--- title: "Role Prompting (HU)" source: "https://systems-analysis.info/int/Role_Prompting_(HU)" wiki: "systems-analysis.info/int" article: "Role_Prompting_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 6478 wiki_created_at: 2026-09-07T00:04:59Z wiki_modified_at: 2026-09-07T00:04:59Z downloaded_at: 2026-09-07T23:14:05Z --- # Role Prompting (HU) **Szerepalapú promptolás** (ang. *role prompting*), más néven **személyalapú promptolás** (ang. *persona prompting*), — egy prompt engineering technika nagy nyelvi modellek (LLM) számára, amelynek során a modellnek egy feladat elvégzése előtt explicit módon meghatározott szerepet, személyt vagy szakértői identitást rendelnek[\[1\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-ibm_watsonx_guide-1). Más szóval, a kérés szövegébe vagy a rendszerutasításba beleírják, hogy a modell például „tanár", „történész" vagy „kalóz", és ezzel meghatározzák a generált válasz stílusát, hangnemét és viselkedését[\[2\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-learnprompting_guide-2). Ezt a megközelítést széles körben alkalmazzák párbeszédes rendszerekben. Például a ChatGPT alapértelmezett rendszerutasítása – „You are a helpful assistant" („Ön egy hasznos asszisztens") – lényegében alapvető szerepet határoz meg a modell kommunikációjában[\[3\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-helpful_assistant_study-3). ## Rendeltetés és alkalmazás A szerepalapú promptolás célja, hogy a modellt egy meghatározott stílus és fókusz felé irányítsa, így a válasz jobban illeszkedik a feladathoz és annak kontextusához. A szerep hozzárendelése lehetővé teszi, hogy a modell megfelelő hangnemet és szókincset alkalmazzon. Ez különösen hasznos kreatív és nyílt végű feladatoknál, ahol a szerep segít elevenebbbé és stílusában változatosabbá tenni a szöveget[\[4\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-learnprompting_effective-4). A technikát professzionális forgatókönyvekben is alkalmazzák. Például egy technikai ügyfélszolgálati chatbotnak udvarías ügyfélszolgálati képviselő szerepét lehet adni, a multi-ágens rendszerekben pedig minden egyes ágenshez saját személyt rendelnek (például „menedzser", „fejlesztő"), hogy hatékonyan működjenek együtt[\[1\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-ibm_watsonx_guide-1). A modern LLM-ek rugalmassága szinte bármilyen szerep eljátszását lehetővé teszi – egy kitalált karaktertől egészen egy szűk szakterület szakértőjéig –, és a modell a megadott képhez maximálisan illeszkedő válaszokat generál[\[1\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-ibm_watsonx_guide-1). ## Hatás a minőségre és pontosságra A szerepalapú promptolás objektív válaszpontosságra gyakorolt hatékonyságának kérdése aktív kutatások tárgya, és az eredmények sokszor ellentmondásosak. ### Ellentmondásos eredmények Egyrészt léteznek olyan kutatások, amelyek javuló eredményeket mutatnak. Például Zheng és mtsai (2023) munkájában azt találták, hogy ha a modell szerepe tematikusan illeszkedik a feladathoz, a teljesítménye növekedhet[\[5\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-persona_double_edged-5). Kong és mtsai (2024) munkája azt állítja, hogy a szerepalapú promptolás javíthatja a modell *zero-shot* következtetési képességét, ha a személy megválasztása szerencsés[\[5\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-persona_double_edged-5). Másrészt a nagyobb léptékű kutatások összetettebb képet mutatnak. Egy 162 különböző szerepet vizsgáló szisztematikus kísérletben nem találtak érdemi pontosságnövekedést a semleges forgatókönyvhez képest[\[3\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-helpful_assistant_study-3). Sőt, átlagosan a szerepalapú prompt még **enyhén csökkentette** is a válaszok pontosságát[\[3\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-helpful_assistant_study-3). Kim és mtsai (2024) munkája a szerepalapú beavatkozást „kétélű kardként" írja le: a kísérlet azt mutatta, hogy a GPT-4 modell szereputasítással egyes kérdéseket helyesen old meg, amelyeket anélkül tévesen válaszolna meg (**≈15,8%** javulás), ám közel ugyanakkora arányban a szerep éppen „tönkreteszi" a feladatmegoldást (**≈13,8%** romlás)[\[5\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-persona_double_edged-5). Ez rámutat arra, hogy a szerep hozzáadása önmagában nem garantálja a minőség javulását, és kiszámíthatatlanul befolyásolhatja a modell viselkedését. A szerepalapú promptolás vitathatatlan előnye a **válasz stílusának és formátumának szabályozása**. Még ha a tények pontossága szempontjából a szerep nem is hoz javulást, lehetővé teszi, hogy a válaszok meghatározott hangnemet kapjanak (barátságos, hivatalos, mentori), ami összefüggőbbé és vonzóbbá teszi azokat a felhasználó számára[\[4\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-learnprompting_effective-4). ## Szerepek létrehozásának ajánlásai A kutatások számos gyakorlati tanácsot adnak a szerepalapú promptolás hatékony alkalmazásához: - **Szerep megválasztása**: Ajánlott semleges társadalmi szerepeket választani (például „kolléga", „mentor"), kerülve a túlzottan bizalmas vagy szűk szakterületre koncentráló szerepeket[\[6\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-role_prompting_guide-6). - **Megfogalmazás**: A szerepet érdemes közvetlenül a modell nevében megadni („Ön egy X"), nem pedig bonyolult képzeletbeli forgatókönyveken keresztül („Képzelje el, hogy Ön..."). A közvetlen személyhozzárendelés nagyobb hatékonyságot mutat[\[6\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-role_prompting_guide-6). - **Kétlépéses megközelítés**: Összetett kérések esetén javasolt a feladatot két lépésre bontani: először adjuk meg a modellnek a szerepéről és kontextusáról szóló utasítást, és csak ezután tegyük fel a fő kérdést. Ez lehetővé teszi, hogy a modell először „felvegye a szerepet", és növeli az eredmény stabilitását[\[6\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-role_prompting_guide-6). ## Korlátok és kockázatok A szerepalapú promptolás alkalmazása számos rendszerszintű kockázattal jár. ### Sztereotípiák és elfogultság erősítése Az LLM-ek akaratlanul is átveszik a tanítási adatokban rögzült sztereotípiákat. Egy bizonyos foglalkozáshoz, nemhez vagy nemzetiséghez kötött szerep hozzárendelése aktiválhatja és felerősítheti ezeket a sztereotípiákat a válaszokban[\[6\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-role_prompting_guide-6). Gupta és kollégái (2023) kutatása kimutatta, hogy társadalmi attribútumok (kor, etnikai hovatartozás) hozzáadása a szerephez eltolhatja a modell következtetéseit és jelentősen ronthatja az érvelés pontosságát[\[5\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-persona_double_edged-5). Egy másik elemzés (Deshpande et al., 2023) megállapította, hogy egyes személyes képek fokozott toxicitáshoz vezetnek a generált válaszokban[\[5\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-persona_double_edged-5). ### Biztonsági sebezhetőségek Rossz szándékú személyek felhasználhatják a szerepalapú promptolást a moderációs korlátok megkerülésére (ez a technika jailbreakként ismert). Kutatások kimutatták, hogy egy különleges személy (például etikai korlátok nélküli karakter) hozzárendelése megkönnyíti az LLM-ek tiltott cselekvések felé való terelését. Shah et al. (2023) sikeresen alkalmazta több „szerepalapú" ágens együttműködését a modell korlátainak megkerülésére, ami rendszerszintű sebezhetőséget mutat[\[7\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-shah2023_findings-7). Ezért amikor szerepet rendelünk a modellhez, fontos figyelembe venni az adott szerepben rejlő lehetséges előítéleteket és nemkívánatos hatásokat, és ezt a módszert körültekintően alkalmazni[\[6\]](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_note-role_prompting_guide-6). ## Hivatkozások - Role Prompting: Guide LLMs with Persona-Based Tasks — útmutató a szerepalapú promptoláshoz a Learn Prompting oldalán. - Use role prompting with Watsonx and Granite — gyakorlati útmutató az IBM-től. ## Irodalom - 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. ## Megjegyzések 1. ↑ [1.0](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-ibm_watsonx_guide_1-0) [1.1](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-ibm_watsonx_guide_1-1) [1.2](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-ibm_watsonx_guide_1-2) «Use role prompting with Watsonx and Granite». *IBM*. 2. [↑](https://systems-analysis.info/int/Role_Prompting_(HU)#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_(HU)#cite_ref-helpful_assistant_study_3-0) [3.1](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-helpful_assistant_study_3-1) [3.2](https://systems-analysis.info/int/Role_Prompting_(HU)#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_(HU)#cite_ref-learnprompting_effective_4-0) [4.1](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-learnprompting_effective_4-1) «Is Role Prompting Effective?». *Learn Prompting*. [3] 5. ↑ [5.0](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-persona_double_edged_5-0) [5.1](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-persona_double_edged_5-1) [5.2](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-persona_double_edged_5-2) [5.3](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-persona_double_edged_5-3) [5.4](https://systems-analysis.info/int/Role_Prompting_(HU)#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_(HU)#cite_ref-role_prompting_guide_6-0) [6.1](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-role_prompting_guide_6-1) [6.2](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-role_prompting_guide_6-2) [6.3](https://systems-analysis.info/int/Role_Prompting_(HU)#cite_ref-role_prompting_guide_6-3) [6.4](https://systems-analysis.info/int/Role_Prompting_(HU)#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_(HU)#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]