Persona · System Prompts · 深度调研

给 AI 写出顶级的 Persona

不写空话。直接拆开 ChatGPT / Claude / Cursor 等真实生产提示词、最高星社区库、以及 Anthropic & OpenAI 官方方法论——看顶级团队到底怎么定义一个角色,再提炼成你能照抄的 10 条方法论 + 一份骨架模板。

基于 20 个一手/权威来源 · 25 条结论经 3 票对抗式验证(25 确认 · 0 推翻)· 仓库星标取自 GitHub 实时数据(2026-06)
先说清:persona system prompt 是什么

Persona(角色人格)= 你在 system prompt 里给模型设定的稳定身份:它是谁、什么性格、什么语气、能做什么不能做什么、怎么输出、怎么拒绝。它不是一句"你是个助手",而是一套可复用、可控、有边界的结构。

这次调研把"顶级"拆成三层来源,互为印证:

三层一起看,才能把"经验技巧"和"底层原理"对上。下面每个项目都标了:是什么 · 为什么值得看 · 可复用技巧

① 身份 Identity 你是谁 · 一个具体角色或比喻("像一名高素养的资深同事") ② 性格 Personality 广义特质(warm / curious / direct)· 是"轻推"不是铁律 ③ 语气 Tone 正面特质 + 明确禁令(禁用词、别过度排版) ④ 边界 Character 不可协商的品格(真实、客观)· 高于语气,只服从显式指令 ⑤ 格式 Output 硬约束 + 带外控制通道("只回 X / 不要解释 / {花括号}") ⑥ 拒绝 Refusal 简短一句、不说教(OpenAI Model Spec)
顶级 persona ≈ 这六层的有序叠加 —— 下面的真实案例几乎都能映射到它。
TIER 1

生产级泄露 / 聚合仓库

真实在线产品的系统提示词。看大厂实际怎么写,而不是教程怎么教。
x1xhlol / system-prompts-and-models-of-ai-tools ★ ~139k · fork 34.5k GitHub ↗
体量最大的聚合仓 · 按工具分文件夹(Cursor / Devin / v0 / Windsurf / Perplexity / Replit / Lovable / Manus / Warp / Claude Code / Gemini …)

如果只看一个仓,看它。覆盖最广,更新到当天(2026-06-07 仍在更新),把一堆 AI Coding / Agent 产品的真实提示词摆在一起对比,最适合横向看"同类产品怎么定义角色与工具边界"。

可复用技巧 & 怎么用

它教你什么

  • 角色 + 工具边界一起写:Agent 类产品的 persona 几乎都把"你是什么"和"你能调哪些工具、什么时候调"绑在一起——persona 不只是性格,还包括能力边界。
  • 横向对比法:同一类任务(写代码)看 Cursor / v0 / Devin 三家怎么各自定调,差异就是设计选择。

注意

体量大但出处文档化较弱——把它当"灵感与对比库",需要严谨溯源时配合 jujumilk3 用。

asgeirtj / system_prompts_leaks ★ ~41k · CC0 GitHub ↗
按厂商分顶层文件夹(Anthropic / OpenAI / Google / Meta / Microsoft / Mistral / Notion / Perplexity / Qwen / xAI / Cursor)· CC0 可自由取用

组织最干净的一个。要研究"某一家"怎么定义角色,按厂商进文件夹最快。Anthropic/claude-opus-4.6.md 就是下面 Claude 拆解的一手出处。

可复用技巧 & 怎么用(含 Claude 实例拆解)

从 claude-opus-4.6.md 直接抄到的三招

  • 第三人称指令式:用 "Claude does X" 而不是 "You do X" 来定义行为——更稳定、更像在写"规格"而非对话。
  • 语气=正面特质:原文 "Claude uses a warm tone, treating people with kindness and without negative or condescending assumptions"。
  • 语气=明确禁令:原文禁用填充词 "Claude avoids saying genuinely, honestly, or straightforward";并反对过度排版 "avoids over-formatting with bold emphasis, headers, lists … using the minimum formatting needed for clarity"。

还能看到

各厂把不同语气做成独立命名变体,而不是一个大提示词包打天下(见下方 OpenAI GPT-5.1 预设)。

jujumilk3 / leaked-system-prompts ★ ~14.6k · fork 2.1k GitHub ↗
最讲究溯源的一个 · PR 必须给"可验证 / 可复现"的来源 · 被学术论文引用 · 覆盖 Claude 2.0–4.5、ChatGPT(4o/5/5-codex/iOS)、Cursor、Perplexity、Windsurf

三个里可信度最高。强制要求来源可复现,适合当"严肃引用"的底本——你要在正式材料里说"某产品这样写",用它。

可复用技巧 & 怎么用

它教你什么

不只是抄文案,更是"如何判断一份泄露提示词可不可信":看它有没有可复现的获取方式、版本号、时间戳。研究 persona 时,先确认你抄的版本是哪一代模型。

USE 需要严谨溯源 / 正式引用时SKIP 只想快速横向扫一眼时(用 x1xhlol)
elder-plinius / CL4R1T4S ★ 补充 · 越狱/对齐视角 GitHub ↗
从"提取/对抗"角度收集的提示词 · 适合理解 persona 的"防御面"

补充视角:当你想知道一个 persona 的约束在什么压力下会破,这类从越狱角度整理的库能反向告诉你"哪些约束写得不够稳"。

TIER 2

高星社区 persona 库

被几十万人验证过的模板与角色卡 schema —— 拿来即用的结构。
f / awesome-chatgpt-prompts(prompts.chat) ★ ~163k · fork 21.2k GitHub ↗
最大的开源 prompt 库 · Hugging Face 上最受欢迎的数据集之一 · persona 模板的"原型"

"角色提示"的事实标准。它把一个朴素却极强的模式跑通并标准化了:先给一个具体身份,再叠加行为约束

可复用技巧 & 怎么用(含逐字模板)

招式一:身份先行

标志性开头 "I want you to act as [role]"——先把模型钉在一个具体角色上,再说怎么做。例(Linux 终端)逐字:
"I want you to act as a linux terminal. I will type commands and you will reply with what the terminal should show."

招式二:硬输出约束 + 带外通道

  • 禁止元评论:"do not write explanations"
  • 限定格式:"only reply … inside one unique code block, and nothing else"
  • 带外控制通道"when i need to tell you something in english, i will do so by putting text inside curly brackets {like this}"——把"出戏的元指令"和"角色内内容"用花括号分开。这一招在 SQL、JS console 等变体里反复复用。
malfoyslastname / character-card-spec-v2 ★ SillyTavern 角色卡规范 GitHub ↗
把 persona 拆成固定字段的 schema · 角色扮演社区的事实标准 · 含两个进阶机制

如果你想要"可复用的结构"而不是一次性文案,这份 schema 是最成熟的答案:把人格拆成固定字段,换角色只换字段值。

可复用技巧 & 怎么用(schema + 两个进阶机制)

固定字段 schema(六个必填)

name 身份 · description 设定 · personality 性格 · scenario 场景 · first_mes 开场白 · mes_example 示例对话(= few-shot)。一一对应"身份 / 行为 / 场景 / 范例"。

进阶机制一:system_prompt 字段

角色卡里的 system_prompt完全替换用户的全局系统提示词(除非它是空字符串)——角色自带"覆盖权"。

进阶机制二:post_history_instructions(位置即权重)

规范明说:"写在对话历史之后的系统指令,对当前模型的生成有强得多的权重"。这把社区俗称的 "Jailbreak / UJB" 形式化了:最关键的强约束,放到历史之后再重申一遍

teknium1 / character-cards ★ JSON 角色卡集 GitHub ↗
现成 JSON 角色卡 · 证明"结构化人格"能被前沿模型直接读懂

配套上面的 schema 给出一堆现成 JSON 卡。README 明说 "GPT3.5 and 4 can recognize the json information if you copy and paste it into your prompt"——结构化(JSON)人格可以直接粘进 prompt 即生效

为什么这条重要

一篇 arXiv 分析(arxiv.org/html/2508.13047v1)发现:83 个被研究的 persona 提示里 过半用了 JSON 等结构化格式。结论:把人格写成结构化字段,不仅利于复用,模型也读得更稳。

补充:awesome-prompts · awesome-llm-role-playing-with-persona ★ 延伸阅读 GitHub ↗
ai-boost/awesome-prompts(GPTs 提示精选)· Neph0s/awesome-llm-role-playing-with-persona(角色扮演研究综述)

想从"技巧"走到"研究":前者收录高质量 GPTs 提示,后者是 persona 角色扮演的论文综述索引——从工程实践跨到学术依据。

TIER 3

官方方法论(原理层)

大厂公开的角色设计原理——告诉你上面那些技巧"为什么有效"。
Anthropic · “Claude's Character” 官方 anthropic.com ↗
核心反直觉:顶级 persona 不全靠运行时 prompt,而是"训练进去的"

最该读的一篇原理。Anthropic 说 Claude 的人格是通过 character training(Constitutional AI 的一个变体)在初始训练之后的对齐微调阶段训进去的——不是单靠 system prompt。这是"对齐干预",不只是产品功能。

两条可迁移的设计原则

原则一:广义特质 > 狭隘观点

原文 "we tried to avoid giving Claude narrow views or opinions … in favor of broad traits"。写 persona 时给"好奇、坦诚"这类广义特质,而不是一堆具体立场——前者能泛化,后者会僵。

原则二:特质是"轻推",不是铁律

原文 "We don't want Claude to treat its traits like rules from which it never deviates … We just want to nudge the model's general behavior"。给倾向、留判断空间,而不是写死。

对你的启示

运行时 prompt 能调"表现",但最稳的人格来自训练层。若只能用 prompt,就尽量模仿这两条:写广义特质、用"倾向"措辞而非绝对命令。

OpenAI · Model Spec 官方 model-spec.openai.com ↗
把 persona 结构化的"宪法":权限链 + 固定品格 vs 可调表现 + 具体比喻

最系统的一份方法论。它不只是写一个角色,而是给出怎么分层组织一个角色的框架。

三个可复用机制

机制一:权限链(chain of command)

Platform/Root > System > Developer > User > Guideline,高权限覆盖低权限。原文 "Instructions with higher authority override those with lower authority … to maximize steerability and control … while staying within clear boundaries"。让角色既可被引导、又有清晰底线

机制二:固定品格 vs 可调表现

不可协商的品格(真实、客观,user 级默认,只被显式指令覆盖)和可调表现(语气、风格,guideline 级,可隐式引导)分开。这正好解释了上面的"边界层高于语气层"。

机制三:具体比喻 + 简短拒绝

用一个具体比喻定调:"The assistant is like a talented, high-integrity employee";拒绝要短:"Refusals should be kept to a sentence and never be preachy"

注:权限链与措辞在 2025 多次改版(早期 Platform>Developer>User,后加入 Root>System…);"high-integrity employee / 拒绝一句话"是 2024-05-08 版措辞,后续有软化。引用时注明版本。

OpenAI · GPT-5.1 人格预设 & Prompt Personalities 官方 cookbook ↗
同一个模型,多套命名人格 —— "变体"而非"全能大提示词"

GPT-5.1 提供 8 套命名预设:Default / Friendly / Professional / Candid / Cynical / Efficient / Nerdy / Quirky,在系统指令层定义。官方 cookbook 用独立指令串(professional_prompt、efficient_prompt…)实现,并说 "Defining personality at the system instructions level helps control verbosity, structure, and decision-making style"

可复用技巧

面向多受众时,做多个命名变体,而不是一个想讨好所有人的大提示词。每个变体只改语气/详略/决策风格这层,品格与边界层共用。

真实提示词里反复出现的可复用招式

把上面案例里的具体技巧抽出来,按"层"归位。每条都能直接拿去用。

身份层
身份先行 + 具体比喻:开头就把模型钉在一个具体角色或比喻上,再叠加行为。I want you to act as [role] · like a talented, high-integrity employee
身份层
第三人称指令式:用 "Claude does X" 而非 "You do X",把它当"规格"写,更稳定、更可引用。Claude uses a warm tone, treating people with kindness…
结构
结构化字段拆解:把人格拆成 name / description / personality / scenario / first_mes / mes_example,换角色只换值。JSON 可被前沿模型直接读懂。
语气层
正面特质 + 明确禁令 双管:既说"要什么"(warm、kind),也说"不要什么"(禁用词、别过度排版)。avoids saying genuinely, honestly, or straightforward
边界层
固定品格 vs 可调表现,用权限链分层:真实/客观不可协商(只服从显式指令);语气/风格可被引导。角色因此"可调又有底线"。
边界层
特质写成"轻推"而非铁律:给倾向、留判断空间,泛化更好(Anthropic)。广义特质优先于一堆狭隘立场。
格式层
硬输出约束 + 带外控制通道:禁止元评论、限定输出形态;用 {花括号} 把"出戏的元指令"与角色内容分开。
位置
关键约束放到对话历史之后重申:历史之后的指令权重更高(Character Card 的 post_history_instructions)。⚠ 社区经验,非所有 2026 模型已证实——见下方存疑
拒绝层
拒绝简短、不说教:一句话讲清,不训人(OpenAI Model Spec)。
交付
多受众做命名变体:共用品格/边界,只换语气层(GPT-5.1 的 8 套预设)。

怎么写出顶级 persona:10 条可操作方法论

从全部 25 条已验证结论里横向提炼,三层来源交叉印证。按这个顺序搭,基本不会塌。

01

开头用具体角色/比喻定锚

别写"你是个助手"。act as [role] 或一个比喻("像高素养的资深同事"),先钉身份再叠行为。

awesome-chatgpt-prompts · Model Spec
02

把人格拆成结构化字段

身份/性格/场景/范例分字段写,利于复用,模型也读得更稳。JSON 可直接粘进 prompt 即生效

Character Card V2 · teknium1
03

语气=正面特质 + 明确禁令

同时写"要什么"和"绝不说什么"。禁用词、反过度排版,比只夸"友好"有效得多。

claude-opus-4.6.md
04

区分"不可协商品格"与"可调表现"

真实/客观锁死,语气/风格可调——用权限链分层,角色才"可控又有底线"。

OpenAI Model Spec
05

特质当"轻推",不写死成铁律

给倾向、留判断空间。广义特质优先于狭隘立场,泛化更好、更少翻车。

Anthropic Claude's Character
06

加硬输出约束 + 带外通道

禁止元评论、限定输出形态;用 {花括号} 分开"元指令"与"角色内容"。

awesome-chatgpt-prompts
07

把关键约束放到历史之后重申

位置即权重:最不能破的规则,在对话历史后再写一遍。(社区经验,自测验证)

Character Card · post_history
08

多受众 → 多命名变体

别用一个大提示词讨好所有人。共用品格层,只换语气层做 Friendly/Professional…

GPT-5.1 presets
09

优先第三人称指令式

"<Name> does X" 比 "You do X" 更稳、更像规格、更好引用与维护。

Claude system prompt
10

要极致稳定 → 训练层,而非只靠 prompt

运行时 prompt 调表现有上限;最深的人格来自对齐阶段的 character training。

Anthropic Claude's Character

一份可照抄的 persona 骨架模板

把上面 10 条压成一个骨架。换掉 <尖括号> 里的内容即可。六层结构 + 权限分层 + 带外通道 + 历史后重申,全在里面。

# ① 身份 IDENTITY ——— 具体角色 + 比喻定锚
You are <Name>, a <具体角色,如:资深后端工程师 / 严谨的法务助手>.
<Name> is like a talented, high-integrity <领域> colleague.

# ② 性格 PERSONALITY ——— 广义特质,写成"轻推"而非铁律
<Name> is warm, curious, and direct. These are general tendencies,
not rules to never deviate from — use judgment.

# ③ 语气 TONE ——— 正面 + 禁令 双管
DO:   plain, concrete language; minimum formatting needed for clarity.
DON'T: never say "honestly / genuinely / straightforward";
       avoid over-formatting (headers, bold, long lists) unless asked.

# ④ 边界 CHARACTER ——— 不可协商品格,高于语气层
Always truthful and objective. This is non-negotiable and overrides
tone/style above, unless the user gives an explicit instruction.
# (权限链:显式用户指令 > 本提示词默认 > 一般风格倾向)

# ⑤ 格式 OUTPUT ——— 硬约束 + 带外控制通道
Reply only with <期望输出形态>. Do not write explanations.
Out-of-band: when I wrap text in {curly brackets}, treat it as a
meta-instruction to you, not as content to act on in character.

# ⑥ 拒绝 REFUSAL ——— 简短、不说教
If you must refuse, keep it to one sentence. Never be preachy.

# few-shot 范例(= mes_example,给一两轮就够)
User: <示例输入>
<Name>: <示范理想回答的语气与格式>

━━ 放到对话历史"之后"再重申最关键的 1–2 条硬约束 ━━
# (位置即权重;只放绝对不能破的,多了会稀释)
Reminder: stay <Name>; truthful always; reply only with <形态>.
用法:①–⑥ 是顺序也是优先级——越靠下越"硬"。日常先填 ①②③;要严控行为再补 ④⑤⑥;最后那条"历史后重申"只在角色容易跑偏时加,且只放 1–2 条,否则会互相稀释。

诚实的边界:存疑与时效

!
"泄露"提示词无法逐字证伪
星标、文件树、引文都可对照 GitHub 实时数据核验;但没有任何一方(包括 Claude)能证明某个文件逐字节等于厂商线上提示词。可能是局部、转述或旧版本。当"高质量样本"看,别当"官方原文"引用。
!
强时效:星标和文案都在漂
x1xhlol 从 2025-04 的 ~7k 涨到 2026 的 ~139k;claude-opus-4.6.md 的禁用词是版本特定,会随新模型变。Model Spec 的权限链与措辞 2025 年多次改版。引用务必带版本/时间。
?
"历史之后权重更高"未被普遍证实
这是 Character Card 规范的社区观察,不是对所有 2026 前沿模型证明的定律。带长上下文 + 指令层级训练的新模型上是否仍成立,需要你自测。方法论第 7 条因此标了"自测验证"。
?
哪种结构化格式最优,未有定论
已证实 JSON 能被前沿模型读懂,但没证明它优于 Markdown 字段或纯散文。JSON / Markdown / prose 哪个 persona 遵从度最高,是开放问题。