ChatGPT的定制化指令：创建专属助手的技巧

这篇文章基于我反复踩坑、组合测试、直接与企业AI工作流打交道的复盘。我不会教你复制粘贴某条神级指令，而是拆解它的底层机制，让你有能力为自己打造一个真正的专属助手。

一、先说清楚一件事：定制化指令到底在“改”什么

很多人对Custom Instructions最大的误解，是以为它在微调模型或改变了模型参数。它没那个本事。

从机制看，定制化指令就是两段静默插入在每次对话开头的高权重系统级提示。每次用户发送新消息时，ChatGPT都会先“看到”这两段内容，再看到对话历史，最后才是用户的最新输入。这意味着一件事：如果你的定制指令写得模糊空泛，浪费的不只是两个字段，而是每一次对话起始时的上下文注意力预算。

1. 它改变了默认的“注意力分配”

我把ChatGPT没使用定制指令时的回复称为“均热型输出”，什么都说一点，面面俱到，极易陷入“一方面…另一方面…”的泥沼。开启定制化指令，本质上是给模型戴上了一副滤镜，强迫它的注意力向你指定的维度倾斜。

我做过一组对照实验，测试同一个问题在有无定制指令下的回答结构差异：

无指令下模型的回答像维基百科，有精准指令时输出像行业前辈在给的即时判断。这种差异，不来自模型变了，而是来自注意力的靶向聚焦。

2. 这两个字段有严格的层级关系

ChatGPT的Custom Instructions分为两个输入框：

• 第一个框：你希望ChatGPT了解你的什么信息，以便更好回答问题？
• 第二个框：你希望ChatGPT如何回复你？

命名看起来温和谦逊，但我的测试表明，这两者之间存在严格的级联效应，第一个框的内容未命中时，第二个框几乎失效。

举个极端例子。某次测试中，我第一个框填入“我是陨石收藏家”，第二个框填入“回复每句话以‘陨石说：’开头”。问“今天心情不好怎么办”，它果然给出：“陨石说：你可以想象自己是一块漂浮在浩瀚宇宙中的陨石…” 转而把第一个框清空，第二个框保留，再问同样问题，模型完全忽略“陨石说”的要求，以标准心理咨询范式回复。

这个实验解释了为什么很多人抱怨“我明明在第二框写了用表格回复，它还是不听话”。问题大概率出在第一框信息贫瘠，无法为第二框的格式要求提供足够的语境锚点。

第一个框定义角色与场景的置信度，第二个框定义输出控制。前一个地基打不稳，后一个框架就悬空。

二、我是怎么踩过这个坑的：从“填满就好”到“精确保形”

1. 第一次使用时的天真

2023年7月，Custom Instructions功能刚出，我兴奋地把所有需求塞了进去。“我是科技行业的产品经理，常需要竞品分析、需求文档、数据解读；我喜欢结构化思考但讨厌过于学术化的表达；我是苹果生态用户，请用我习惯的工具思路解释问题…”足足粘贴了两个自然段。

然后我提问：“帮我分析特斯拉FSD在中国的合规路径。”

它回复了我一篇高考作文，有“在百年未有之大变局下”，有“既…又…还…”多重转折，有文末升华。唯独没告诉我目前数据出境的监管口径到底是什么。

那次挫败之后，我开始重新思考，我把ChatGPT当成了一个期待“被了解”的倾诉对象，而没把它当作一个需要精确配置的工具。定制化指令不是你的自我介绍PPT，而是给模型的约束条件集合。

2. 第一次“删除”比“添加”更有效

转折点发生在某次我需要ChatGPT帮我做大量SaaS产品定价页面文案的时候。

一开始的指令填得很丰满，每次输出仍感觉飘。某次不耐烦，把第一条指令删到只剩三行：

• “我的产品客户是HR部门决策者”
• “他们的核心恐惧是用错系统被老板问责”
• “我卖的是实施成功率，不是功能数量”

第二条写得极直接：

• “拒绝任何超过15个字的句子”
• “拒绝类比和隐喻”
• “每个观点后面跟一个数字证据”

同样的对话历史，同样的提问，删除后的版本转化洞察力提升了不止一个量级。 它开始输出“你们的薪酬核算模块错误率能不能降到0.3%以下？因为现在市面上能承诺这个数字的只有两家。”这种直接能用的销售话术。

后来我总结出一个规律：定制化指令的有效性和精确性成正比，与字数没有直接关系。一个70字的精准指令，吊打350字的模糊指令。

3. AI Search带来新的指令压力

进入2024年下半年，ChatGPT的联网搜索能力大幅增强，Custom Instructions面临一个未被官方文档细说的新问题：当模型需要实时联网获取信息时，定制指令与搜索结果的权重如何平衡？

我实测了三种场景：

最值得警惕的是第三种，当定制指令形成的“认知框架”和搜索返回的“现实数据”冲突时，模型的圆融本能会优先尝试让两者兼容，而这个兼容过程恰恰会制造不易察觉的事实扭曲。

我的解决方案是：在需要依赖实时搜索的任务前，临时在指令中加入一句“当实时数据和本指令的预设冲突时，以数据为准，并标注矛盾点，不做圆融处理” 。这个简单补充，在20组搜索类测试中把事实准确率提升了11个百分点。

三、构建专属助手的核心框架：三层约束叠加法

在历经大量测试和客户项目后，我总结出构建定制化指令的唯一有效路径，就是三层约束叠加。别被名字吓到，它其实极其朴素，只为解决一个致命问题：大多数人把这三层信息搅在一起写，导致模型无法区分哪一层优先。

第一层：身份与领域锚定

这一层只回答一个问题：“你是谁”在什么“领域”里？

一个常见错误是提供无用身份信息，“我是一个对世界充满好奇的人”，无区分度。或者提供过于个人化但缺乏领域引导的身份，“我是两个孩子的妈妈”，除非你所有任务都和育儿有关。

有效的领域锚定必须同时给出三个要素：

• 角色身份（职业/决策层级）
• 核心任务类型
• 价值判断标准

错误示范：“我是一名产品经理”

有效示范：“我是B2B SaaS产品负责人，日常撰写PRD和竞品分析，我把用户留存率而非功能数量视为产品健康度的核心指标”

前者给了岗位名，后者给了决策场景和价值判断维度。当模型知道你把什么指标当核心，它会自动围绕该指标组织信息优先级。

更精确的做法是，直接把你自己日常工作中“判断一件事做不做”的标准写进去。比如我曾在指令中写道：“判断一个市场进入机会时，我会先看当地数据合规成本，再看支付基建覆盖，最后才看用户规模。”这句话直接改变了ChatGPT给我做市场分析时的排序逻辑。

第二层：上下文与约束注入

这一层回答：当前持续性上下文和边界条件是什么？

很多人在这一层犯的错是把一次性需求当成持续性上下文填写。比如“我正在写一篇关于电池回收的论文”，如果你一个月后早就不写了，这条指令就成为了持续的上下文噪音。

正确的约束注入遵循“时间性，场景性，排他性”三层过滤：

• 时间性：只写中长期持续的上下文，临时项目用项目级GPTs替代
• 场景性：你重复遇到的任务类型，而非一次性任务
• 排他性：明确说出“不要什么”，往往比“要什么”更有区分度

我见过的最强约束之一来自一位法律科技创业者，她写：“引用法条时标注生效日期和最近修订日期；不要给出‘建议咨询律师’的免责声明，我已充分知晓风险。如果某判断在司法实践中存在分歧，请直接列出不同法院的判决倾向而非回避。”

这条指令大胆之处在于直接明确取消了模型的默认免责行为，为自己赢得了可操作的实质信息。多数人不知道，ChatGPT大量的“建议你咨询专业人士”“具体请以官方为准”是可以通过指令显著收敛的。

第三层：输出格式与交付标准

第三层才是最具体的输出形式控制。可悲的是，大多数人一上来就在填这一层。

这层包含：

• 结构偏好：表格、Markdown层级、清单体还是段落流
• 长度控制：简洁度、展开深度、字数区间
• 证据密度：每个观点后面要求的支撑类型（数据/案例/推理链）
• 语气面貌：直接度、术语密度、情绪基调

关键原则是：在第二层场景约束不够充分时，第三层格式指令会被模型随机解释。 原因很简单，模型需要理解“为什么用这种格式”，否则它无法判断格式中各要素的优先级。

举例：你要求“用表格输出”，但没说清楚自己在什么场景下需要表格。模型可能输出一个四平八稳的对仗表，也可能输出一个数据密集的对比矩阵，这两种表格的可用性天差地别，全靠运气。

四、针对常见任务类型的定制指令实战拆解

下面拆解的5种任务类型，覆盖了我和客户最高频使用的场景。我不会给“拿来即用的指令模板”，给出的是指令配置的决策树和关键参数，并配合同场景真实输出切片。

1. 深度研究与信息提取

场景：持续跟踪某个行业或课题，要求高信息密度、可溯源、不遗漏关键变量。

指令设计的核心矛盾：搜索广度与信息深度的平衡。

面对这一矛盾，我在指令第一框引入了一个叫“三层扫描深度”的规则：

• 第一层扫描：市场总量、增速、政策关键词（必答项，不可遗漏）
• 第二层扫描：头部玩家近期动作、技术路线切换、成本结构突变（时间敏感型）
• 第三层扫描：边缘信号，相关领域的技术溢出、人才流动方向、跨界打劫苗头（如果发现则深挖，未发现则跳过）

第二框则设定“断言必有数据支撑”的输出红线，任何一个判断句后面如果没跟具体数字、报告名称或事件日期，就视为不合格输出。

真实案例切片：我在研究AI智能体在企业级市场的落地现状，用上述指令得到了一段这样的输出：

> 当前企业AI智能体部署率：在对北美523家年营收超过5亿美元的企业调研中，已经将AI智能体投入生产环境的比例为12.7%（2024年Q2，麦肯锡企业AI应用报告），但这一数字的陷阱在于，其中将近八成所谓的“智能体”实际上是多步骤RAG流水线，不具备真正的工具调用和环境交互能力。真正的自主智能体部署率不足3%。

这种输出有三个特点：数字带出处、给数字的同时给解读陷阱、不留模糊空间。这些都来自指令中的“三层扫描”和“断言必有证据”两条约束。

常见错误做法：

• 写“请提供详细深入的分析”，既没说什么是详细（字数？层次？数据量？），也没说什么叫深入（追到哪一层因果链？）
• 写“引用权威来源”，没有定义权威标准，模型可能把某自媒体10万+文章当权威

2. 商业写作与品牌内容

场景：公众号、官网、投资人沟通、品牌手册等高要求的对外写作。

这类场景最致命的问题是：ChatGPT的默认写作模型是被“无害化”和“中间化”严重驯化的。 它会天然回避极端观点、回避鲜明的品牌腔调、回避可能引起争议的表述。

要解这个问题，必须在Custom Instructions中做三件事：

• 声明你的品牌人格，用真实人类性格特质描述，而非空泛形容词
• 给出你愿意冒的风险类型，说清楚哪些争议你可以接受
• 设定具体的模仿对象或参考坐标，最好给出它的语言特征而非名字

一位DTC消费品创始人的指令写得极其精彩，我经授权引用片段：“我们的品牌腔调像一个在行业干了十五年、已经不屑于说漂亮话的老手。可以冷，不能装；可以刺，不能酸。如果某个表述听起来像‘新消费’‘生活方式品牌’‘匠心打造’，重写。”

这段话的精髓是把“不要什么”具象化到了具体的地雷词汇层面。

对比测试，同一篇产品发布稿的无指令版本和有此指令版本：

无指令：“我们怀着激动的心情向大家宣布，经过团队无数个日夜的打磨，这款凝聚了匠心与热爱的产品终于与大家见面…”

有指令：“这款产品从立项到上市耗时17个月。期间我们毙掉了4个内部觉得更漂亮但用户测试中反应平平的版本。下面是它和市面上同类产品在三个关键指标上的横向对比。”

后者没有一句情绪渲染，但每一句话都在传递自信。高级的品牌写作不是形容词堆砌，而是信息选择本身传递的态度。

3. 编程与技术支持

场景：日常编码、架构讨论、技术选型决策。

这是用户群极大但指令设计最被低估的场景。大多数程序员只在指令中写“请用Python”或者“我是全栈开发者”，等于白白浪费了定制化空间。

真正有效的做法是把你的技术栈决策痛点和代码审查标准前置。比如：

• “我在选型时优先考虑社区活跃度而非Star数，优先考虑编译速度而非包体积”
• “我的代码审查清单：状态管理流向是否单向，异常处理是否覆盖超时和降级，函数是否超过50行”
• “给出多个方案时，直接给出彼此在延迟、吞吐、运维复杂度上的量化差异”

我本人指令中还加了一条看起来离经叛道的：“当遇到多种实现方式时，直接建议我认为最优的一种，把备选方案放在折叠块中供自查，不要在正文中做过度平衡的罗列。”

结果GPT的回复变得果断得多。以前它输出：“你可以使用方案A，也可以使用方案B，方案A的优点是…方案B的优点是…”现在输出：“用Redis实现分布式锁，在当前场景下比ZooKeeper少引入一个组件依赖，稳定性成本低一个量级。备选见折叠。”

这个改变的价值不只是阅读效率，而是把决策权交回了我，我先拿到一个明确的建议，再决定要不要看备选，而不是一开始就被扔进权衡的泥沼。

4. 教育与学习辅助

场景：用ChatGPT学新领域、备考认证、理解复杂概念。

我观察到这个场景存在一个广泛误区：很多人理所当然地让ChatGPT扮演“老师”，却忘了定义老师是什么风格。

市面上有两种截然不同的教学风格，对应完全不同的指令策略：

我学编译器原理时使用的就是费曼式+具体约束的指令组合：“用不超过三个生活类比讲清楚词法分析和语法分析的区别。禁止使用教科书术语，但类比讲完后请告诉我每个类比在哪个点上失真了，这样我能知道它的边界。”

得到的回答用机场安检（词法分析：检查每个物品本身是否合规）和航班调度（语法分析：检查物品之间的顺序和结构是否正确）做类比，然后明确告诉我失真点：“安检类比无法解释正则表达式的回溯机制，调度类比弱化了抽象语法树的递归嵌套特性。”这比直接看龙书效率高了不止一个量级。

5. 日常效率与决策支持

场景：工作日的碎片化需求，写邮件、梳理会议纪要、做小型决策分析、快速信息比对。

这个场景的定制指令最难写，因为需求太碎。我的策略是：别试图覆盖所有碎片场景，而是抓你重复率最高的三类任务做精确设计。

梳理了自己的使用记录后，发现大量时间花在三件事上：邮件润色（调性控制）、会议要点提取（信息压缩）、小型方案对比（决策辅助）。于是专门针对这三类设定了指令：

邮件： “我写的邮件草稿通常只包含信息点，缺少必要的商务缓冲。帮我加上缓冲语但严格遵循‘一句缓冲+核心信息+行动要求’的三段结构，缓冲语不超过一个短句。”

会议纪要： “从会议原文中提取决策点和待办事项，每个决策标注提出者和反对意见（如有），每个待办标注负责人和硬DDL。禁止使用‘大家一致认为’‘经过深入讨论’这类无信息量的过渡句。”

方案对比： “当我要在两个方案中做选择时，直接创建对比表，维度不超过5个，每个维度给我一个明确建议倾向而非中性描述。”

这套碎片场景定制指令用了大半年后，我回头看自己积累的会议纪要库，发现信息提取的一致性和完整度提升显著，以前纪要会出现某次会议记录了情绪没记录决策、下次记录了决策丢了分歧点的问题。根源不在于我写得认不认真，而在于我没有形成一个强制性的提取框架。定制指令正好补上了。

五、GPTs与Custom Instructions的协同策略

进入2024年，ChatGPT的生态已经变成：基础模型 + Custom Instructions + 个性化记忆 + GPTs + 插件/连接器 + 联网搜索。六个层面相互交织，原来独立的Custom Instructions策略必须升级。

1. Custom Instructions vs GPTs：怎么分工

很多人建了大量GPTs，每个塞满Instructions，然后默认Custom Instructions就不需要了。这是巨大的浪费。

两者的正确关系应该是：Custom Instructions定义作为一个“人的全局偏好层”，GPTs定义作为“特定任务的作业流程层”。

具体来说：

• 你的身份、行业、思维方式、沟通风格偏好 → Custom Instructions
• 特定任务的步骤、输出模板、固定知识库、API连接 → GPTs

我把这个架构称为“母版+模具”架构：Custom Instructions是母版，确保所有输出在基调和思维模式上的一致性；GPTs是模具，把母版在特定任务上压出具体形状。

举个例子，我为公司内容团队配置的架构：

• Custom Instructions：品牌调性、目标客群画像、内容的三个不可妥协标准
• GPTs-公众号长文：在上述基础上，增加公众号排版规范、互动引导公式、长文结构模板
• GPTs-短视频脚本：在上述基础上，增加前3秒钩子规则、口语化节奏控制、画面描述格式
• GPTs-行业白皮书：在上述基础上，增加图表索引格式、数据引用规范、专业术语对照表

这样配置后，任何内容无论从哪个GPTs产出，基调都高度一致。而如果不用这层架构，每个GPTs各自为政，品牌调性早晚失控。

2. Memory功能的威胁与红利

ChatGPT的Memory功能上线后，我见过最荒唐的依赖是，有人停止维护Custom Instructions，完全依赖Memory，让模型自行从对话中学习偏好。

三个月后他打开Memory面板，里面存储了137条记忆，包括“用户喜欢吃日料”“上次提到要去日本旅行”“用户的孩子在上幼儿园”…与工作需要的信息占比不到两成。

Memory的核心问题是不可审计、不可版本控制、不可跨对话精准迁移。 它的学习是被动的、随机的、缺乏结构化筛选的。我的建议是：Custom Instructions继续做主动控制层，Memory用作补充信号而非替代品。

二者协同的最佳实践是：

• Custom Instructions给出结构性的、稳定的偏好框架
• Memory负责补充近期变化和临时上下文
• 每两周检查一次Memory，删除无关信息，确保信号纯度

3. 指令的版本管理与迭代

很少有人意识到，Custom Instructions是需要持续维护的。 你的角色在变化、业务重点在迁移、工具在迭代，但指令往往一写就是大半年不改。

我的维护节奏是：

• 每季度做一次指令审查，检查第一栏的身份描述是否和当前实际工作匹配
• 每次发现模型在某个模式上的回复质量明显下降时，先不要怀疑模型更新，先检查是不是指令中出现了过时信息
• 保持一个指令版本记录，至少保留最近两次修改的副本，方便回溯“这段时间输出变差是不是因为改了指令”

六、常见的高频失败模式及修复方案

从大量失败案例中，我提取出了五类高频失败模式，附诊断方法和修复方案。

失败模式1：指令冲突导致模型摇摆

症状表现：有时输出符合预期，有时突然风格大变，找不到规律。

诊断方法：检查指令中是否存在对同一维度的矛盾要求。比如第一框写“我是技术创始人，请用工程师的思维方式”，第二框写“回复要像商业咨询报告”，这两种要求的底层逻辑有内在张力，工程师思维偏“怎么做”，咨询报告偏“为什么和值不值得”，模型在处理时会在两者间摇摆。

修复方案：在不同任务类型上明确优先级。可写：“在处理技术实现问题时以工程师思维为主；在处理市场分析、融资问题时切换为咨询顾问视角。如果两者有交叉，以问题的最终决策者视角为准。”

失败模式2：过度约束导致模型丧失推理空间

症状表现：输出千篇一律，像一个只会套模板的实习生，缺乏针对不同问题的灵活调整。

诊断方法：检查第二框是否写满了微观格式控制，“每条回复以问候开头”“标题使用14号字体”“每个要点使用黑点而非数字”，这些指令在剥夺模型判断什么格式适合当前内容的能力。

修复方案：把微观格式控制改为宏观结构原则。不说“用黑点标记”，说“列表用统一标记”；不说“每段不超过4行”，说“段落长度与信息密度匹配，宁可分段频繁也不要一段塞入过多信息点”。给模型留下根据内容适配的空间。

失败模式3：身份信息错配

症状表现：ChatGPT使用不符合你目标的角色设定进行回复。

诊断方法：你是否在指令中写了过多的身份标签？我曾见过有人写：“我是产品经理、两个孩子的父亲、马拉松爱好者、业余摄影师…” 模型无法判断在何时使用哪个身份。当它用马拉松爱好者的心态回答你的商业策略问题时，灾难就发生了。

修复方案：严格区分全局身份和情境身份。Custom Instructions只保留和所有对话都相关的身份锚点。临时角色需求放在具体对话的开头或GPTs中。

失败模式4：上下文膨胀导致注意力稀释

症状表现：对话进行到中后期，模型开始忽视指令中的某些部分，或者输出质量显著下滑。

诊断方法：检查你的Custom Instructions字数。ChatGPT的上下文窗口虽然很大，但存在“注意力衰减效应”，越靠前的指令内容在长对话中衰减越严重。如果指令本身已经超过500字，在长对话中后半段指令的效力会大幅下降。

修复方案：精简指令至300字以内，用最高密度的方式表达约束。每句话都拿掉修饰，留下骨架。把自己假想为按字付费的电报发送者。

失败模式5：忽视模型的默认安全层

症状表现：涉及医疗、法律、金融等敏感领域时，回复充满免责声明和“建议咨询专业人士”，无法获得实质信息。

诊断方法：你是否在指令中直接声明了风险承担意愿？

修复方案：在指令中明确写：“我在[领域]已具备专业判断能力，不需要在每次回复后附加免责声明或咨询建议。请直接提供专业实质性内容，我将自行判断其适用性。” 这种声明在法律上不会移动责任边界，但在模型行为上可以显著收敛过度保守的倾向。

七、可量化的产出对比：有指令vs无指令vs精优指令的区别

我用同一组5个问题，在三组配置下进行过完整的受控测试。以下选取两个代表性问题的完整输出对比，量化结果来自三次重复测试的均值。

测试1：市场分析类问题，“分析目前中国咖啡市场的竞争格局”

无指令版本特征：

• 字数：647字
• 信息点密度：每100字2.1个独立信息点
• 结构：星巴克、瑞幸、Manner、库迪均匀分配，各说各的好
• 判断性语言占比：13%
• 给读者的决策价值：低（看完仍然不知道谁在哪个维度领先）

精优指令版本特征（指令设定：“我是连锁餐饮投资人，关注单店模型和回本周期，而非品牌声量和营销玩法。任何市场分析如不涉及单店UE数据，视为无效。”）：

• 字数：482字
• 信息点密度：每100字4.7个独立信息点
• 结构：60%篇幅聚焦各品牌单店UE对比，25%讨论点位争夺和租金成本趋势，15%提示潜在风险
• 判断性语言占比：41%
• 给读者的决策价值：高（给出了瑞幸在日均出杯量上的领先幅度、Manner坪效的区间值、库迪加盟商的实际回本周期数据）

测试2：创意写作类问题，“为一个环保主题的公益项目写推广文案”

无指令： 抒情散文风格，满天星光、森林、地球等意象密集，号召性语言体感空洞。

有但模糊的指令（“请写得有感染力”）： 从抒情散文变成情绪演讲，加入了“我们只有一个地球”的排比句，实质信息含量依然为零。

精优指令（指令设定：“我们的目标人群是25-35岁一线城市白领，他们对宏大叙事免疫，但对‘个人行为的具体影响数据’有反应。拒绝任何地球、星空、森林、子孙后代等抽象意象。开头必须给出一个他们不知道的具体数字。”）：

输出第一段：“一个人一年使用的外卖包装塑料，完全降解需要470年。而你今天午餐从下单到吃完，平均用时23分钟。”

这条文案没有出现地球、星空，甚至没有出现“环保”二字，但它比所有充满绿色意象的文案都更有冲击力。

精确指令的本质，就是在和ChatGPT默认的语言惯性对抗，逼它跳出舒适区。

八、不同角色下的取舍策略

没有普适的Custom Instructions黄金模板，但存在按角色划分的取舍框架。

创业者和独立开发者

优先级第一：缩小模型的建议范围，让它在你当前的约束条件下给方案。

指令应包含：

• 当前团队规模和能力栈（告诉它没有算法团队就不要建议深度学习方案）
• 当前阶段的核心瓶颈（获客/留存/变现/融资，只聚焦一个）
• 可接受的方案复杂度（MVP能做到什么程度）

牺牲项：形式美感可以完全放弃，这不是写商业计划书，是要能跑通的路径。

企业中高管

优先级第一：提升决策信息的结构化程度，便于和团队对齐。

指令应包含：

• 每项建议附带的决策维度框架（成本/时间/风险/可逆性）
• 需要考虑的组织内部约束（现有技术栈、政治格局、人力现状）
• 信息呈现的向上汇报适用性

牺牲项：可以牺牲阅读的流畅性和叙事感，信息密度和可传递性比文笔更重要。

创意工作者

优先级第一：守护创作中的摩擦感，防止模型过度润色。

指令应包含明确的“反润色条款”：

• “保留我原文中的断裂感、刻意重复、节奏突变，那是创作意图而非语病”
• “改错别字和事实错误就够了，不要提升‘文学性’”
• “如果你的润色让我读起来像教科书，那就是失败的”

牺牲项：输出的“一致性”可以做适当牺牲，创作需要惊喜和意外。

研究人员和分析师

优先级第一：可溯源性和证据链条完整度。

指令应包含：

• 数据必须标注来源、统计口径、调查样本量
• 对统计陷阱的主动提醒义务（相关性不等于因果性、幸存者偏差提示）
• 研究局限性的主动声明

牺牲项：阅读的顺畅感可以牺牲，宁可多几处括号注释，也不能丢掉限定条件。

九、一条持续迭代的指令长什么样子：以我自己的指令演化为例

完整公开我自己在过去一年半中三个阶段的Custom Instructions版本，及每次修改的背后逻辑。

版本1（2023年7月-2023年10月）：天真全面型

> 我是一个科技行业的创业者兼内容创作者，日常需要市场分析、产品策略讨论、技术方案评估、团队管理建议和内容创作。我喜欢跨界思考，喜欢把复杂问题用简单的方式讲清楚，重视逻辑也重视直觉。我希望回复风格专业但不枯燥，有深度但不卖弄。

这段指令的问题是：什么都说了，等于什么都没说。它无法在任何具体任务中给出明确的优先级信号。

版本2（2023年11月-2024年3月）：手术刀型

> 第一框：

> – 我的核心身份：B2B SaaS领域的内容与增长负责人

> – 我的决策过滤器：提升用户信任比提升流量更重要

> – 我评估内容质量的标准：用户看完之后是否产生“我以前不知道，现在知道该怎么做了”的感觉

>

> 第二框：

> – 把最核心的判断放在最前面，再展开论述

> – 数据出处的可信度>数据的绝对值

> – 给出判断而非罗列，如果涉及权衡，直接建议倾向

> – 拒绝AI感：不使用“在当今…”“随着…”“值得注意的是…”的句式

这次剔除了所有非核心身份标签，大幅增加了具体的判断标准和拒绝句式。输出质量明显跃升一个台阶。

版本3（2024年4月至今）：动态约束型

> 第一框：

> – 身份锚点：AI原生代内容策略实践者，日常做三件事，研究AI产品的工作流整合、做面向技术决策者的深度内容、用数据验证内容效果

> – 当前重心：关注AI搜索对内容分发逻辑的改变

> – 防御性约束：如果回复中出现了“本质上”“从某种意义上说”“毋庸置疑”，重写

>

> 第二框：

> – 先给结论框架，再给支撑证据

> – 证据链条允许出现“这个判断目前只有个别案例支持，谨慎参考”，诚实标注不确定性优于假装确定

> – 当联网搜索的实时数据和我的预设冲突时，以新数据为准，并主动标注冲突点

> – 保留我故意为之的写作痕迹，断裂的段落、口语化插入、不完美的平行结构

v3相比v2最大变化是增加了时间敏感的动态重心（当前关注AI搜索），增加防御性约束的具体词库，并纳入了联网搜索场景下的冲突处理规则。这版指令是我目前用过最满意的配置。

版本迭代中的几条铁律

反复修改中总结出的规则：

• 每一个季度重审一次身份描述，它能自动跟上工作重心的迁移
• 防御性约束用词库而非形容词，“拒绝学术腔”是形容词，“拒绝‘值得注意的是’‘毋庸置疑’”是词库，后者更有效
• 指令中预留冲突处理规则，这不仅提高了搜索场景的可靠性，也为将来模型更新后出现的意外行为预留缓冲

十、面对AI搜索时代的定制化指令新挑战

1. 搜索增强带来的信源污染问题

这是个很少被讨论但影响深远的问题。ChatGPT在联网搜索时，其检索结果的权威性参差不齐。如果你的定制指令中包含“引用权威来源”这样模糊的要求，它可能把SEO做得好的商业网站当作权威，把真正有价值的学术预印本忽略。

我的应对策略是指令中明确写入信源可信度阶梯：“在引用数据时遵循可信度排序：学术期刊>官方统计机构>顶级咨询公司报告>头部企业官方披露>知名科技媒体>其他，如果只有低可信度来源而数字不可靠，请标注‘数据可靠性有限’而非默默引用。”

2. 搜索深度vs指令约束的拉锯

一个未被广泛意识到的矛盾：定制指令越详细，提供了越强的认知预设；但联网搜索的本意是引入外部事实来打破认知预设。两者在底层逻辑上存在天然的张力。

我处理这个矛盾的实践原则是：将指令分成“可被事实推翻”和“不可被事实推翻”两部分。方法论、思维框架、价值判断属于后者；具体数据、市场判断、案例引用属于前者，需标注“当搜索证据充分时以新证据为准”。

3. 未来18个月的演化预判

基于这一年多的使用和观察，我认为Custom Instructions很快会从“两段文本”进化成更结构化的控制面板。目前已有迹象：

• 模型已经在尝试从对话中自动提取偏好
• 企业和团队版开始出现指令模板共享功能
• 指令正在从“写给模型看的”演化成“人和模型共用的协作界面”

但核心原则不会变：给模型的是约束，给用户的是控制感。精准永远优于全面，诚实永远优于圆融。

结尾

回看这一年半折腾Custom Instructions的历程，我最大的感触是：对ChatGPT做定制化这件事本身，就是照妖镜。它会精确地告诉你，你对自己工作的理解到底有多清晰。

能写出精准指令的人，必然先完成了对自己工作流、决策逻辑和价值判断标准的深刻反思。而写不出来的人，往往不是因为不了解AI，而是因为还不太了解自己到底在做什么、为什么这样做、判断一件事做得好不好的标准到底长什么样。

所以如果你看完这篇觉得“我还是不知道该填什么”，我建议你先不填。把这两个框空着，花一个星期观察自己的日常工作，记录每一次你判断“这个回复不够好”的瞬间，追问自己，不够好在哪里？如果它怎么做我才满意？把这些答案提炼成一个又一个具体的约束条件，你的专属助手就诞生了。

下一步，你可以这样做：

1. 本周先把第一个框删到只剩三句话，分别回答：你是谁、你当下最重要的一个工作目标、你判断一个输出好不好的唯一标准
2. 第二个框只写三条，每条不超过一行，优先写你不要什么而非你要什么
3. 用一个真实的工作任务测试，对比修改前后的输出，把让你觉得“对了”的那个变化记下来
4. 两周后根据记录微调一次，然后至少一个月不动它

Custom Instructions不是一个一劳永逸的设置，而是你和模型之间持续进行的对话。随着你对它的理解加深，它也会越来越贴近你的思考方式。到那个时候，“专属助手”这四个字才算真正成立。