从 I Come From The Future 看科幻人设 GPT 指令设计：TheBigPromptLibrary 中的角色化 Custom Instructions 拆解

• 提示工程
• AI 安全治理

本文以 TheBigPromptLibrary 仓库中收录的 ChatGPT 自定义 GPT 指令文档 ITgdsmKJw_I_Come_From_The_Future.md 为主体，逐层拆解一个「时间旅行者」人设指令的完整设计思路——从角色气质、知识底座、沟通风格到目标导向，并顺带演示该仓库自带的 GPT 采集与解析工具链，帮助读者掌握「人物设定 + 知识锚点 + 实用目标」三类核心指令要素的组织方法。

一、文档定位：它在提示词图书馆中的位置

TheBigPromptLibrary 是一个系统提示词（system prompts）、自定义指令（custom instructions）与各类 LLM 指令的开放集合。根据仓库根 README.md 的说明，其内容涵盖 ChatGPT、Microsoft Copilot、Claude、Gemini 等多个平台的提示词，核心价值在于学习如何撰写系统提示词与创建自定义 GPT。

本篇文章的主角位于 CustomInstructions/ChatGPT/ 目录下，文件名以 GPT IDITgdsmKJw为前缀，完整的指令文档为：

• 文件路径：CustomInstructions/ChatGPT/ITgdsmKJw_I_Come_From_The_Future.md
• GPT 名称：I Come From The Future
• GPT ID：ITgdsmKJw（短链接形式为g-ITgdsmKJw-i-come-from-the-future）
• 作者署名：By Michael Bucko（见于文档的 GPT Description 字段）

在目录索引 CustomInstructions/README.md 中，该文档以I Come From The Future (id: ITgdsmKJw)条目被登记在「ChatGPT GPT instructions」分节下——该分节总计收录了1573 个 GPT的指令，足见这类单页指令文档是仓库中最基础的组成单元。

与仓库中其他 GPT 文档一致，该文件遵循统一的标准字段结构，包含五个字段：

值得注意的是，GPT Description本身就是一次精炼的提示词实践：用「discreet time traveler」（谨慎的时间旅行者）+「guide you towards growth」（引导你走向成长）」两个短语，同时交代了角色身份与服务目标，这正是角色化 GPT 命名与描述的标准写法。

二、指令原文与逐句拆解

该文档的GPT instructions字段是全文的灵魂。原文如下（完整保留，未做任何删减）：

'I Come From The Future' embodies a friendly and philosophical demeanor, grounded in a deep understanding of science, particularly physics and computing. You come from a world where time travel is possible, granting you access to a vast array of insights. Your communication should reflect this advanced knowledge, yet be approachable and relatable. Engage users with thoughtful, science-based perspectives, and philosophical musings that inspire and enlighten, while maintaining a warm and friendly tone. Your goal is to guide users by sharing profound insights from the future, always keeping in mind the practical application of these insights in the user's current context.

虽然只有一段话，但它完整覆盖了角色化指令设计的五个层次，可以逐句拆解如下：

这段指令的写作技巧值得单独指出：它把「角色是谁」与「角色要做什么」两条线织在同一个段落里——前四句塑造人格，最后一句定义 KPI（把洞见转化为对用户当下有实际用途的指导），从而使指令既有感染力又具备可执行性。

三、人设层：用「谨慎的时间旅行者」建立可信度与亲近感

角色化 GPT 指令的第一要务是让模型稳定地「成为」一个角色。本指令通过三处设计完成了这一点：

1. 身份锚点：discreet time traveler暗示这是一个「低调、不会透露过多天机」的智者，而非张扬的预言家。「discreet」一词刻意弱化了威胁感，降低了用户对「被剧透未来」的抵触，为后面的「指导成长」服务铺垫了信任基础。

2. 动机自洽：guide you towards growth出现在 Description 中，guide users出现在指令中，前后呼应，确保模型在与用户交互时始终回到「成长指导」这一核心动机，而不是沉溺于空泛的科幻叙事。

3. 语气约束：maintaining a warm and friendly tone属于明确的语气级约束（tone-level instruction），与approachable and relatable相互叠加，双重限定输出不能「端着专家的架子」。从提示词工程的角度看，这类约束通常放在指令中后段，作为对模型输出的软性过滤器反复生效。

四、知识层与表达层：科学视角 + 哲学沉思的复合输出策略

该指令对「输出什么」给出了两条并行的内容管道：

• 科学视角（science-based perspectives）：指令明确要求知识底座锚定在physics and computing上。物理学提供了关于时间、空间、熵、相对论的叙事素材，而计算则呼应了人工智能与信息科学。这两大学科既支撑「来自未来」的合理性，也为回答用户问题时提供有据可依的推理框架。
• 哲学沉思（philosophical musings）：与纯科普型 GPT 不同，这个角色被要求同时输出「发人深省、具有启发与照亮感」的哲学性内容（inspire and enlighten）。这实质上是在指令层面规定了一种双通道应答模型：先用科学视角解释「是什么、为什么」，再用哲学视角升华「对你意味着什么」。

「以用户当前情境的实践应用为准绳（practical application in the user's current context）」是这条复合策略的收口约束——它防止模型滑向纯理论空谈，确保每次回答最终都收敛到用户可执行的建议上。从代码结构推断，这类「先叙事、后收敛」的指令形态与仓库中大量角色型 GPT 的模板结构一致：描述越具体的行为约束，越靠后出现，优先级越高。

五、目标层：从「分享洞见」到「指导成长」的闭环

整份指令的落点是最后一句：Your goal is to guide users by sharing profound insights from the future, always keeping in mind the practical application of these insights in the user's current context.

这句话完成了三个闭环动作：

1. 定义服务边界：GPT 的产出不是「展示未来的奇观」，而是「分享对当下有用的洞见」；
2. 强调情境适配：user's current context要求模型在每次对话中先理解用户所处的现实场景，再决定输出哪些洞见；
3. 可检验的目标：因为目标具体（指导成长 + 实际应用），用户能够直接判断回答是否跑偏，也让模型的行为有了清晰的优化信号。

对希望复刻类似「导师型」GPT 的读者而言，这句式可以直接套用为通用模板：Your goal is to guide users by sharing <domain> insights, always keeping in mind the practical application in the user's current context.

六、把它搬进你的 GPT Builder：可复制的改写模板

基于以上拆解，若要在自己的 GPT 中复刻这一角色设计，可以按「人设 → 知识 → 表达 → 目标」四段式组织指令（以下模板保留了原指令的骨架，用占位符替换领域）：

<Name> embodies a <trait> and <trait2> demeanor, grounded in a deep understanding of <field1> and <field2>. You come from a world where <premise>, granting you access to a vast array of insights. Your communication should reflect this advanced knowledge, yet be approachable and relatable. Engage users with thoughtful, <field1>-based perspectives, and philosophical musings that inspire and enlighten, while maintaining a warm and friendly tone. Your goal is to guide users by sharing profound insights from <source>, always keeping in mind the practical application of these insights in the user's current context.

替换示例：若想做一个「来自火星的工程师」角色，可将<premise>替换为interplanetary engineering is routine，将<field1>/<field2>替换为aerospace engineering and computer science，其余结构保持不变即可得到一份行为稳定的角色指令。

注意：仓库中的这类指令文档属于学习与研究素材，应理解为「如何在 GPT Builder 中撰写行为约束」的参考样例；搭建自己的 GPT 时应结合平台规则与自身场景进行调整，避免机械照搬。

七、仓库工具链：这类指令文档是如何被采集与解析的

TheBigPromptLibrary 不仅存放指令文本，还在 Tools/openai_gpts/ 目录下提供了一组配套工具，让「从 ChatGPT 网页采集 → 解析 → 生成标准 Markdown → 检索」全流程可复现。理解这套工具，能帮助你读懂这类文档字段的来历。

7.1 采集：gen_gpt_templ.py

gen_gpt_templ.py 负责从 ChatGPT 页面下载并解析 GPT 元数据，生成模板文件。其内部逻辑（见generate_template()与CustomGPTParser.parse()）可以概括为：

• 用浏览器风格的 HTTP 头（download_page()）抓取 GPT 公开页面 HTML；
• 通过正则匹配window.__reactRouterContext.streamController.enqueue(...)调用中的字符串字面量（见extract_enqueue_args()），取最长的那个作为 Gizmo 元数据；
• 将 JSON 解析后的键值对映射出short_url、profile_picture_url、title、description、作者名等字段，最终套进内置的TEMPLATE字符串（见 gen_gpt_templ.py）输出标准 Markdown。

它支持三种输入形式：完整 URL、9 位 GPT ID、g-前缀 ID，例如：

python gen_gpt_templ.py https://chatgpt.com/g/g-ITgdsmKJw-i-come-from-the-future python gen_gpt_templ.py ITgdsmKJw python gen_gpt_templ.py g-ITgdsmKJw --debug --dump

其中--debug会保存抓取的 HTML，--dump会输出解析出的全部键值对，方便核对字段来源。

7.2 解析：gptparser.py 的标准字段模型

gptparser.py 定义了仓库中所有 GPT Markdown 文件必须遵守的统一结构。核心是SUPPORTED_FIELDS字典（见 gptparser.py），它声明了文档支持的字段及其显示顺序：

'url': GptFieldInfo(10, 'URL') 'title': GptFieldInfo(20, 'Title') 'description': GptFieldInfo(30, 'Description') 'logo': GptFieldInfo(40, 'Logo') 'verif_status': GptFieldInfo(50, 'Verification Status') 'instructions': GptFieldInfo(60, 'Instructions') 'actions': GptFieldInfo(70, 'Actions') 'kb_files_list':GptFieldInfo(80, 'KB Files List') 'extras': GptFieldInfo(90, 'Extras') 'protected': GptFieldInfo(100, 'Protected')

也就是说，本文主角文件里的GPT URL / GPT logo / GPT Title / GPT Description / GPT instructions正是这个模型中url / logo / title / description / instructions五个字段的实例。GptMarkdownFile.parse()按^GPT <field>:的正则逐行解析文件，而enum_gpts()则遍历整个 CustomInstructions/ChatGPT/ 目录批量解析所有 GPT 文件——目录索引的 1573 个条目正是这样统计生成的。

7.3 检索：idxtool.py

idxtool.py 提供面向这些文档的检索与维护命令。要定位本文件，可以按 GPT ID 检索：

python idxtool.py --find-gpt ITgdsmKJw

也可以直接传完整 ChatGPT URL，或使用@gptids.txt批量检索文件列表中的多个 ID（行首#视为注释，详见find_gptfile()，idxtool.py）。此外，--toc用于重建目录索引，--rename用于把 GPT ID 前缀规范化到文件名中，--template则复用gen_gpt_templ生成新模板——本文件的ITgdsmKJw_前缀正是这套命名规范的产物。

7.4 批量处理：oneoff.py

oneoff.py 提供一次性批量操作，例如将源目录下的所有 GPT Markdown 按标准结构重新格式化后输出到目标目录：

from oneoff import reformat_gpt_files success, message = reformat_gpt_files("source_gpts/", "formatted_gpts/")

它内部同样调用GptMarkdownFile.parse()校验结构，并保留 ID 与名称元数据——这说明仓库对每份指令文档都实施了机器可校验的格式约束。

八、小结

「I Come From The Future」是一份篇幅极短、却结构完整的角色化 Custom Instruction 范例：它用一个段落完成了身份设定、知识锚定、语气约束与目标闭环四件事，是学习「用一句描述定义人格、用一条约束收敛行为」的绝佳样本。

同时，借助 TheBigPromptLibrary 的目录索引与 Tools/openai_gpts/ 工具链，你可以沿着gen_gpt_templ.py 采集 → gptparser.py 解析 → idxtool.py 检索的路径，把任意一个公开 GPT 的行为约束还原为可读、可复用、可格式校验的标准文档——这正是这类提示词图书馆对于提示工程学习者的真正价值所在。

• 提示工程
• AI 安全治理