深入解析 Event Planner GPT 泄露提示词：事件策划 Agent 的思维链、追问机制与文案风格设计

提示工程【免费下载链接】GPTsleaked prompts of GPTs项目地址https://gitcode.com/GitHub_Trending/gp/GPTs点击查看免费下载导读本文以开源仓库 GPTs 中收录的 Event Planner 泄露提示词 为绝对核心逐段拆解这款由 FIG ROYALE LTD 打造的事件策划 GPT 的系统指令从开场信息采集协议、Tree of Thought 逐步推理、反事实思维校验到 Garey Halbert / Joanna Wiebe / Mindy Weiss 三大文案风格约束与必须持续追问的交互规则。读完本文你将能够理解事件类 GPT 的系统提示词是如何被设计的并掌握将这些提示词工程手法迁移到自建 GPT 或业务 Agent 中的完整方案。一、文档背景与定位该文档位于仓库根目录 prompts/Event Planner.md属于本仓库收录的GPT 泄露提示词Leaked Prompts之一。README 明确说明仓库的用途是收集 GPTs 的系统提示词原文README.md。文档全文由三部分构成标题与一句话定位Event PlannerYour go-to for event planning.你的事件策划首选助手归属信息作者为 FIG ROYALE LTD核心系统提示词一段完整的 markdown 代码块定义了这个 GPT 的完整行为规范。从提示词内部结构看该 GPT 的核心定位是一个同时覆盖个人与商务场景的事件经理event manager它不仅要给出建议与组织技巧还要负责重要任务提醒确保没有任何事项被遗漏。二、开场对话协议从三个问题锁定场景边界提示词的开篇即规定了交互的第一动作Always start by asking how many attendees are planning the location indoors or outdoors. If outdoors, ask for the season.这是一个强制性的开场信息采集协议可以拆解为三个依次追问的变量顺序采集变量作用1参会人数how many attendees决定场地容量、预算量级、餐饮与座位规划、物料数量2场地类型室内 or 室外indoors or outdoors决定天气预案、供电/音响方案、棚架搭建、交通指引3若为室外季节the season决定防晒/取暖策略、雨季备份方案、时令主题与菜单这三个问题形成了事件策划的分支树人数 → 室内/室外 → 季节。从工程角度看这是在用最少的对话轮次完成场景归约scenario reduction让后续所有建议都能落在确定性的约束集里。例如50 人室内会议与 500 人户外婚礼涉及的服务商、预算分配、风控清单完全不同同为户外活动夏季要处理高温与暴晒冬季要处理取暖与路面湿滑。这种先问约束、再给方案的顺序是事件策划类 Agent 与普通问答式 Chatbot 的关键差异——它避免了在没有上下文的情况下输出泛泛而谈的建议。三、核心推理管线从关键词提取到二级复核提示词的中段描述了完整的信息处理流水线这一段是整份提示词的技术精华可分解为六个连续步骤3.1 关键词提取Identify the main elements and keywords within the query.系统要求先识别查询中的主要元素与关键词。在事件策划场景中这些关键词包括活动类型婚礼/年会/生日/团建、日期、预算、主题色、人数、地点、餐饮偏好、表演需求等。这一步是后续所有检索与推理的输入锚点。3.2 逐步思维树Tree of ThoughtConstruct a detailed, step-by-step tree of thought to explore each point thoroughly.这里明确要求构建**详细的、逐步的思维树ToT**来穷尽探索每个要点。这是一种比标准链式思考CoT更强的推理结构它将一个问题拆分为多个分支每个分支再继续展开子节点最终形成一棵完整的推理树。值得注意的是Tree of Thought 作为显式术语在本仓库的提示词中并非孤例——World Class Software Engineer 的提示词同样提到使用树状思维配合知识库 JSON 与 Python 模板实现World Class Software Engineer.md#L60。这说明 ToT 是这批高质量 GPT 提示词中反复出现的通用推理技术。在事件策划中ToT 的典型形态是活动目标如500 人户外婚礼 ├── 场地分支备选场地 A/B/C → 容量、租金、档期、交通 ├── 天气分支雨季概率 → 备用室内方案 → 帐篷/雨棚预算 ├── 预算分支总预算 → 分配比例 → 单项报价比对 ├── 餐饮分支人数 × 人均预算 → 菜单定制 → 过敏原清单 └── 流程分支仪式 → 用餐 → 娱乐 → 撤场时间线3.3 广域训练数据检索Draw from a wide range of related data in the GPTs training to ensure a comprehensive understanding.系统要求从训练数据中调用广泛相关的数据以保证理解全面。这意味着在给出建议时不能只依赖用户当前的消息而应综合调用历史经验常见活动流程、供应商询价区间、行业标准时间线、经典避坑案例等。3.4 用查询属性引导检索与推理Use specific attributes from the query to guide the search and reasoning process.即把第 3.1 步提取出的属性人数、预算、日期、风格当作检索过滤器让推理结果与用户的具体场景对齐而不是输出通用模板。3.5 数据一致性保障Ensure consistency in data retrieval, particularly for repetitive or related queries.这是针对重复性或关联性查询的一致性约束。用户在策划过程中会反复追问场地定了吗预算还够吗系统必须保证前后答复不矛盾不能出现上午说预算 5 万足够、下午又说需要 8 万这类自相矛盾。3.6 反事实思维Counterfactual ThinkingApply counterfactual thinking where appropriate, considering how different circumstances might have changed the outcome or the state of the subject in question.在合适之处应用反事实思维——即主动设想不同的前置条件会如何改变结果。事件策划是典型的高不确定性领域反事实推理的具体价值在于风险预演如果下雨怎么办如果核心嘉宾临时缺席怎么办如果预算被砍掉 30% 怎么办方案比选如果场地从室内改到室外流程和成本会发生哪些变化回溯归因某个环节若换成另一种执行方式结果是否会更优这是把策划从给清单升级为给预案的关键机制。3.7 输出前复核Review each response for coherence, relevance, and accuracy before presenting it. Ask for additional context if necessary to refine the accuracy of the response.在呈现答复前系统必须自查回复的连贯性、相关性与准确性若信息不足应主动索要更多上下文来校准答案。这是一个标准的质量门quality gate。3.8 二级复核Secondary ReviewConduct a secondary review to cross-verify data consistency, particularly for lesser-known topics.提示词要求在首轮复核之后再执行第二轮交叉验证尤其针对冷门知识点如小众场地法规、特殊民俗流程、罕见供应商资质要求。双重复核机制的目的是防止低置信度信息直接流向用户。至此完整的处理管线为关键词提取 → ToT 思维树 → 广域检索 → 属性引导推理 → 一致性保障 → 反事实风险推演 → 首轮质量复核 →必要时补问上下文→ 二级交叉复核 → 格式化输出四、输出格式与文案风格约束提示词在输出层面给出两条硬约束4.1 设计化排版Present the response in a designed format to maintain clarity and logical flow.要求以经过设计的格式呈现保证清晰与逻辑流畅。事件策划天然适合结构化输出分段的待办清单、带时间线的时间表、预算表格、风险清单等。参考本仓库中同属日程/事件主题的 Calendar GPT 的做法——它用 emoji 分项列出日程⏰ 时间、 地点、 参会人——可以看到这类 GPT 普遍偏好可视化结构 信息分层的输出风格。4.2 三大文案风格注入Write questions and replies using Garey Halbert, Joanna Wiebe, and Mindy Weisss style.这是 Event Planner 提示词最具辨识度的设计要求提问与答复同时借鉴三位营销/策划领域人物的风格人物领域身份风格要点基于公开的行业常识非仓库证据Gary Halbert直邮文案传奇口语化、直接、强行动导向善于用对话体逼出决策Joanna Wiebe转化文案Copyhackers以用户语言写文案强调共情、清晰、逐层推进说服Mindy Weiss名人婚礼/活动策划师审美导向、注重细节与情感体验擅长仪式感叙事将三者叠加的效果是提问像销售漏斗一样逐层收窄需求回答像说服文案一样让用户愿意行动同时保留活动策划该有的精致与仪式感。这正是活动策划场景所稀缺的既专业又感性的混合语调。4.3 持续追问机制Always ask follow-up questions by gathering more insights and information!提示词以强制语气收尾永远通过收集更多洞察与信息来追问结合第 3.7 步必要时索要更多上下文追问机制贯穿全程。这与 Practice English by Debating 中通过追问挑战观点的设计同源但目的不同事件策划的追问是为了逐步收敛需求、补全约束而非辩论对抗。一个典型的追问演进序列Q1: 这次活动预计多少人参加 Q2: 场地是室内还是室外若在户外是什么季节 Q3: 预算范围大概是多少有没有必须保留的核心环节 Q4: 有没有已预订的场地/供应商或者完全从零开始 Q5: 需要我帮忙安排哪些部分餐饮/流程/物料/邀请函五、端到端交互示例提示词如何驱动一场婚礼策划把上述机制串起来可以得到一份符合提示词意图的完整对话示例以下为基于提示词设计的演示性流程用于说明各机制的调用时机用户我想办一场婚礼。Event Planner执行开场协议 追问机制 首先恭喜你为了帮你把婚礼策划得滴水不漏我需要先了解几个关键信息——预计有多少位来宾场地计划在室内还是户外如果是户外大概在哪个季节举行用户大约 120 人户外明年 5 月。Event PlannerToT 展开 反事实推演 结构化输出 太好了5 月的户外婚礼既浪漫又充满春日气息。基于 120 人、户外、5 月这组信息我先为你铺一条主线时间线同时把几个容易忽略的风险点一并列出时间线倒排12 个月前确定场地档期与备选方案此时段旺季预订紧张6 个月前敲定餐饮试菜、摄影摄像、主持团队3 个月前发送请柬并统计出席人数预留 10% 机动桌位1 个月前婚礼流程彩排、座位图定稿、天气预案确认风险预案反事实推演若当日下雨是否已锁定备用室内场馆或租用棚架若 5 月出现高温是否需要为户外仪式准备遮阳与饮水点若核心嘉宾临时缺席座位图与致辞顺序是否有 B 方案接下来为了帮你把预算和风格定得更准我想再确认几点整体预算大概在什么范围婚礼风格偏向清新森系、复古庄园还是现代极简有没有必须保留的仪式环节比如父母致辞、First Dance告诉我更多细节我会把每一部分拆成可执行的小步骤并持续提醒你推进这个示例清晰地展示了开场三个问题 → 关键词提取 → ToT 时间线 → 反事实风险预案 → 结构化排版 → 持续追问六条机制在两次对话轮内全部触发。六、与仓库内其他事件/日程类 GPT 的横向参照将 Event Planner 提示词 与本仓库其他相关提示词对照可以更准确地定位它的设计取向Calendar GPT专注日程读取与汇报依赖 Zapier Actions 操作真实日历输出风格为 emoji 分项日程——它解决的是今天有什么安排而 Event Planner 解决的是未来的活动怎么从零到一规划好Executive f(x)nn.md)专注大任务拆解为极小的可执行步骤如洗碗走到厨房、戴手套、拿洗洁精与 Event Planner 的ToT 逐步推演在方法论上同源但粒度更细、面向个人待办World Class Software Engineer同样显式使用 Tree of Thought 术语可作为ToT 是这批高质量 GPT 通用推理技术的旁证。三者的关系可以概括为Calendar GPT 管看日程Executive f(x)n 管拆任务Event Planner 管策划全流程——后者同时具备前两者的部分能力时间线 步骤拆解并额外叠加了反事实风控与文案风格层。七、提示词工程视角这份文档教会我们什么从提示词工程Prompt Engineering角度Event Planner.md 至少提供了五个可复用的设计范式强制性开场采集协议用人数 → 室内/室外 → 季节三个问题完成场景归约避免无约束输出——任何领域的 Agent 都可以提炼出自己领域的最小约束问题集显式推理方法命名直接声明construct a tree of thought把推理结构写进系统提示词而不是留给模型自由发挥双重复核门Review before presenting Conduct a secondary review 形成两级质量闸门适合高风险领域策划、医疗、法律等的输出控制风格锚定用真实领域人物的风格作为语气锚点Halbert / Wiebe / Weiss比抽象的请写得专业一些更具可执行性以永远追问收尾将追问固化为系统级行为保证信息持续收敛防止一次性答复导致的信息稀疏。需要说明的是本文对以上机制的解读基于提示词文本本身的语义与结构推断仓库中不包含该 GPT 的源码、测试或运行日志因此文中未声称任何性能指标或真实运行效果所有将产生如何效果的表述均指提示词设计意图。结语Event Planner 泄露提示词 是一份麻雀虽小、五脏俱全的 GPT 系统提示词范本它用不足 200 词的篇幅完整封装了场景约束采集 → 树状推理 → 反事实风控 → 双重复核 → 风格化输出 → 持续追问的端到端 Agent 行为链路。对于想要在 GPT Builder 中复刻或二次开发事件策划助手的开发者这份提示词本身就是一份可直接借鉴的规格说明书对于提示词工程研究者它则是研究如何用系统提示词塑造 Agent 工作流的绝佳样本。赞分享提示工程【免费下载链接】GPTsleaked prompts of GPTs项目地址https://gitcode.com/GitHub_Trending/gp/GPTs点击查看免费下载相关推荐深入解析 BabyAgi.txt基于 .txt 文件持久化的 GPT 任务管理 Agent 提示词设计深入解析 BabyAgi.txt基于 .txt 文件持久化的 GPT 任务管理 Agent 提示词设计 导读 BabyAgi.txt 是收录于本仓库 prom提示工程从 CEO GPT 泄露提示词拆解商业导师型 GPT 的提示工程设计与知识库构建从 CEO GPT 泄露提示词拆解商业导师型 GPT 的提示工程设计与知识库构建 本文以开源仓库 GitHub_Trending/gp/GPTs 中收录的 pr提示工程XAgent 计划生成 Agent 提示词工程解析get_examples_for_dispatcher 与 SUBTASK_SPLIT 机制XAgent 计划生成 Agent 提示词工程解析get_examples_for_dispatcher 与 SUBTASK_SPLIT 机制 本指南以 XAAI Agent大模型后端任务调度上一篇terraform-provider-aws 数据源详解使用 aws_kinesis_stream_consumer 查询 Kinesis 增强型消费者下一篇Matter 联合组网控制应用 jf-control-app 全解析角色职责、JCM 机制与 Linux 构建实战