--- title: "Role Prompting — 角色提示" source: "https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA" wiki: "systems-analysis.info/int" article: "Role_Prompting_—_角色提示" language: "zh" categories: - "Category:Chinese" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Systems analysis terminology" revision_id: 6494 wiki_created_at: 2026-09-07T00:05:18Z wiki_modified_at: 2026-09-07T00:05:18Z downloaded_at: 2026-09-07T23:14:10Z --- # Role Prompting — 角色提示 **角色提示**（Role Prompting），也称为**人格提示**（Persona Prompting），是大型语言模型（LLM）提示工程领域的一种技术，它在执行任务前为模型明确指定一个特定的角色、人格或专家身份^{[\[1\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-ibm_watsonx_guide-1)}。换句话说，在提示或系统指令的文本中，会明确指出模型扮演的角色，例如“老师”、“历史学家”或“海盗”，从而设定生成回应的风格、语气和行为^{[\[2\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-learnprompting_guide-2)}。这种方法广泛应用于对话系统中。例如，ChatGPT的标准系统提示“You are a helpful assistant”（“你是一个有用的助手”）实际上就为模型在交流中设定了一个基础角色^{[\[3\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-helpful_assistant_study-3)}。 ## 目的与应用角色提示的目标是引导模型采用特定的风格和重点进行回应，使其更贴合任务情境。指定角色可以为模型设定相应的语调和词汇。这在创造性和开放性任务中尤其有用，因为角色有助于使文本更生动、风格更多样^{[\[4\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-learnprompting_effective-4)}。该技术也用于专业场景。例如，可以为技术支持聊天机器人设定一个礼貌的客服代表角色，而在多智能体系统中，可以为每个智能体分配不同的人格（如“经理”、“开发人员”），以便它们有效协作^{[\[1\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-ibm_watsonx_guide-1)}。现代LLM的灵活性使其能够扮演几乎任何角色——从虚构人物到特定领域的专家——并生成与所定形象高度一致的回应^{[\[1\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-ibm_watsonx_guide-1)}。 ## 对质量与准确性的影响关于角色提示在提高回答客观准确性方面的有效性，目前仍是活跃的研究课题，其结果常常相互矛盾。 ### 矛盾的研究结果一方面，有研究表明角色提示可以改善结果。例如，Zheng等人（2023）的研究发现，如果模型扮演的角色与任务主题相关，其性能可能会提升^{[\[5\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-persona_double_edged-5)}。Kong等人（2024）的研究则指出，如果人格选择得当，角色提示能够改善模型的*zero-shot*推理能力^{[\[5\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-persona_double_edged-5)}。另一方面，大规模研究揭示了更复杂的情况。一项涉及162个不同角色的系统性实验表明，与中性场景相比，角色提示在准确性上并未带来显著优势^{[\[3\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-helpful_assistant_study-3)}。更有甚者，平均而言，角色提示甚至会**略微降低**回答的准确性^{[\[3\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-helpful_assistant_study-3)}。 Kim等人（2024）的研究将角色干预描述为一把“双刃剑”：实验表明，对于GPT-4模型，使用角色指令后，一部分原先回答错误的问题得到了正确解决（**约15.8%**的提升），但几乎同样多的任务反而被角色“破坏”（**约13.8%**的恶化）^{[\[5\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-persona_double_edged-5)}。这突显了添加角色本身并不能保证质量提升，并可能对模型行为产生不可预测的影响。角色提示的一个毋庸置疑的优点是**对回答风格和格式的控制**。即使角色对事实准确性没有提升，它也能让回答具有指定的语调（如友好、正式、指导性），从而使用户体验更具连贯性和吸引力^{[\[4\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-learnprompting_effective-4)}。 ## 角色创建建议相关研究为有效应用角色提示提供了一些实用建议： - **角色选择**：建议选择中性的社会角色（如“同事”、“导师”），避免过于亲密或专业性过强的角色^{[\[6\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-role_prompting_guide-6)}。 - **表述方式**：最好直接以模型的口吻指定角色（“你是一个X”），而不是通过复杂的想象场景（“想象你是一个……”）。直接指定角色的方式已被证明更有效^{[\[6\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-role_prompting_guide-6)}。 - **两步法**：对于复杂请求，建议将任务分为两步：首先向模型说明其角色和背景，然后再提出主要问题。这能让模型先“进入角色”，从而提高结果的稳定性^{[\[6\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-role_prompting_guide-6)}。 ## 限制与风险角色提示的应用伴随着一系列系统性风险。 ### 加剧刻板印象与偏见 LLM会无意中采纳训练数据中根深蒂固的刻板印象。指定与特定职业、性别或国籍相关的角色，可能会在回答中激活并强化这些刻板印象^{[\[6\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-role_prompting_guide-6)}。Gupta及其同事（2023）的研究表明，为角色添加社会属性（年龄、种族）可能会使模型输出产生偏移，并显著降低其推理准确性^{[\[5\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-persona_double_edged-5)}。另一项分析（Deshpande et al., 2023）发现，某些人格形象会导致生成回答的毒性增加^{[\[5\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-persona_double_edged-5)}。 ### 安全漏洞攻击者可能利用角色提示来绕过内容审核限制（这种技术被称为“越狱”\[jailbreak\]）。研究表明，指定特殊人格（例如，没有道德约束的角色）能更容易地诱导LLM执行被禁止的行为。Shah等人（2023）成功利用多个“角色”智能体的协作来规避模型限制，这揭示了一种系统性漏洞^{[\[7\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-shah2023_findings-7)}。因此，在为模型指定角色时，必须考虑到该角色可能内含的偏见和不良影响，并谨慎使用此方法^{[\[6\]](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_note-role_prompting_guide-6)}。 ## 外部链接 - Role Prompting: Guide LLMs with Persona-Based Tasks — Learn Prompting 网站上的角色提示指南。 - Use role prompting with Watsonx and Granite — IBM 提供的实践指南。 ## 参考文献 - Kim, J.; Yang, N.; Jung, K. (2024). *Persona is a Double-edged Sword: Mitigating the Negative Impact of Role-playing Prompts in Zero-shot Reasoning Tasks*. arXiv:2408.08631. - Kong, A. et al. (2023). *Better Zero-Shot Reasoning with Role-Play Prompting*. arXiv:2308.07702. - Zheng, M. et al. (2023). *When “A Helpful Assistant” Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models*. arXiv:2311.10054. - Shah, R. et al. (2023). *Scalable and Transferable Black-Box Jailbreaks for Language Models via Persona Modulation*. arXiv:2311.03348. - Deshpande, P. et al. (2024). *Evaluating Persona-Prompted LLM Responses in Power-Disparate Health Communication*. arXiv:2503.01532. - Xiong, F. et al. (2025). *The Influence of Persona Assignment on Stereotypes and Safeguards in Chinese Large Language Models*. arXiv:2506.04975. - Li, Y. et al. (2025). *System Prompts as a Mechanism of Bias in Large Language Models*. arXiv:2505.21091. - Wang, L. et al. (2025). *Persona-Assigned Large Language Models Exhibit Human-Like Bias and Toxicity*. arXiv:2506.20020. - Grover, K. et al. (2023). *In-Context Impersonation Reveals Large Language Models’ Ability to Simulate Human Personas*. PDF. - Verma, V. et al. (2024). *Systematic Survey of Prompt Engineering in Large Language Models*. arXiv:2402.07927. - Gupta, S. et al. (2024). *Exploring the Impact of Personality Traits on LLM Bias and Toxicity*. arXiv:2502.12566. - Safdari, M. et al. (2024). *LLMs are Vulnerable to Malicious Prompts Disguised as Scientific Language*. arXiv:2501.14073. ## 注释 1. ↑ ^{[1.0](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-ibm_watsonx_guide_1-0)} ^{[1.1](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-ibm_watsonx_guide_1-1)} ^{[1.2](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-ibm_watsonx_guide_1-2)} “Use role prompting with Watsonx and Granite”. *IBM*. 2. [↑](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-learnprompting_guide_2-0) “Role Prompting: Guide LLMs with Persona-Based Tasks”. *Learn Prompting*. [1] 3. ↑ ^{[3.0](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-helpful_assistant_study_3-0)} ^{[3.1](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-helpful_assistant_study_3-1)} ^{[3.2](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-helpful_assistant_study_3-2)} “When "A Helpful Assistant" Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models”. *arXiv*. [2] 4. ↑ ^{[4.0](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-learnprompting_effective_4-0)} ^{[4.1](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-learnprompting_effective_4-1)} “Is Role Prompting Effective?”. *Learn Prompting*. [3] 5. ↑ ^{[5.0](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-persona_double_edged_5-0)} ^{[5.1](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-persona_double_edged_5-1)} ^{[5.2](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-persona_double_edged_5-2)} ^{[5.3](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-persona_double_edged_5-3)} ^{[5.4](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-persona_double_edged_5-4)} “Persona is a Double-edged Sword: Enhancing the Zero-shot Reasoning by Ensembling the Role-playing and Neutral Prompts”. *arXiv*. [4] 6. ↑ ^{[6.0](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-role_prompting_guide_6-0)} ^{[6.1](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-role_prompting_guide_6-1)} ^{[6.2](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-role_prompting_guide_6-2)} ^{[6.3](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-role_prompting_guide_6-3)} ^{[6.4](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-role_prompting_guide_6-4)} “Role Prompting: Guide LLMs with Persona-Based Tasks”. *Learn Prompting*. [5] 7. [↑](https://systems-analysis.info/int/Role_Prompting_%E2%80%94_%E8%A7%92%E8%89%B2%E6%8F%90%E7%A4%BA#cite_ref-shah2023_findings_7-0) Shah, S., et al. (2023). “Scalable and Transferable Black-Box Jailbreaks for Language Models via Persona Modulation”. *ACL Anthology*. [6]