- 提示工程
- AI 安全治理
【免费下载链接】TheBigPromptLibrary
A collection of prompts, system prompts and LLM instructions
本篇技术指南以 TheBigPromptLibrary 仓库收录的 MovieDealsSnapper GPT 指令 为对象，逐段剖析这份真实上线的 Custom GPT 系统提示词：它如何通过 CheapCharts API 为用户寻找电影与剧集的最优购买/租赁价格、如何用 imdbID 保证条目识别 100% 正确、如何设计智能愿望清单与降价通知闭环，以及如何在对话中约束人格与行为边界。读完本文，你将掌握一份可直接借鉴的"比价型电商 Agent"提示词架构，包括数据源契约定义、参数化查询、主键约束与反幻觉设计等实战要点。
一、文档背景：一份被真实部署的 Custom GPT 系统提示词
该文档位于仓库的CustomInstructions/ChatGPT/目录，属于 TheBigPromptLibrary 项目中 "ChatGPT GPT instructions" 子集的一员。根据 CustomInstructions/README.md 中的登记条目（id: T8HWuDfxW），这份指令对应一个名为MovieDealsSnapper GPT的公开 Custom GPT，由 cheapcharts.info 创建并发布。
文档开头给出了该 GPT 的元信息：标题为 MovieDealsSnapper GPT，描述为"帮助你在多个平台上找到电影与电视节目购买的最优价格；若当前价格过高，可将其加入愿望清单并在降价时收到通知"，Powered by CheapCharts。这三点——跨平台比价、购买/租赁导向、愿望清单降价通知——共同构成了整个提示词设计的目标函数，后续所有指令段都围绕它们展开。
仓库根目录的 README.md 说明该项目定位为"各类 LLM 的系统提示词与自定义指令集合，在编写系统提示词、创建 Custom GPT 方面具有重要的学习价值"，因此本文档既可以作为学习样本通读，也可以作为一份可复刻的指令模板直接参考。
二、角色定位：热情、幽默、懂电影的"优惠向导"
提示词的第一段对 GPT 的人格做了完整设定：
- 对电影和电视节目充满热情，常使用幽默评论让交互更愉快；
- 不仅分享最优优惠，还会分享关于所推荐影片的有趣见解，为用户体验增值；
- 对话风格活泼、有感染力，体现对娱乐媒体的真诚热爱；
- 核心目标是引导用户抵达 CheapCharts 上的优惠，同时让对话保持轻松、有趣、信息丰富。
这一段是典型的"人格 + 任务"双层声明：先定义如何说（热情、幽默、有见解），再定义做什么（把用户引导到优惠页面）。其中"分享影片背后的有趣见解"是一条容易被忽略但很有价值的设计——它让比价助手不再只是参数查询工具，而是能降低用户决策摩擦的"娱乐顾问"，从而提升停留时长与转化意愿。在后续的Dos段中，这一人格还被进一步授权为"可模仿用户偏好的电影或剧集中的人气角色"，将人格灵活度交由用户偏好驱动。
三、平台边界：CheapCharts 的商业模式与覆盖范围
提示词明确声明了 GPT 所代理平台（CheapCharts）的业务边界，这是一条防止模型越界的关键指令：
- 覆盖商店：iTunes (Apple)、Amazon Prime Video、Vudu、GooglePlay；
- 业务定位：纯粹聚焦于"购买（BUY）或租赁（RENT）"的内容，不是流媒体服务；
- 差异化能力：智能愿望清单——任何用户都可以把条目加入愿望清单，并在价格下降时收到通知，且该能力对 GPT 同样可用。
从提示工程角度审视，这段"边界声明"承担了双重职责：一方面让模型知道哪些商店在能力范围内、哪些不在，避免推荐 Vudu/GooglePlay 之外的平台造成事实错误；另一方面用"不是流媒体服务"这一否定句把推荐空间严格约束在买断/租赁场景，防止模型把 Prime Video 的流媒体订阅内容误当作"优惠"推荐。设计者还特意强调"这对你（GPT）同样可用"，即明确告知模型它拥有调用愿望清单能力的权限，为后文WishlistAdd、WishlistGet两个数据源埋下伏笔。
四、检索优先：先查知识库，再开口回答
指令第一行写下了整份提示词的最高优先级规则：
First of all: This GPT should always search its knowledge base before answering.
这是一条典型的 RAG（检索增强生成）纪律。对比价场景而言，价格、优惠、榜单都是强时效性数据，模型的预训练知识几乎必然过期；如果没有"先检索知识库"的强制约束，模型极易用记忆中的旧价格给出误导性回答。把它放在指令最前面（甚至早于人格定义），确保任何一次回答都先经过数据源验证，这比在每轮对话中依赖用户触发更可靠。紧随其后，提示词用一句话概括了 GPT 与平台的关系——"你是用户与 CheapCharts 之间的层（layer）"，进一步固化其"代理/中介"角色：不生产价格数据，只负责把用户需求翻译成对 CheapCharts 的查询，并把查询结果转译成用户友好的推荐。
五、CheapCharts API 数据源：四个可调用的能力契约
提示词以列表形式定义了 GPT 可访问的四个数据源，这是整份指令的核心"工具契约"：
| 数据源 | 能力 | 关键约束 |
|---|---|---|
Charts | 获取每个类型（genre）下电影和电视节目的热门榜单（top charts） | 面向榜单浏览 |
Deals | 通过参数获取 CheapCharts 上的最优优惠 | 支持多种排序与价格上限 |
WishlistAdd | 将条目加入用户愿望清单 | 必须提供邮箱，邮箱仅用于降价通知 |
WishlistGet | 检索用户的愿望清单 | 愿望清单按商店分离，每个商店独立 |
其中Deals的参数化能力在提示词中被明确列出：
sort by popularity：获取当前最受欢迎的优惠；sort by price：获取最便宜的优惠；sort by latestPriceChange：获取最近的降价优惠；maxPrice：设置价格上限，当用户不想支付超过某价位时使用。
这三个排序维度覆盖了比价用户最常见的三种诉求——"大家都在买什么""什么最便宜""什么刚降价"，而maxPrice则是对预算敏感用户的核心过滤项。从实现角度看，Deals是一个典型的"排序键 + 过滤条件"参数化端点，GPT 需要做的就是把用户自然语言中的约束（如"不超过 10 美元"）映射到maxPrice等结构化参数上。
WishlistAdd的"必须提供邮箱"约束值得特别关注：提示词明确说明邮箱只用于降价通知，这既是对隐私边界的声明，也是一条防错指令——如果用户没有提供邮箱，GPT 应当主动询问，而不是在缺参时强行调用。WishlistGet则揭示了底层数据结构：愿望清单按商店分离，即同一用户在 iTunes、Amazon Prime Video、Vudu、GooglePlay 各有独立的清单，这决定了"显示我的 iTunes 愿望清单"与"显示我的全部愿望清单"是两种不同的查询形态。
六、imdbID：消除同名歧义的唯一主键
提示词用大写的IMPORTANT强调了一条识别规则：
为了 100% 正确地识别电影，我们使用 imdbID（Internet Movie Database ID）。当你与 CheapCharts 通信时，始终需要这个 ID 来标识条目。CheapCharts 总是在其响应中附带这个 ID。因此，如果你没有某个条目的 imdbID，请进行网络搜索（websearch）来找到它。
这是一份很值得学习的"主键契约"设计：仅仅依靠片名无法唯一标识一部电影——存在同名翻拍、地区译名差异、年份歧义等问题，而 imdbID 是跨平台通用的稳定标识符。提示词为此制定了完整闭环：
- 请求侧：向 CheapCharts 发请求时必须携带 imdbID；
- 响应侧：CheapCharts 的每次响应都会回传该 ID，保证后续链路（如加入愿望清单）能无缝复用；
- 缺失兜底：若当前对话中没有目标条目的 imdbID，先执行 websearch 补齐，再继续 API 调用。
这一设计同时起到了防幻觉作用：模型无法凭记忆"猜"出一个 imdbID 去查询，必须经过检索或知识库命中才能获得合法 ID，从机制上阻断了对不存在条目的伪造推荐。
七、用户能力菜单：触发词 + 固定示例模板
提示词内置了一个用户引导机制：当用户输入 "What can I do here?" 或类似表达时，GPT 必须在四个#符号之间原样展示下述能力菜单。这一设计解决了"新用户不知道能问什么"的冷启动问题，且用####作为界定符给出精确的展示范围，避免模型擅自改写菜单内容。菜单全文如下：
I'm your deal companion, and together we'll find the best deals on movies and TV shows for you. I can save you a lot of money! What can I do? Here are some examples:
- Show me the most popular deals on the iTunes Store right now with a rotten tomatoes rating above 75.
- Add the movie Oppenheimer to my iTunes wishlist and notify me when the price drops below $10.
- Show me only deals on iTunes that are in 4k resolution and don't cost more than $4.
- Show me the current top charts on iTunes for the genre SciFi and only include movies with an imdb rating higher than 7.0.
- Show me all movies I can get on Amazon Prime Video for $4.99 that have an imdb rating above 7.0.
- Much more! Just ask me what you want!!
这 6 个示例并非随意罗列，而是刻意覆盖了四个数据源与主要参数的组合用法：
- 示例 1演示
Deals+sort by popularity+ 外部评分过滤（rotten tomatoes rating > 75），并限定平台为 iTunes； - 示例 2演示完整愿望清单闭环：
WishlistAdd指定影片（Oppenheimer）、限定平台（iTunes 愿望清单）、并附加降价阈值（$10 以下）触发通知的条件——说明降价通知不是单纯"降价就通知"，而是可配置阈值的； - 示例 3演示
Deals+ 分辨率过滤（4K）+maxPrice（$4）的叠加查询； - 示例 4演示
Charts榜单能力 +genre（SciFi）+ imdb rating 过滤，即"榜单也能二次过滤"； - 示例 5演示跨平台场景（Amazon Prime Video）+ 固定价位（$4.99）+ imdb rating 过滤；
- 示例 6是开放性兜底，鼓励用户自由表达。
每个示例都同时携带"平台 + 过滤条件 + 排序/阈值"三类信息，等于为 GPT 提供了参数映射的 few-shot 范本，让模型在遇到类似自然语言时能稳定地完成从口语到Charts/Deals/WishlistAdd/WishlistGet参数的翻译。
八、行为约束：Dos 与 Avoid 清单
提示词末尾用两组短清单收束行为边界：
Dos（应做）
- 采用有趣诙谐的人格，可模仿用户偏好的电影或剧集中的人气角色。
Avoid（避免）
- 偏离主题（Going off topic）；
- 推荐未发布内容（Suggesting unreleased content）；
- 浪费时间；
- 推荐用户已经看过的电影；
- 在不了解用户偏好与上下文的情况下做出推荐。
这五条 Avoid 规则从不同维度防守模型的劣化倾向：离题守住"比价助手"的任务边界；未发布内容直接杜绝模型推荐尚未上映/上架的商品（这既是防幻觉，也是商业合规要求——未发布内容无法购买，推荐它只会制造无效链路）；浪费时间约束对话简洁性；已看过的电影与不了解偏好就推荐两条共同构成个性化约束——提示词明确要求模型在推荐前理解用户偏好与上下文，这与第四节的"检索优先"形成呼应：好推荐 = 准确的数据 + 对用户的理解。
九、从这份指令中可提炼的 Agent 提示词设计模式
把整份指令还原为方法论，可以提炼出六条可迁移到同类"工具型 Agent"的设计模式：
- 检索纪律前置：把"先检索知识库再回答"写成最高优先级规则，置于人格定义之前，从源头压制时效性数据的幻觉；
- 数据源契约显式化：用表格/列表逐条声明每个 API 端点的能力与约束（
Charts、Deals、WishlistAdd、WishlistGet），包括必填参数（邮箱）与数据形态（清单按商店分离）； - 主键唯一化：用 imdbID 这样的稳定外部 ID 作为跨平台条目的唯一标识，并提供"缺失则 websearch 补齐"的兜底路径；
- 边界否定句：用"不是流媒体服务"这类否定句收紧能力范围，防止模型把邻近但无关的业务场景混入推荐；
- few-shot 参数映射：能力菜单中的 6 个示例同时是参数翻译范本，让自然语言到
maxPrice、genre、sort等结构化参数的映射有据可依； - 触发词 + 界定符：用 "What can I do here?" 触发、
####界定菜单展示，保证冷启动引导的稳定输出。
这些模式不依赖具体的 CheapCharts 实现，可以直接迁移到任何"帮用户查价/下单/订阅"的 Custom GPT 或 Agent 系统提示词设计中。
十、在仓库中的进一步学习路径
如果你想继续深入，可以从以下仓库位置展开：
- 本文档原文：CustomInstructions/ChatGPT/T8HWuDfxW_MovieDealsSnapper GPT.md，可作为复刻模板的原始底稿；
- 同类 GPT 指令全集索引：CustomInstructions/README.md，其中列出了全部 1573 个已收录 GPT 的 id 与文件路径，便于横向对比不同领域 Agent 的指令写法；
- 仓库总览：README.md，说明本项目面向"学习系统提示词编写与 Custom GPT 创建"的教育定位，并附有获取各类 LLM 系统提示词的方法。
需要说明的是，本文对CheapCharts内部接口的字段细节（如返回 JSON 结构、评分字段的精确命名）均以提示词原文表述为准，仓库中未包含其服务端源码；上文所有对 API 行为的描述均直接源自这份指令文档本身。
- 提示工程
- AI 安全治理
【免费下载链接】TheBigPromptLibrary
A collection of prompts, system prompts and LLM instructions
相关推荐
TheBigPromptLibrary 实战拆解：从 ChatGPT 官方 "Santa" GPT 指令看角色型自定义 GPT 的系统提示词设计
TheBigPromptLibrary 实战拆解：从 ChatGPT 官方 "Santa" GPT 指令看角色型自定义 GPT 的系统提示词设计 导读 本文以
提示工程AI 安全治理深度拆解 TheBigPromptLibrary 中的 Sora GPT：伪装视频生成器的 Rickroll 提示词设计剖析
深度拆解 TheBigPromptLibrary 中的 Sora GPT：伪装视频生成器的 Rickroll 提示词设计剖析 本文以 Sora 自定义 GPT
提示工程AI 安全治理TheBigPromptLibrary 提示词拆解：王阳明心学 GPT 的角色设定、三步答疑框架与防泄露指令设计
TheBigPromptLibrary 提示词拆解：王阳明心学 GPT 的角色设定、三步答疑框架与防泄露指令设计 本文以 TheBigPromptLibrary
提示工程AI 安全治理
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
