--- title: "Role Prompting (CS)" source: "https://systems-analysis.info/int/Role_Prompting_(CS)" wiki: "systems-analysis.info/int" article: "Role_Prompting_(CS)" language: "cs" categories: - "Category:Czech" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 6470 wiki_created_at: 2026-09-07T00:04:52Z wiki_modified_at: 2026-09-07T00:04:52Z downloaded_at: 2026-09-07T23:14:02Z --- # Role Prompting (CS) **Rolové promptování** (angl. *role prompting*), také známé jako **personální promptování** (angl. *persona prompting*), je technika v oblasti prompt engineeringu pro velké jazykové modely (LLM), při níž je modelu explicitně přiřazena určitá role, persona nebo odborná identita před plněním úkolu[\[1\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-ibm_watsonx_guide-1). Jinými slovy, v textu dotazu nebo systémové instrukci je uvedeno, že model je například „učitel", „historik" nebo „pirát", čímž je určen styl, tón a chování generované odpovědi[\[2\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-learnprompting_guide-2). Tento přístup je široce využíván v dialogových systémech. Například standardní systémová výzva ChatGPT „You are a helpful assistant" („Jste nápomocný asistent") fakticky definuje základní roli modelu v komunikaci[\[3\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-helpful_assistant_study-3). ## Účel a použití Cílem rolového promptování je nasměrovat model na určitý styl a zaměření odpovědi tak, aby byla vhodná a kontextově odpovídající danému úkolu. Přiřazení role umožňuje modelu nastavit odpovídající tón a slovní zásobu. To je zvláště užitečné při kreativních a otevřených úkolech, kde role pomáhá obohatit text a učinit jej stylisticky různorodějším[\[4\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-learnprompting_effective-4). Technika se používá i v profesionálních scénářích. Například chatbotu technické podpory lze přiřadit roli zdvořilého servisního zástupce, a v multi-agentních systémech je každému agentovi přidělena vlastní persona (například „manažer", „vývojář"), aby mohli efektivně spolupracovat[\[1\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-ibm_watsonx_guide-1). Flexibilita moderních LLM jim umožňuje přijímat prakticky jakoukoli roli – od fiktivní postavy až po úzkého specialistu – a generovat odpovědi co nejvíce odpovídající zadanému obrazu[\[1\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-ibm_watsonx_guide-1). ## Vliv na kvalitu a přesnost Otázka účinnosti rolového promptování pro zlepšení objektivní přesnosti odpovědí zůstává předmětem aktivního výzkumu a výsledky jsou často protichůdné. ### Protichůdné výsledky Na jedné straně existují studie prokazující zlepšení výsledků. Například práce Zheng a kol. (2023) zjistila, že pokud role modelu tematicky odpovídá zadání, jeho výkon může vzrůst[\[5\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-persona_double_edged-5). Práce Kong a kol. (2024) tvrdí, že rolové promptování může zlepšit *zero-shot* uvažování modelu při vhodné volbě persony[\[5\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-persona_double_edged-5). Na druhé straně rozsáhlé studie ukazují složitější obraz. V systematickém experimentu se 162 různými rolemi nebyl zjištěn výrazný přínos v přesnosti ve srovnání s neutrálním scénářem[\[3\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-helpful_assistant_study-3). Navíc v průměru role-prompt **mírně snižoval** přesnost odpovědí[\[3\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-helpful_assistant_study-3). Práce Kim a kol. (2024) popisuje rolové zasahování jako „dvojsečnou zbraň": experiment ukázal, že u modelu GPT-4 s rolovou instrukcí je část otázek zodpovězena správně, přestože bez ní docházelo k chybám (**≈15,8 %** zlepšení), avšak téměř stejně velká část úloh je naopak rolí „narušena" (**≈13,8 %** zhoršení)[\[5\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-persona_double_edged-5). To zdůrazňuje, že přidání role samo o sobě nezaručuje růst kvality a může nepředvídatelně ovlivňovat chování modelu. Nespornou předností rolového promptování je **kontrola nad stylem a formátem odpovědi**. I když role nepřináší nárůst faktické přesnosti, umožňuje získávat odpovědi v požadovaném tónu (přátelském, oficiálním, mentorském), čímž jsou odpovědi pro uživatele koherentnější a poutavější[\[4\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-learnprompting_effective-4). ## Doporučení pro tvorbu rolí Výzkumy poskytují řadu praktických rad pro efektivní využití rolového promptování: - **Výběr role**: Doporučuje se volit neutrální sociální role (například „kolega", „mentor") a vyhýbat se příliš intimním nebo vysoce specializovaným rolím[\[6\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-role_prompting_guide-6). - **Formulace**: Roli je lépe zadávat přímo v první osobě modelu („Jste X"), nikoli prostřednictvím složitých imaginárních scénářů („Představte si, že jste..."). Přímé přiřazení postavy prokazuje vyšší účinnost[\[6\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-role_prompting_guide-6). - **Dvoustupňový přístup**: Pro složité dotazy se doporučuje rozdělit úkol do dvou kroků: nejprve modelu poskytnout instrukci o jeho roli a kontextu, a teprve poté položit hlavní otázku. To umožňuje modelu nejprve „přijmout roli" a zvyšuje stabilitu výsledku[\[6\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-role_prompting_guide-6). ## Omezení a rizika Používání rolového promptování je spojeno s řadou systémových rizik. ### Posilování stereotypů a předpojatosti LLM nevědomky přejímají stereotypy zakořeněné v trénovacích datech. Přiřazení role spojené s určitou profesí, pohlavím nebo národností může tyto stereotypy v odpovědích aktivovat a posílit[\[6\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-role_prompting_guide-6). Studie Gupta a kol. (2023) ukázala, že přidání sociálních atributů (věk, etnicita) k roli může ovlivnit výstup modelu a výrazně snížit přesnost uvažování[\[5\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-persona_double_edged-5). Další analýza (Deshpande et al., 2023) odhalila, že některé personální obrazy vedou ke zvýšené toxicitě generovaných odpovědí[\[5\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-persona_double_edged-5). ### Bezpečnostní zranitelnosti Útočníci mohou rolové promptování využít k obcházení omezení moderace (technika známá jako jailbreak). Výzkumy ukázaly, že přiřazení zvláštní persony (například postavy bez etických omezení) usnadňuje přimět LLM k zakázanému jednání. Shah et al. (2023) úspěšně využili spolupráci několika „rolových" agentů k obcházení omezení modelu, čímž byla demonstrována systémová zranitelnost[\[7\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-shah2023_findings-7). Při přiřazování role modelu je tedy důležité brát v úvahu možné předsudky a nežádoucí efekty zakotvené v dané roli a tuto metodu používat obezřetně[\[6\]](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_note-role_prompting_guide-6). ## Odkazy - Role Prompting: Guide LLMs with Persona-Based Tasks — průvodce rolovým promptováním na Learn Prompting. - Use role prompting with Watsonx and Granite — praktický průvodce od IBM. ## Literatura - 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. ## Poznámky 1. ↑ [1.0](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-ibm_watsonx_guide_1-0) [1.1](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-ibm_watsonx_guide_1-1) [1.2](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-ibm_watsonx_guide_1-2) «Use role prompting with Watsonx and Granite». *IBM*. 2. [↑](https://systems-analysis.info/int/Role_Prompting_(CS)#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_(CS)#cite_ref-helpful_assistant_study_3-0) [3.1](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-helpful_assistant_study_3-1) [3.2](https://systems-analysis.info/int/Role_Prompting_(CS)#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_(CS)#cite_ref-learnprompting_effective_4-0) [4.1](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-learnprompting_effective_4-1) «Is Role Prompting Effective?». *Learn Prompting*. [3] 5. ↑ [5.0](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-persona_double_edged_5-0) [5.1](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-persona_double_edged_5-1) [5.2](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-persona_double_edged_5-2) [5.3](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-persona_double_edged_5-3) [5.4](https://systems-analysis.info/int/Role_Prompting_(CS)#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_(CS)#cite_ref-role_prompting_guide_6-0) [6.1](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-role_prompting_guide_6-1) [6.2](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-role_prompting_guide_6-2) [6.3](https://systems-analysis.info/int/Role_Prompting_(CS)#cite_ref-role_prompting_guide_6-3) [6.4](https://systems-analysis.info/int/Role_Prompting_(CS)#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_(CS)#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]