--- title: "Role Prompting (BG)" source: "https://systems-analysis.info/int/Role_Prompting_(BG)" wiki: "systems-analysis.info/int" article: "Role_Prompting_(BG)" language: "bg" categories: - "Category:Bulgarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 6468 wiki_created_at: 2026-09-07T00:04:50Z wiki_modified_at: 2026-09-07T00:04:50Z downloaded_at: 2026-09-07T23:14:02Z --- # Role Prompting (BG) **Ролево промптиране** (англ. *role prompting*), известно също като **персонално промптиране** (англ. *persona prompting*), — е техника в областта на prompt engineering за големи езикови модели (LLM), при която на модела изрично се назначава определена роля, персона или експертна идентичност преди изпълнението на задачата[\[1\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-ibm_watsonx_guide-1). С други думи, в текста на заявката или системната инструкция се указва, че моделът е например „учител", „историк" или „пират", и по този начин се задава стилът, тонът и поведението на генерирания отговор[\[2\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-learnprompting_guide-2). Този подход се прилага широко в диалогови системи. Например стандартната системна подсказка на ChatGPT „You are a helpful assistant" („Вие сте полезен асистент") на практика задава базовата роля на модела в общуването[\[3\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-helpful_assistant_study-3). ## Предназначение и приложение Целта на ролевото промптиране е да насочи модела към определен стил и фокус на отговора, като го направи по-уместен и контекстно съответстващ на задачата. Назначаването на роля позволява да се зададат на модела подходяща тоналност и речников запас. Това е особено полезно при творчески и отворени задачи, където ролята помага текстът да стане по-жив и стилистично разнообразен[\[4\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-learnprompting_effective-4). Техниката се използва и в професионални сценарии. Например на чатбот за техническа поддръжка може да се зададе роля на вежлив сервизен представител, а в мулти-агентни системи на всеки агент се присвоява собствена персона (например „мениджър", „разработчик"), за да си сътрудничат ефективно[\[1\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-ibm_watsonx_guide-1). Гъвкавостта на съвременните LLM им позволява да приемат практически всяка роля — от измислен персонаж до тесен специалист — и да генерират отговори, максимално съответстващи на зададения образ[\[1\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-ibm_watsonx_guide-1). ## Влияние върху качеството и точността Въпросът за ефективността на ролевото промптиране при подобряване на обективната точност на отговорите остава предмет на активни изследвания, а резултатите често са противоречиви. ### Противоречиви резултати От една страна, съществуват изследвания, демонстриращи подобрение на резултатите. Например в работата на Zheng и съавт. (2023) е установено, че ако ролята на модела тематично съответства на задачата, неговата производителност може да нарасне[\[5\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-persona_double_edged-5). В работата на Kong и др. (2024) се твърди, че ролевото промптиране може да подобри *zero-shot* разсъжденията на модела при сполучлив избор на персона[\[5\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-persona_double_edged-5). От друга страна, мащабни изследвания разкриват по-сложна картина. В систематичен експеримент с 162 различни роли не е установена съществена печалба в точността в сравнение с неутралния сценарий[\[3\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-helpful_assistant_study-3). Нещо повече, средно роль-промптът дори **слабо намалявал** точността на отговорите[\[3\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-helpful_assistant_study-3). Работата на Kim и др. (2024) описва ролевата намеса като „меч с две остриета": експериментът показал, че при модела GPT-4 с ролева инструкция част от въпросите се решават правилно, въпреки че без нея са допускани грешки (**≈15,8%** подобрение), но почти толкова голяма дял от задачите, напротив, се „разрушава" от ролята (**≈13,8%** влошаване)[\[5\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-persona_double_edged-5). Това подчертава, че добавянето на роля само по себе си не гарантира повишаване на качеството и може непредсказуемо да влияе върху поведението на модела. Несъмнено предимство на ролевото промптиране е **контролът върху стила и формата на отговора**. Дори ако ролята не дава прираст в точността на фактите, тя позволява да се получават отговори с желана тоналност (приятелска, официална, наставническа), което прави отговорите по-свързани и увлекателни за потребителя[\[4\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-learnprompting_effective-4). ## Препоръки за създаване на роли Изследванията дават редица практически съвети за ефективно прилагане на ролевото промптиране: - **Избор на роля**: Препоръчва се да се избират неутрални социални роли (например „колега", „наставник"), като се избягват прекалено интимни или тясноспециализирани амплоа[\[6\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-role_prompting_guide-6). - **Формулировка**: Ролята е по-добре да се задава директно от лицето на модела („Вие сте Х"), а не чрез сложни въображаеми сценарии („Представете си, че сте..."). Прякото назначаване на персонажа доказва по-голяма ефективност[\[6\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-role_prompting_guide-6). - **Двуетапен подход**: За сложни заявки се предлага задачата да се раздели на две стъпки: първо да се даде на модела инструкция за неговата роля и контекст, и едва след това да се зададе основният въпрос. Това позволява на модела първо да „приеме образа" и повишава стабилността на резултата[\[6\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-role_prompting_guide-6). ## Ограничения и рискове Прилагането на ролевото промптиране е свързано с редица системни рискове. ### Усилване на стереотипи и предубеждения LLM невъзнамерено възприемат стереотипи, вкоренени в данните за обучение. Назначаването на роля, свързана с определена професия, пол или националност, може да активира и засили тези стереотипи в отговорите[\[6\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-role_prompting_guide-6). Изследването на Gupta и колеги (2023) показало, че добавянето на социални атрибути (възраст, етническа принадлежност) към ролята може да измести извода на модела и значително да намали точността на разсъжденията[\[5\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-persona_double_edged-5). Друг анализ (Deshpande et al., 2023) установил, че някои персонални образи водят до повишена токсичност на генерираните отговори[\[5\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-persona_double_edged-5). ### Уязвимости в сигурността Злонамерени лица могат да използват ролевото промптиране за заобикаляне на ограниченията на модерацията (техника, известна като джейлбрейк). Изследвания показали, че назначаването на особена персона (например персонаж без етически ограничения) улеснява подтикването на LLM към забранени действия. Shah et al. (2023) успешно използвали кооперация на няколко „ролеви" агента за заобикаляне на ограниченията на модела, което демонстрира системна уязвимост[\[7\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-shah2023_findings-7). Следователно, при назначаване на роля на модела е важно да се отчитат възможните предубеждения и нежелани ефекти, вградени в тази роля, и методът да се прилага разумно[\[6\]](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_note-role_prompting_guide-6). ## Препратки - Role Prompting: Guide LLMs with Persona-Based Tasks — ръководство за ролево промптиране в Learn Prompting. - Use role prompting with Watsonx and Granite — практическо ръководство от IBM. ## Литература - 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. ## Бележки 1. ↑ [1.0](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-ibm_watsonx_guide_1-0) [1.1](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-ibm_watsonx_guide_1-1) [1.2](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-ibm_watsonx_guide_1-2) «Use role prompting with Watsonx and Granite». *IBM*. 2. [↑](https://systems-analysis.info/int/Role_Prompting_(BG)#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_(BG)#cite_ref-helpful_assistant_study_3-0) [3.1](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-helpful_assistant_study_3-1) [3.2](https://systems-analysis.info/int/Role_Prompting_(BG)#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_(BG)#cite_ref-learnprompting_effective_4-0) [4.1](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-learnprompting_effective_4-1) «Is Role Prompting Effective?». *Learn Prompting*. [3] 5. ↑ [5.0](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-persona_double_edged_5-0) [5.1](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-persona_double_edged_5-1) [5.2](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-persona_double_edged_5-2) [5.3](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-persona_double_edged_5-3) [5.4](https://systems-analysis.info/int/Role_Prompting_(BG)#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_(BG)#cite_ref-role_prompting_guide_6-0) [6.1](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-role_prompting_guide_6-1) [6.2](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-role_prompting_guide_6-2) [6.3](https://systems-analysis.info/int/Role_Prompting_(BG)#cite_ref-role_prompting_guide_6-3) [6.4](https://systems-analysis.info/int/Role_Prompting_(BG)#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_(BG)#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]