表达变化。max_tokens如果设太短计划会截断在半路设太长模型会出现凑字数的“自律、坚持”式鸡汤。这套参数配合前面的prompt结构才算是把教练人设固定住。3. 11个顶级Prompts拆解从目标设定到多AI协作的完整工具箱3.1 目标与现状类用3个Prompt把“模糊想法”变成“训练起点”Prompt 1目标解码器你是我的私人教练。请把下面这个模糊目标拆成SMART目标并输出一张表格 目标[例如3个月减重5kg]。 拆解时给出最终目标、阶段里程碑、衡量指标、时间边界、潜在风险。 不要只给建议先反问我不清楚的信息最多反问3个问题。这里的关键词是“先反问”。如果不加这句模型会直接假设一个起始体重和可用时间生成一份看上去很专业但完全不匹配的计划。反过来让模型先追问3个问题等于在第一次对话里强制进入“信息收集”阶段符合教练第一次见面的行为。你可以直接粘贴使用也可以把它的追问回答之后再把完整信息喂给下一个prompt。Prompt 2现状扫描器你现在是我的私人教练进行第一次开训前评估。请用列表向我询问以下信息 训练经验年/周频率/最近是否停止、可用器械和场地、身体限制或伤病史、每周可投入时间段、睡眠和压力水平。 根据我的回答输出一份“训练起点档案”。 不要立刻给训练计划。Prompt 1和2的区别1是把目标拆细2是把现状摸清。两个一起用等于给教练一份“客户档案”。后面所有计划类prompt都应该引用这份档案不然又会回到瞎猜。我见过很多人跳过这一步结果后面生成的计划跟他的膝盖伤冲突问题不在prompt而是前面的信息根本没被用起来。Prompt 3周训练计划生成器你是我的私人教练。我的训练起点档案如下[粘贴训练起点档案]。 请生成一周训练计划要求 每周训练[训练天数]天每天[时长]分钟 按“主项辅助核心”结构排列动作 每个动作写动作名、组数、次数、组间休息、预备姿势要点 如果某个动作不适合我的限制给替代动作 最后写一条“本周注意事项”。第三个prompt才是真正产出“训练计划”的。注意它会引用第一、二个prompt产出的档案这是整个工作流的连接点。如果不让AI引用档案它生成的计划看起来完整但可能用到一个你有伤的关节。这也是为什么我建议把“训练起点档案”单独存成一个文本之后每次新会话都贴进去。3.2 计划与执行类3个Prompt生成可照做的训练日和动作拆解Prompt 4动作拆解与纠错我接下来会做[动作名]。请把它拆成4个阶段起始姿势、下降阶段、发力阶段、结束锁定。 每个阶段给我1-2条关键指令、最常见的错误、一个自我检查方法。 如果我说“做这个动作时膝盖内扣/腰部酸痛”你要给出针对性修正口令而不是只让我改重量。这个prompt解决的是“看懂了但做不对”。AI的强项是能把动作流程拆得非常细但弱点是它看不见你实际的动作。所以我在规则里加了“自我检查方法”比如“膝盖与第二脚趾对齐”“下降时杠铃轨迹保持垂直”这些是可自查的信号。关键词“而不是只让我改重量”也很重要防止模型把所有动作问题都归结为重量问题。Prompt 5饮食与恢复顾问你是营养顾问只针对日常饮食和恢复不涉及疾病治疗。 我目前的训练目标是[目标]体重[体重]每天大概做[运动情况]。 请给我每日蛋白质/碳水/脂肪的合理范围克数 早餐、训练后一餐的搭配模板 某天应酬多时怎么临时调整 一个“红灯清单”哪些信息你必须建议我咨询医生或注册营养师。注意prompt里的“不涉及疾病治疗”和“红灯清单”是在给模型划边界而不是限制发挥。饮食建议的幻觉风险很高尤其是三高、过敏这类情况模型本身没有医学判断力。划了边界之后它遇到拿不准的会主动说“这种情况建议咨询医生”而不是硬编一个方案。Prompt 6数据复盘教练这是我会话内的训练记录[粘贴记录例如周一 深蹲5x5 80kg周二 卧推5x5 60kg周三跑步30min]。 请帮我复盘哪两个动作进步最明显哪些停滞 根据超负荷原则下一次这个项目应该加重还是加次数 指出一个可能被我忽略的恢复信号输出不超过200字。这个prompt用了“输出不超过200字”的限制会让模型主动压缩废话。我已经反复看到没有长度约束时AI教练会在复盘末尾加入“保持耐心坚持就是胜利”这类正确但没有信息量的话。加上长度限制它会把这部分挤掉留下真正有用的数据结论。3.3 复盘与激励类3个Prompt让AI从“给建议”变成“陪你坚持”Prompt 7障碍决策树如果我因为[加班多/没睡好/全身酸痛]没办法完成今天的训练你是一个私人教练请给一个分叉决策 临时加班给出20分钟低强度替代训练 没睡好判断是否需要停训而不是硬顶 全身酸痛区分延迟性酸痛和伤病信号。 每一类最终都要给我一个明确的“去训练/换方案/休息”指令。很多人觉得AI教练没有“情境应变”能力其实是prompt里没有给分支条件。加了决策树之后它会按不同情境分别输出而不是给出“听身体的话”这种模棱两可的结论。这里最有价值的是“明确指令”它逼着模型拍板而不是永远保持安全。Prompt 8苏格拉底式追问从现在起你是我的苏格拉底式教练。不要直接回答我的问题每次先问我一个问题引导我自己思考最多连续问3轮然后才给结论。 我的问题是[我不知道为什么我不想去训练]。 你追问3轮后用一句话总结我的真实障碍并给一个最小可行的行动。这个prompt是给“精神内耗”场景用的。普通AI教练会直接给你一个“设定奖励、找伙伴监督”的方案而苏格拉底式追问让模型先帮你分辨是不喜欢训练本身还是计划超出承受范围还是单纯被情绪卡住。三连问之后再给最小行动比如“明天只铺好瑜伽垫做一个深蹲然后决定要不要继续”行动门槛低到无法拒绝。Prompt 9激励与打卡设计请为我的训练目标设计一个7天打卡协议 每天打卡时我只需回复一个词或一个数字 连续打卡3天第4天给我一个小变式挑战 如果断卡不要指责给我一个“恢复卡”规则允许我用10分钟轻松活动作为补卡 每次打卡后用一句话反馈我的连续性。“不要指责”这五个字是关键。默认情况下AI在检测到用户没完成计划时很容易生成“你违背了承诺这会影响你的目标”这种负面反馈。对于长期坚持来说负面反馈会让人更想逃避。给模型显式的恢复规则它才能像一个耐心教练一样提供“后悔药”而不是当监工。3.4 长期记忆与多AI协作类2个Prompt解决AI教练的“失忆”和“单医生”局限Prompt 10对话记忆延续卡你是我的私人教练但现在是一个新开的对话窗口。我带来了一张记忆卡请先解析再继续当我的教练。 记忆卡格式 目标[目标] 训练起点[简要] 上次计划[计划摘要] 上次复盘结论[改善点] 当前距离目标[具体差距] 解析后向我确认你已理解然后根据“当前距离目标”给我本周调整建议。ChatGPT没有真正的长期记忆同一个会话聊到上下文超长后前面的数据也会被截断。记忆卡相当于一种对外部记忆的读写协议。每次训练结束让AI生成一张新卡下次开新窗口时粘贴给它就实现了跨会话的连续训练。这是我个人工作流里最重要的一环。Prompt 11多角色会诊现在有三位专家同时坐在你旁边主教练负责训练安排营养师负责饮食恢复物理治疗师负责动作模式和疼痛边界。 我正在遇到的问题是[具体问题]。 请按流程 三位专家分别给2条建议 主教练汇总成一个不超过150字的行动方案 如果三位专家有冲突注明冲突点并告诉我在什么条件下应该优先听谁的。这是AI Agent里常见的“多AI协作”模式。不是让模型扮演一个全能角色而是同一会话内同时扮演三个角色最后有一个仲裁者。这个prompt用来应对“不知道是训练过量还是饮食不够”这种复合型问题。但要注意多角色之间会互相污染后面避坑章会专门讲这个问题。11个prompt并不需要每次一起用。我日常的用法第一次会话用1、2、3串成完整流程之后每次训练后用6做复盘每周用3重新生成计划遇到意外用7状态差用8断卡用9。按场景拼装就好。4. 跑通AI私人教练网页端布置、API调用与上下文管理4.1 网页端把固定人设写进自定义指令每条Prompt作为新会话的钥匙网页端ChatGPT有一个“自定义指令”功能它相当于全局system prompt。打开设置找到Custom Instructions把第2.2节那个通用结构放进“你希望ChatGPT怎么回应”的输入框再在“关于你”里填好你的背景比如“我有旧膝伤每周训练3次每次90分钟”。这样每次新建会话模型都自带教练人设不需要反复重申。然后把每个prompt当作新会话的“第一句话”。比如今天要做周复盘就新开一个会话粘贴Prompt 6。为什么建议新开会话因为同一个会话聊久了早期信息会被截断而且前面聊的目标扫描内容会干扰当前输出。每类任务开新窗口反而让上下文更干净。如果你用的是API模式自定义指令对应的就是system role。把第2.2节的模板放进system消息后续所有user消息都不需要再加“你是教练”这种前缀。这个习惯能显著减少prompt长度也为后面做产品化打基础。4.2 API调用用Python跑通最小可用的AI私人教练编程能力的用户更适合直接用API把整套prompt固化成一个函数。下面这个Python示例是我常用的最小骨架模型使用gpt-4o-mini参数按第2.3节的推荐值设置。from openai import OpenAI client OpenAI() # 从环境变量 OPENAI_API_KEY 读取不要硬编码 COACH_SYSTEM 你是一位有10年经验、擅长力量训练的私人教练。 背景我每周训练3次每次90分钟有旧膝伤。 你的任务帮我完成训练计划、复牌和调整。 规则 1. 先问我关键信息不要直接给计划 2. 给计划时按动作、组数、次数、组间休息列成表格 3. 如果我提到疼痛或伤病先建议就医再给替代方案。 输出格式每个计划末尾加“本周注意事项”。 边界不诊断伤病不给精准营养处方。 def ask_coach(user_message, historyNone): history history or [] messages [{role: system, content: COACH_SYSTEM}] history [ {role: user, content: user_message} ] resp client.chat.completions.create( modelgpt-4o-mini, messagesmessages, temperature0.3, top_p0.9, max_tokens800, ) return resp.choices[0].message.content这段代码里COACH_SYSTEM就是第2.2节的prompt模板。history参数是一个消息列表上一轮AI回复的内容应该以roleassistant追加进去否则模型不知道它自己刚才说过什么。temperature设成0.3是让它在“稳定生成组数次数”和“不变成复读机”之间取平衡max_tokens设800避免计划还没写完就被截断。这里有一个常见坑把system prompt和user prompt混在一起。很多人习惯把“你是教练”写到每一条user消息里结果前面角色的约束会被后面的消息覆盖。正确做法是system只放角色的长期约束user只放当次需求这样模型的行为会更稳定。4.3 上下文管理对话太长时怎么压缩成记忆卡API模式下messages列表会随对话轮次无限增长最终超过模型的上下文窗口。这时不能简单丢弃早期消息否则会丢掉“膝盖伤”这类关键信息。我一般用两层策略第一层在max_tokens和presence_penalty之外限制history长度第二层把较长的历史批量压缩成第3.4节的记忆卡。下面是一个简化版的压缩函数def summarize_to_memory_card(messages): summary_prompt ( 把以下对话压缩成一张记忆卡格式为\n 目标、训练起点、上次计划、上次复盘结论、当前距离目标。\n 忽略寒暄只保留可执行的数据和限制条件。\n\n str(messages) ) resp client.chat.completions.create( modelgpt-4o-mini, messages[{role: user, content: summary_prompt}], temperature0.2, max_tokens300, ) return resp.choices[0].message.content这个函数的输入是最近20轮messages输出是一张不超过300字的记忆卡。下次新会话开始时把记忆卡原文粘到user消息的最前面配合Prompt 10使用AI就能快速恢复上下文。需要注意压缩过程也会丢失少量细节所以对“最近一次训练的组数”这类信息最好在压缩前先由Prompt 6导出复盘结论再压缩复盘结果。5. 避坑指南AI教练翻车的5类常见问题与排查5.1 幻觉AI教练编造动作要领和训练数据现象问“罗马尼亚硬拉和传统硬拉区别”它给了非常流畅但细节错误的回答甚至编造一个不存在的动作名称让它给一份“研究数据”它编了一个听起来很可信的数字。原因ChatGPT生成过程中没有实时检索体育和医学类知识在预训练数据里占比不大。当上下文不足时模型会用“开放预测”补全而不是承认不知道。解决在system prompt里加三条规则不确定的动作主动说“我不确定建议对照专业视频确认”不编造研究数据能引用通用原则就只讲通用原则所有涉及伤病判断的回答必须以“建议就医”开头。另外把Prompt 4的“自我检查方法”固定为每条必须输出这样至少能保证用户有一个可验证的参照点。5.2 失忆聊了20轮之后它忘了你的膝盖伤现象第5轮明确说过“左膝内侧有旧伤”第21轮推荐的动作里又出现大重量箭步蹲。原因上下文窗口和注意力机制都有限早期信息被大量无关对话冲刷。如果用的是API还有可能是自己的代码只传了最近5轮消息早期内容根本没进入模型。解决把不可妥协的限制条件写进system prompt比如“左膝内侧有旧伤所有下肢动作必须避开”。system prompt在每次请求中都存在优先级高于普通的user消息。再配合第3.4节的记忆卡每5轮刷新一次关键限制不要让旧信息被长对话淹没。5.3 越权伤病和饮食禁忌场景下AI给不该给的方案现象让它给一个“腰椎间盘突出的人推荐拉伸动作”它直接列了猫式伸展还附带“每天做3组”。如果不了解病情这个建议可能加重损伤。原因大模型被训练成有问必答用户只要不提示“别给医疗建议”它默认自己可以回答。它没有行医资格也没有用户体检报告。解决在第2.2节的prompt模板里显式写“涉及伤病、疼痛、疾病不提供诊断只建议就医”并且在这里设置一个硬性分支只要用户提到“痛”“伤”“确诊”三个词中的任意一个输出必须以“我不建议在未就医的情况下执行以下动作”开头。这一点对做产品的人来说尤其重要否则小则用户受伤大则要担责任。5.4 参数玄学Temperature设置不当让教练在“复读机”和“胡说”之间横跳现象同一份prompttemperature设为0.7上一轮给了“深蹲5x5 80kg”下一轮变成“深蹲7x5 125kg”数字没有规律设为0连续三轮给出的建议几乎一模一样像客服机器人。原因temperature控制的是采样概率分布。太低时最高概率词几乎总被选中回答确定性高但缺少变化太高时低概率词也被采样数字和动作名开始失真。解决教练场景固定用0.2到0.4。想要“每次计划略有变化”就调temperature到0.4而不是依赖随机想要“严格复现上一轮计划”就设0.2并保留历史messages。如果使用APIOpenAI允许传seed和temperature配合但seed在不同模型版本间不能保证完全复现所以不要把它当唯一手段。5.5 多AI协作的坑三位“专家”互相打架谁来拍板现象使用Prompt 11时营养师说“加大碳水摄入支持训练”物理治疗师说“膝盖不适建议减量”主教练最后汇总成“多吃点但少练点以身体感受为准”等于什么都没说。原因多角色prompt里每个角色都有独立的目标模型在同一个输出序列里逐句生成往往会把三个方向的建议简单拼在一起而不是真正做冲突仲裁。解决在Prompt 11里加两层约束第一给角色分优先级例如“疼痛边界优先于训练量训练量优先于营养微调”第二要求主教练先输出“最终决策依据”再输出150字方案。这样模型在生成时会更早进入仲裁逻辑。如果你是开发者更可靠的做法是拆成三次独立API调用一次让专家各说各话一次让主教练聚合结果而不是依赖单次多角色生成。6. 让Prompt长期有效的3个验证技巧回归、评分卡与版本管理6.1 用回归测试防止改坏Prompt改动一个字就可能让AI教练从“专业”变成“唠叨”。我会把固定的测试输入存成一份测试集比如三条“帮我安排一周训练”“膝盖疼怎么办”“今天不想练”。每次改prompt或者调参之后先把这三条跑一遍对比改动前后的输出。如果新的输出在安全边界上变弱了立刻回滚。这跟改代码跑回归测试是同一个逻辑只是断言靠人眼判断。6.2 用一张评分卡量化每次教练回答的质量主观感受很难对比。我推荐给每次回答打五个维度分每项1到5分目标相关性、可执行性、安全边界、追问质量、字数控制。其中“安全边界”权重最高一旦涉及伤病越权直接0分其他维度再好也不行。一个月下来你会发现自己用力的方向慢慢偏向哪些prompt。6.3 给Prompt加版本号和变更记录我的血泪教训是有一版Prompt效果很好改坏之后想找回旧版发现没存只能靠记忆复原最后花了两个小时才勉强接近原来的效果。所以现在每个prompt都在开头写版本号比如v3-20250115下面记一行变更说明比如“降低temperature到0.3删除重复激励句”。改完不理想直接切回旧版不用后悔药。这三点让我从“随手写prompt”变成“把prompt当代码维护”也让我少踩了很多翻车现场。希望帮到你。本文还有配套的精品资源点击获取