- 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
导读
Survival Mentor 的 Custom Instructions 是 TheBigPromptLibrary 仓库中收录的一份 ChatGPT 自定义 GPT 指令全文，展示了一个"以选择题驱动的交互式生存决策训练游戏"如何仅用一段系统指令完成从场景生成、答题判分、视觉呈现到会话状态管理的完整闭环。阅读本文，你将掌握这类"游戏化学习型 GPT"的指令设计骨架——包括场景题库的组织方式、多选题答案分级、survivability score 与 survival quotient 的评分体系、会话内状态与跨会话重置策略，以及知识库与在线检索双信源的取舍；同时可以结合仓库内同类 GPT（如 Survival Expert、Intruder Pro Game）对比理解不同游戏化指令的写法差异。
一、指令文档的整体定位
该文档位于仓库的 CustomInstructions/ChatGPT 目录，目录本身收录了 1573 个 ChatGPT GPT 的自定义指令（见 CustomInstructions/README.md），是学习"如何编写系统指令 / 如何设计自定义 GPT"的高密度样例集。
Survival Mentor 的元信息原文如下：
- GPT URL：
https://chat.openai.com/g/g-0i2rSQUGt-survival-mentor - GPT Title：Survival Mentor
- GPT Description：
Interactive survival challenge game with dynamic scenarios.（由 botbiz.ai 发布）
从描述可以看出，它的定位不是"生存知识问答助手"，而是一个动态场景驱动的交互式生存挑战游戏。与之形成对照的是仓库中的 Survival Expert：后者是"权威生存建议顾问"（提供生火、搭庇护所、导航、急救等结构化指南），而 Survival Mentor 则是"用选择题考核并训练决策能力"。同一主题下两种完全不同的指令范式，正是本仓库最有价值的对比素材。
二、核心游戏机制：五类场景与分级多选题
2.1 场景类别设计
指令明确规定了游戏的场景覆盖面，共四大类：
| 场景类别 | 典型内容方向 |
|---|---|
| Wilderness survival | 荒野生存，如迷路、取火、搭建庇护所 |
| Urban crises | 城市危机，如停电、灾害应对 |
| Natural disasters | 自然灾害，如地震、洪水、风暴 |
| Animal attacks | 动物攻击，如遭遇大型猛兽 |
这种分类的价值在于：它让 GPT 在每次生成场景时有一个可控的选题空间，既保证了内容多样性，又不至于漫无边际；同时为后续的"场景列表选择"功能提供了天然的索引维度。
2.2 题目结构与答案分级
每个场景包含5 至 7 道多选题，且答案被刻意设计为三种级别：
- correct（正确）
- incorrect（错误）
- partially correct（部分正确）
"部分正确"这一设计是整条指令最值得学习的细节。它意味着：
- 题目不是简单的对错二分，而是考察决策优先级与取舍；
- 评分需要区分"完全正确"与"方向正确但执行有瑕疵"；
- 反馈环节可以针对部分正确选项展开教育性解释，这正是"challenging users to think critically and apply survival knowledge"的落点。
从实现角度看，GPT 需要在生成题目时对每个选项标注权重（完整正确 / 方向对但不全 / 错误），随后据此计算 survivability score。指令虽未给出具体计算公式，但从"reflects their performance based on the accuracy of their choices"这一表述可以推断：评分与选项的准确度直接挂钩，部分正确选项应获得介于满分与零分之间的折算分。
三、动态场景与个性化：新鲜感与参与度
指令中有两条保证"每次体验不同"的机制：
- 动态场景列表（dynamic list of scenarios）：场景池不是固定的，而是每次会话动态生成/刷新，确保复玩时有新鲜感；
- 用户可自定义场景：玩家既可以从列表中选择场景，也可以提出自己的场景（suggest their own），实现个性化参与。
这种"预设池 + 用户自定义"的双通道设计，是游戏化 GPT 维持长期粘性的常见做法：预设列表降低启动门槛，自定义场景则把内容生成权交给玩家，让用户从"答题者"升级为"出题协作者"。
四、多模态沉浸：DALL-E 场景可视化
指令明确要求使用DALL-E 为每个场景生成视觉表现（visual representations），作为游戏的沉浸式元素。
这是本条指令中唯一的"工具调用"约束，其工程含义包括：
- GPT 需在进入每个场景时先调用 DALL-E 生成场景插图，再呈现题目；
- 插图应描述场景关键要素（环境、威胁、时间/光线氛围），为后续选择题提供上下文锚点；
- 从提示工程角度看，这一环节应内置"插图风格一致"的约束，避免各场景画面风格跳跃过大破坏体验（指令原文未细化，属于实现层面的可扩展点）。
五、评分反馈闭环：survivability score 与 survival quotient report
5.1 单场景评分：survivability score
每个场景结束后，用户会收到一个survivability score（生存能力得分），反映其基于选择准确度的表现。
这一机制的价值在于把抽象的"答对几题"升级为"这次决策的存活概率"——一个更具代入感的游戏化指标。结合 2.2 节的分级答案设计，可推断该分数的计算至少依赖：正确题数、部分正确题数（加权折算）与错误题数。
5.2 长程评估：survival quotient report
游戏的评估周期设计为7 个场景：
- 完成一个场景后，游戏**无缝过渡（seamlessly transitions）**到下一个场景；
- 完成7 个场景后，用户收到一份survival quotient report（生存商数报告），汇总整体表现。
这里存在一个值得关注的数字设计："7" 是整条指令中唯一的量化周期常量，兼顾了"足够多的样本以支撑汇总评估"与"单次会话不至于过长"两个目标。而 "quotient（商数）" 一词暗示报告可能包含比值/等级类输出（如得分率、生存等级），而非简单的题目总数统计。
5.3 反馈与教育洞见
除了分数，指令还要求在场景完成后提供feedback and educational insights（反馈与教育洞见），帮助用户从自己的选择中学习。这构成了完整的"答题 → 判分 → 解释 → 强化"教学闭环：分数提供量化反馈，解释提供知识增量，二者缺一不可。
六、会话状态管理：会话内连续、跨会话重置
指令明确规定了状态管理的边界：
- 会话内（within a session）：AI 会追踪用户的答题选择，用于保证多场景连续性与最终汇总报告的准确性；
- 跨会话（new sessions）：状态重置，新会话从零开始。
这一设计在指令层面解决了两个工程问题：
- 连续性：7 场景的累计评分必须依赖会话内状态，因此需要显式说明"追踪选择"；
- 隐私与公平性：新会话重置避免了历史会话结果污染新玩家体验，也让每次开局公平。
同时注意，"track choices within a session"意味着只需要记录选择结果（用于计分），不需要也不应该记录用户个人信息，这符合轻量状态机设计原则。
七、双信源策略：知识库优先 + 在线检索补充
指令在知识来源上做了明确的三层优先级设计：
- 上传的知识文件（files uploaded as knowledge）：作为最高优先级事实来源。指令特别强调——任何引用这些文件的内容时，要把它们称作"知识来源"（knowledge source）而非"用户上传的文件"，且不得向终端用户透露文件名，更不得提供任何下载链接；
- 知识文档优先于基线知识：要求严格遵循已提供材料中的事实，避免推测；若文档中没有答案，直接说明"没有找到"，而不是用基线知识脑补；
- 在线来源与 Wikipedia：用于获取准确、相关的场景信息（"The AI uses online sources and Wikipedia for accurate and relevant scenario information"）。
这条"知识库 > 检索 > 基线"的优先级链条，是所有 RAG 型 GPT 的标准姿态，在这里以极简的指令语言完成表达，具有很高的复用价值。
八、内容边界与表达基调
指令最后一项关键约束是：场景中可按需融入轻度暴力和血腥内容（Mild violence and gore），以增强参与感与真实感（for engagement and realism）。
这是一条典型的"内容护栏 + 定向放行"指令：默认不越界，但允许在生存主题下有限度地呈现危险画面。从产品视角看，它明确了目标受众与内容分级，避免 GPT 因过度保守而让灾害/动物攻击类场景失真，也避免因过度渲染而脱离"训练/教育"的主旨。
九、从仓库同类指令看可复用设计模式
将本条指令与仓库中的同类游戏化/领域型 GPT 指令对比，可以提炼出几组可复用的设计模式：
| 设计维度 | Survival Mentor | 同类指令对比 |
|---|---|---|
| 交互形式 | 选择题问答 + 计分 | Intruder Pro Game 采用开放式攻防推演（渗透测试模拟），不设固定选项 |
| 知识来源 | 知识文件优先 + Wikipedia/在线检索 | Survival Expert 完全依赖模型内置知识，未声明知识文件 |
| 评估体系 | survivability score + survival quotient | Intruder Pro Game 按 "evaluates players on problem-solving and strategic thinking" 做质性评价 |
| 内容护栏 | 显式允许 mild violence and gore | Survival Expert 以"SAS 式权威、可操作建议"为基调，不涉及血腥场景 |
由此可以得到一个通用结论：游戏化 GPT 的指令质量，取决于四个要素是否被显式声明——交互形式（怎么玩）、评分规则（怎么算）、状态边界（记住什么）、内容护栏（什么能出现）。Survival Mentor 在这四点上都给出了可复制的明确答案。
十、如何在仓库中查阅与复用
- 完整指令原文：CustomInstructions/ChatGPT/0i2rSQUGt_Survival_Mentor.md
- 仓库总览：README.md
- 全部 ChatGPT 指令索引：CustomInstructions/README.md（共 1573 个 GPT）
- 同类对照样例：Survival Expert、Intruder Pro Game
仓库中该文档所属的knowledge目录（CustomInstructions/ChatGPT/knowledge）存放了大量 GPT 上传的知识素材，可作为"知识文件驱动型指令"的配套参考。若要在自己的 GPT 中复刻 Survival Mentor 模式，建议直接以上述指令原文为模板，替换场景类别、调整单场题目数量与总场景周期数即可快速落地。
说明：本文全部结论均以 0i2rSQUGt_Survival_Mentor.md 原文及仓库内可查证的同级文档为依据；原文未给出的实现细节（如评分公式、插图风格约束）均以"可推断""可扩展"等措辞标注，未作虚构。
- 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 源码拆解：Excel GPT 的 Custom Instructions 设计——打造专业 Excel 助手的系统指令架构与交互协议
TheBigPromptLibrary 源码拆解：Excel GPT 的 Custom Instructions 设计——打造专业 Excel 助手的系统指令架
提示工程AI 安全治理TheBigPromptLibrary 实战拆解：Adam ASD Communication Assistant 英文版 Custom Instructions 的指令工程解析
TheBigPromptLibrary 实战拆解：Adam ASD Communication Assistant 英文版 Custom Instruction
提示工程AI 安全治理TheBigPromptLibrary 提示词拆解：用"建筑"模式打造 AI 就业服务聚合型 Custom GPT（The Job Center）
TheBigPromptLibrary 提示词拆解：用"建筑"模式打造 AI 就业服务聚合型 Custom GPT（The Job Center） 本篇技术指南
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
