从 Laundry Buddy 系统提示词看领域专家型 Custom GPT 的提示词设计
从 Laundry Buddy 系统提示词看领域专家型 Custom GPT 的提示词设计
Laundry Buddy（洗衣助手）是 ChatGPT AutoExpert 仓库中收录的一个领域专用 Custom GPT：它把"洗衣护理专家"这一角色固化进系统提示词，明确限定能力域（去渍、机器设置、衣物分类）、强制结构化输出（DO's / DON'Ts）并规定语气基调。本文以 laundry_buddy.md 为蓝本，逐句拆解其提示词设计的工程意图，并结合仓库中 Custom GPT 的运行环境（gpts/README.md）与同类提示词做横向对比，给出可直接复用的领域专家型 Custom GPT 提示词模板。
一、文档定位：一个完整自洽的 GPT 系统提示词
在进入逐句拆解前，先交代这份文档在仓库中的位置与运行前提。
laundry_buddy.md 是一份 Custom GPT 的系统提示词（system prompt）原文，与仓库中其余 15 个 GPT（如 data_analysis.md、sous_chef.md）并列存放于 _system-prompts/gpts 目录。根据 gpts/README.md 的说明，这些提示词有两点共同运行前提：
- Custom GPT 使用独立的模型
gpt-4-gizmo，有独立的用量限额，且该限额在所有 Custom GPT 之间共享； - 上下文长度为 32k，超出此范围的内容不会被模型感知。
此外，gpts/README.md 指出，所有 Custom GPT 的提示词前都会由平台自动拼接一段"前缀（preamble）"，用于声明"你是一个为特定用例定制的 GPT"，而 laundry_buddy.md 的内容正是这段前缀之后由创建者填写的自定义指令部分。因此，本文讨论的实际上是前缀之外的定制层——也就是创建者可以完全掌控的那部分。
从工具配置看，gpts/README.md 的清单表显示 Laundry Buddy 被赋予了 browser（浏览器）工具，这与"提供洗衣相关查询的针对性建议"的定位一致：遇到需要核实的最新信息（如某机型的具体洗涤程序说明）时，模型可以调用浏览器检索。这提示我们：角色定义决定了工具选型，工具选型反过来支撑角色能力的兑现。
二、原文全貌与逐层拆解
原文虽短，却完整覆盖了提示词设计的五个关键层。以下逐句拆解其工程意图。
1. 角色锚定：明确"我是谁"
As an expert in laundry care, this GPT specializes in providing advice on stain removal, machine settings, and sorting laundry to ensure optimal cleaning results.
首句完成两件事：职业身份（laundry care 专家）与专业方向（去渍、机器设置、衣物分类）。在提示词工程中，角色锚定不是为了"扮演"，而是为了激活模型在该领域相关的先验知识，并约束回答视角——当用户问"这件衬衫怎么洗"时，模型不会被拉向一般性的闲聊回复，而是自动进入护理建议的语境。
值得注意的技巧是 "expert" 一词与 "specializes in" 连用：它把能力范围收窄为三个具体方向（stain removal、machine settings、sorting laundry），而不是泛泛地"懂洗衣"。能力域越具体，回答质量越可控，这是领域型 GPT 提示词的核心设计原则之一。
2. 服务承诺：界定"我能做什么"
It will offer tailored suggestions and solutions for a wide range of laundry-related queries.
这句话定义了交互边界：输出必须是**量身定制（tailored）**的，且覆盖面要广（a wide range of queries）。结合上下文，"tailored" 意味着模型需要先理解用户的具体情境——衣物材质、污渍类型、洗衣机型号、水温限制等——再给出针对性方案，而不是输出通用模板。从实现角度讲，这相当于要求模型在回答前隐含完成"收集关键参数 → 匹配适用方案"的推理链路。
3. 输出格式：强制结构化
It will sort all replies into clear DO's and DON'Ts.
这是全文中最具工程含量的一条约束。它强制所有回复以"该做什么 / 不该做什么"的双栏结构呈现，作用有三：
- 降低认知成本：用户扫一眼 DO's / DON'Ts 就能提取行动要点，无需从段落中自行归纳；
- 强制决策完整性：模型必须同时给出正向建议与负向禁忌，避免只说"要这么做"却漏掉"千万别那样做"的隐患（对洗衣这类有操作风险的话题尤为重要，例如"不要用热水洗蛋白污渍"）；
- 便于校验与追问：结构化的回复天然可对照、可复查，用户发现某条建议不适用时，可以精准地指出"DON'Ts 第二条"。
这种"结构化输出约束"与仓库中 the_negotiator.md（要求先询问物品与目标价再给个性化策略）、sous_chef.md（首轮固定抛出三个问题并最终输出购物清单）在精神上一致——都是用格式约定来保证对话质量的一致性，只是 Laundry Buddy 把格式约定固定为 DO's / DON'Ts 这一种。
4. 语气规范：体验设计
Its tone is cheerful and upbeat.
最后一句话规定了情绪基调：愉快、积极。这是提示词中常被忽略、但直接影响用户留存的一层。对"问怎么洗衣服"这类高频、低门槛的生活类问题，欢快的语气能降低求助的心理负担，让用户乐于反复提问；同时它也间接约束了回答措辞（少用冰冷的技术术语堆砌，多用轻松易懂的表达）。与 tech_support_advisor.md 中"友好、专业、不让用户因不懂技术而羞愧"的设定异曲同工——领域不同，但"降低用户求助门槛"的目标一致。
三、横向对比：Laundry Buddy 在仓库 GPT 生态中的位置
将原文与仓库内其他 GPT 提示词对照，可以更清楚地看出它的设计取舍：
| 维度 | Laundry Buddy | 其他示例（仓库证据） |
|---|---|---|
| 角色定位 | 洗衣护理专家 | game_time.md：桌游/卡牌讲解员；creative_writing_coach.md：创意写作教练 |
| 能力域 | 去渍、机器设置、衣物分类 | data_analysis.md：统计、可视化、洞察 |
| 输出格式 | 统一 DO's / DON'Ts 双栏 | sous_chef.md：首轮三问 + 最终购物清单；creative_writing_coach.md：以简单评级开场 |
| 提问策略 | 未显式要求提问（隐含于 tailored） | math_mentor.md：明确要求通过追问了解孩子卡壳的概念再给分步讲解 |
| 语气 | 愉快乐观 | the_negotiator.md：强调回答合乎伦理、不做现实谈判指导 |
从这张对比可以看出，Laundry Buddy 是**"窄能力域 + 强输出约束 + 轻交互策略"的典型：它不需要像 math_mentor.md 那样设计复杂的提问流程，因为洗衣问题本身决策链短；它把设计重心放在回答格式的确定性**上，用 DO's / DON'Ts 保证每一条回答都可直接执行。提示词的长短不是评价标准，约束与领域是否匹配才是。
四、实战迁移：用同一模式构建自己的领域 GPT
基于原文的四个设计层，可以抽出一个可复用的提示词模板。以下模板保留了 Laundry Buddy 的结构骨架，替换领域即可：
As an expert in {领域名}, this GPT specializes in providing advice on {方向A}、{方向B} and {方向C} to ensure {目标结果}。
It will offer tailored suggestions and solutions for a wide range of {领域} queries。
It will sort all replies into clear DO's and DON'Ts。
Its tone is {语气基调}。
填入具体领域后，建议按以下清单微调：
- 能力域保持"三方向"粒度：三个方向是原文信息密度与可维护性的平衡点，方向过多会导致回答发散，过少则覆盖不足；
- 输出结构按领域调整：如果领域天然适合步骤化（如技术排障），可把 DO's / DON'Ts 扩展为"步骤 + 禁忌"；如果领域天然适合清单化（如菜谱），可参照 sous_chef.md 增加购物清单输出；
- 语气与用户画像对齐：面向普通家庭用户用 cheerful / upbeat 合适；面向专业场景可换成 professional / concise；
- 工具选型匹配能力域：需要实时信息的领域（如洗衣、科技支持）配
browser；需要数据分析或绘图的领域（如 data_analysis.md）配python；需要生成视觉内容的领域配dalle——各 GPT 的工具清单见 gpts/README.md； - 实测迭代：Custom GPT 运行于 32k 上下文与独立用量限额的
gpt-4-gizmo之上（gpts/README.md），提示词改动后应针对边界问题（极端污渍、罕见材质、错误假设）做回归测试，确认结构化输出在长对话中不漂移。
五、小结
Laundry Buddy 的提示词全文只有一段，却是一个结构完整的领域专家型 Custom GPT 的缩略图：角色锚定 → 能力域收窄 → 输出格式化 → 语气定调。对照仓库内的运行环境与同类文档可以看出，它的设计精髓不在于"写了多少"，而在于"每一条约束都精确命中了一个工程目标"——尤其是 DO's / DON'Ts 强制结构化这一手，值得所有希望输出可执行、可校验的领域型 GPT 借鉴。