---
title: "Role Prompting (UR)"
source: "https://systems-analysis.info/int/Role_Prompting_(UR)"
wiki: "systems-analysis.info/int"
article: "Role_Prompting_(UR)"
language: "ur"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Urdu"
revision_id: 6490
wiki_created_at: 2026-09-07T00:05:13Z
wiki_modified_at: 2026-09-07T00:05:13Z
downloaded_at: 2026-09-07T23:14:09Z
---

# Role Prompting (UR)

**رول پرامپٹنگ** (انگریزی: *role prompting*)، جسے **پرسونا پرامپٹنگ** (انگریزی: *persona prompting*) بھی کہا جاتا ہے، prompt engineering کا ایک طریقہ ہے جو بڑے زبانی ماڈلز (LLM) کے لیے استعمال ہوتا ہے۔ اس میں ماڈل کو کوئی کام انجام دینے سے پہلے صراحت کے ساتھ ایک مخصوص کردار، شخصیت یا ماہرانہ شناخت دی جاتی ہے<sup>[\[1\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-ibm_watsonx_guide-1)</sup>۔ دوسرے الفاظ میں، درخواست کے متن یا system instruction میں یہ لکھا جاتا ہے کہ ماڈل، مثلاً، *"استاد"*، *"مورخ"* یا *"قزاق"* ہے، اور اس طرح تیار کیے جانے والے جواب کا اسلوب، لہجہ اور رویہ متعین کیا جاتا ہے<sup>[\[2\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-learnprompting_guide-2)</sup>۔

یہ طریقہ مکالماتی نظاموں میں بڑے پیمانے پر استعمال ہوتا ہے۔ مثال کے طور پر، ChatGPT کا معیاری system prompt *"You are a helpful assistant"* (*"آپ ایک مددگار معاون ہیں"*) دراصل گفتگو میں ماڈل کا بنیادی کردار متعین کرتا ہے<sup>[\[3\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-helpful_assistant_study-3)</sup>۔

## مقصد اور استعمال

رول پرامپٹنگ کا مقصد ماڈل کو جواب کے ایک مخصوص اسلوب اور توجہ کی سمت رہنمائی کرنا ہے، تاکہ جواب زیادہ موزوں اور کام کے تناظر سے ہم آہنگ ہو۔ کردار کی تفویض ماڈل کو مناسب لہجہ اور ذخیرۂ الفاظ اختیار کرنے میں مدد دیتی ہے۔ یہ خاص طور پر تخلیقی اور کھلے سوالات میں مفید ہے، جہاں کردار متن کو زیادہ جاندار اور اسلوباتی طور پر متنوع بناتا ہے<sup>[\[4\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-learnprompting_effective-4)</sup>۔

یہ طریقہ پیشہ ورانہ منظرناموں میں بھی استعمال ہوتا ہے۔ مثلاً، تکنیکی معاونت کے chatbot کو شائستہ سروس نمائندے کا کردار دیا جا سکتا ہے، اور multi-agent نظاموں میں ہر agent کو اپنا کردار (مثلاً *"مینیجر"*، *"ڈویلپر"*) تفویض کیا جاتا ہے تاکہ وہ مؤثر طریقے سے تعاون کریں<sup>[\[1\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-ibm_watsonx_guide-1)</sup>۔ جدید LLM کی لچک انہیں تقریباً ہر کردار اختیار کرنے کی اجازت دیتی ہے — کسی خیالی کردار سے لے کر کسی مخصوص ماہر تک — اور ایسے جوابات تیار کرنے کی صلاحیت رکھتے ہیں جو دیے گئے تصویر سے زیادہ سے زیادہ مطابقت رکھتے ہوں<sup>[\[1\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-ibm_watsonx_guide-1)</sup>۔

## معیار اور درستگی پر اثرات

جوابات کی معروضی درستگی کو بہتر بنانے میں رول پرامپٹنگ کی تاثیر کا سوال ابھی تک فعال تحقیق کا موضوع ہے، اور نتائج اکثر متضاد ہوتے ہیں۔

### متضاد نتائج

ایک جانب، ایسی تحقیقات موجود ہیں جو بہتر نتائج ظاہر کرتی ہیں۔ مثلاً، Zheng اور ساتھیوں (2023) کے کام میں پتا چلا کہ اگر ماڈل کا کردار کام کے موضوع سے مطابقت رکھتا ہو تو اس کی کارکردگی بڑھ سکتی ہے<sup>[\[5\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-persona_double_edged-5)</sup>۔ Kong اور دیگر (2024) کا دعویٰ ہے کہ رول پرامپٹنگ، مناسب persona کے انتخاب پر، ماڈل کے zero-shot استدلال کو بہتر بنا سکتی ہے<sup>[\[5\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-persona_double_edged-5)</sup>۔

دوسری جانب، بڑے پیمانے کی تحقیقات ایک زیادہ پیچیدہ تصویر پیش کرتی ہیں۔ 162 مختلف کرداروں پر منظم تجربے میں غیر جانبدار منظرنامے کے مقابلے میں درستگی میں کوئی قابلِ ذکر فائدہ نہیں ملا<sup>[\[3\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-helpful_assistant_study-3)</sup>۔ مزید یہ کہ اوسطاً role prompt نے جوابات کی درستگی کو **قدرے کم** کیا<sup>[\[3\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-helpful_assistant_study-3)</sup>۔

Kim اور دیگر (2024) کا کام رول مداخلت کو *"دو دھاری تلوار"* قرار دیتا ہے: تجربے سے ظاہر ہوا کہ GPT-4 ماڈل میں رول instruction کے ساتھ کچھ سوالات درست حل ہوتے ہیں، حالانکہ اس کے بغیر غلطیاں تھیں (بہتری **≈15.8%**)، لیکن تقریباً اتنا ہی بڑا حصہ، اس کے برعکس، کردار کی وجہ سے *"تباہ"* ہو جاتا ہے (بگاڑ **≈13.8%**)<sup>[\[5\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-persona_double_edged-5)</sup>۔ یہ اس بات پر زور دیتا ہے کہ کردار شامل کرنا بذاتِ خود معیار میں اضافے کی ضمانت نہیں دیتا اور ماڈل کے رویے پر غیر متوقع اثر ڈال سکتا ہے۔

رول پرامپٹنگ کی ایک مسلّم خوبی **جواب کے اسلوب اور فارمیٹ پر کنٹرول** ہے۔ یہاں تک کہ اگر حقائق کی درستگی کے لیے کردار سے کوئی فائدہ نہ ہو، تب بھی یہ مطلوبہ لہجے (دوستانہ، رسمی، رہنمائی والا) کے جوابات حاصل کرنے کی اجازت دیتا ہے، جو جوابات کو صارف کے لیے زیادہ مربوط اور دلچسپ بناتا ہے<sup>[\[4\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-learnprompting_effective-4)</sup>۔

## کردار بنانے کے رہنما اصول

تحقیقات رول پرامپٹنگ کے مؤثر استعمال کے لیے کئی عملی مشورے دیتی ہیں:

- **کردار کا انتخاب**: غیر جانبدار سماجی کردار (مثلاً *"ساتھی"*، *"رہنما"*) منتخب کرنے کی سفارش کی جاتی ہے، حد سے زیادہ قریبی یا انتہائی مخصوص کرداروں سے گریز کیا جائے<sup>[\[6\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-role_prompting_guide-6)</sup>۔
- **الفاظ کا انتخاب**: کردار براہِ راست ماڈل کی جانب سے دینا بہتر ہے (*"آپ X ہیں"*)، نہ کہ پیچیدہ خیالی منظرناموں کے ذریعے (*"تصور کریں کہ آپ..."*)۔ شخصیت کی براہِ راست تفویض زیادہ مؤثر ثابت ہوتی ہے<sup>[\[6\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-role_prompting_guide-6)</sup>۔
- **دو مرحلہ طریقہ کار**: پیچیدہ درخواستوں کے لیے کام کو دو مراحل میں تقسیم کرنے کی تجویز ہے: پہلے ماڈل کو اس کے کردار اور تناظر کے بارے میں ہدایت دیں، اور پھر اصل سوال پوچھیں۔ اس سے ماڈل پہلے *"کردار اختیار کر سکتا ہے"* اور نتیجے کی استحکام بڑھتی ہے<sup>[\[6\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-role_prompting_guide-6)</sup>۔

## حدود اور خطرات

رول پرامپٹنگ کے استعمال میں کئی نظامی خطرات شامل ہیں۔

### دقیانوسی تصورات اور تعصب کا تقویت پانا

LLM غیر ارادی طور پر تربیتی ڈیٹا میں موجود دقیانوسی تصورات اختیار کر لیتے ہیں۔ کسی مخصوص پیشے، جنس یا قومیت سے منسلک کردار کی تفویض جوابات میں ان دقیانوسی تصورات کو فعال اور مضبوط کر سکتی ہے<sup>[\[6\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-role_prompting_guide-6)</sup>۔ Gupta اور ساتھیوں (2023) کی تحقیق نے ظاہر کیا کہ کردار میں سماجی صفات (عمر، نسل) شامل کرنے سے ماڈل کا نتیجہ متاثر ہو سکتا ہے اور استدلال کی درستگی نمایاں طور پر کم ہو سکتی ہے<sup>[\[5\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-persona_double_edged-5)</sup>۔ ایک اور تجزیے (Deshpande et al., 2023) میں پتا چلا کہ کچھ شخصی تصویریں تیار کردہ جوابات میں بڑھتی ہوئی سمیّت کا باعث بنتی ہیں<sup>[\[5\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-persona_double_edged-5)</sup>۔

### سلامتی کی کمزوریاں

بدنیت افراد رول پرامپٹنگ کو نگرانی کی حدود سے بچنے کے لیے استعمال کر سکتے ہیں (یہ تکنیک jailbreak کے نام سے جانی جاتی ہے)۔ تحقیقات نے ظاہر کیا ہے کہ خاص persona کی تفویض (مثلاً اخلاقی حدود کے بغیر ایک کردار) LLM کو ممنوعہ افعال کی طرف دھکیلنے کو آسان بناتی ہے۔ Shah et al. (2023) نے ماڈل کی حدود کو عبور کرنے کے لیے متعدد *"رولی"* agents کا کامیابی سے استعمال کیا، جو ایک نظامی کمزوری کو ظاہر کرتا ہے<sup>[\[7\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-shah2023_findings-7)</sup>۔

اس لیے، ماڈل کو کردار تفویض کرتے وقت، اس کردار میں موجود ممکنہ تعصبات اور ناپسندیدہ اثرات کو مدِ نظر رکھنا ضروری ہے، اور اس طریقہ کو احتیاط کے ساتھ استعمال کرنا چاہیے<sup>[\[6\]](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_note-role_prompting_guide-6)</sup>۔

## حوالہ جات

- Role Prompting: Guide LLMs with Persona-Based Tasks — Learn Prompting پر رول پرامپٹنگ کی رہنما کتابچہ۔
- Use role prompting with Watsonx and Granite — IBM کی جانب سے عملی رہنما کتابچہ۔

## مآخذ

- 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.

## حواشی

1.  <span id="cite_note-ibm_watsonx_guide-1">↑ <sup>[1.0](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-ibm_watsonx_guide_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-ibm_watsonx_guide_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-ibm_watsonx_guide_1-2)</sup> «Use role prompting with Watsonx and Granite». *IBM*.</span>
2.  <span id="cite_note-learnprompting_guide-2">[↑](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-learnprompting_guide_2-0) «Role Prompting: Guide LLMs with Persona-Based Tasks». *Learn Prompting*. <a href="https://learnprompting.org/docs/advanced/zero_shot/role_prompting" class="external autonumber" rel="nofollow">[1]</a></span>
3.  <span id="cite_note-helpful_assistant_study-3">↑ <sup>[3.0](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-helpful_assistant_study_3-0)</sup> <sup>[3.1](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-helpful_assistant_study_3-1)</sup> <sup>[3.2](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-helpful_assistant_study_3-2)</sup> «When "A Helpful Assistant" Is Not Really Helpful: Personas in System Prompts Do Not Improve Performances of Large Language Models». *arXiv*. <a href="https://arxiv.org/html/2311.10054v3" class="external autonumber" rel="nofollow">[2]</a></span>
4.  <span id="cite_note-learnprompting_effective-4">↑ <sup>[4.0](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-learnprompting_effective_4-0)</sup> <sup>[4.1](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-learnprompting_effective_4-1)</sup> «Is Role Prompting Effective?». *Learn Prompting*. <a href="https://learnprompting.org/blog/role_prompting" class="external autonumber" rel="nofollow">[3]</a></span>
5.  <span id="cite_note-persona_double_edged-5">↑ <sup>[5.0](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-persona_double_edged_5-0)</sup> <sup>[5.1](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-persona_double_edged_5-1)</sup> <sup>[5.2](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-persona_double_edged_5-2)</sup> <sup>[5.3](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-persona_double_edged_5-3)</sup> <sup>[5.4](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-persona_double_edged_5-4)</sup> «Persona is a Double-edged Sword: Enhancing the Zero-shot Reasoning by Ensembling the Role-playing and Neutral Prompts». *arXiv*. <a href="https://arxiv.org/html/2408.08631v1" class="external autonumber" rel="nofollow">[4]</a></span>
6.  <span id="cite_note-role_prompting_guide-6">↑ <sup>[6.0](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-role_prompting_guide_6-0)</sup> <sup>[6.1](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-role_prompting_guide_6-1)</sup> <sup>[6.2](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-role_prompting_guide_6-2)</sup> <sup>[6.3](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-role_prompting_guide_6-3)</sup> <sup>[6.4](https://systems-analysis.info/int/Role_Prompting_(UR)#cite_ref-role_prompting_guide_6-4)</sup> «Role Prompting: Guide LLMs with Persona-Based Tasks». *Learn Prompting*. <a href="https://learnprompting.org/docs/advanced/zero_shot/role_prompting" class="external autonumber" rel="nofollow">[5]</a></span>
7.  <span id="cite_note-shah2023_findings-7">[↑](https://systems-analysis.info/int/Role_Prompting_(UR)#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*. <a href="https://aclanthology.org/2024.findings-emnlp.969.pdf" class="external autonumber" rel="nofollow">[6]</a></span>