---
title: "Role Prompting"
source: "https://systems-analysis.info/wiki/Role_Prompting"
wiki: "systems-analysis.info/wiki"
article: "Role_Prompting"
language: "ru"
categories:
  - "Категория:Prompt инжиниринг"
  - "Категория:Russian"
  - "Категория:Большие языковые модели"
  - "Категория:Машинное обучение"
revision_id: 178
wiki_created_at: 2026-09-06T22:04:53Z
wiki_modified_at: 2026-09-06T22:04:53Z
downloaded_at: 2026-09-07T22:18:05Z
---

# Role Prompting

**Ролевое промптирование** (англ. *role prompting*), также известное как **персональное промптирование** (англ. *persona prompting*), — это приём в области промпт-инжиниринга для [больших языковых моделей (LLM)](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели"), при котором модели в явной форме назначается определённая роль, персона или экспертная идентичность перед выполнением задания<sup>[\[1\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-ibm_watsonx_guide-1)</sup>. Иными словами, в тексте запроса или системной инструкции прописывается, что модель — это, например, «учитель», «историк» или «пират», и таким образом задаётся стиль, тон и поведение генерируемого ответа<sup>[\[2\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-learnprompting_guide-2)</sup>.

Этот подход широко применяется в диалоговых системах. Например, стандартная системная подсказка ChatGPT «You are a helpful assistant» («Вы — полезный помощник») фактически задаёт базовую роль модели в общении<sup>[\[3\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-helpful_assistant_study-3)</sup>.

## Назначение и применение

Цель ролевого промптинга — направить модель на определённый стиль и фокус ответа, сделав его более уместным и контекстно соответствующим задаче. Назначение роли позволяет задать модели соответствующую тональность и словарный запас. Это особенно полезно в творческих и открытых задачах, где роль помогает сделать текст более живым и стилистически разнообразным<sup>[\[4\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-learnprompting_effective-4)</sup>.

Приём используется и в профессиональных сценариях. Например, чат-боту технической поддержки можно задать роль вежливого сервисного представителя, а в мультиагентных системах каждому агенту присваивается своя персона (например, «менеджер», «разработчик»), чтобы они эффективно сотрудничали<sup>[\[1\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-ibm_watsonx_guide-1)</sup>. Гибкость современных LLM позволяет им примерять практически любую роль — от вымышленного персонажа до узкого специалиста — и генерировать ответы, максимально соответствующие заданному образу<sup>[\[1\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-ibm_watsonx_guide-1)</sup>.

## Влияние на качество и точность

Вопрос об эффективности ролевого промптинга для улучшения объективной точности ответов остаётся предметом активных исследований, и результаты часто противоречивы.

### Противоречивые результаты

С одной стороны, существуют исследования, демонстрирующие улучшение результатов. Например, в работе Zheng и соавт. (2023) было обнаружено, что если роль модели тематически соответствует задаче, её производительность может возрасти<sup>[\[5\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-persona_double_edged-5)</sup>. В работе Kong и др. (2024) утверждается, что ролевое промптирование способно улучшить *zero-shot* рассуждение модели при удачном выборе персоны<sup>[\[5\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-persona_double_edged-5)</sup>.

С другой стороны, крупномасштабные исследования показывают более сложную картину. В систематическом эксперименте с 162 различными ролями не было выявлено существенного выигрыша в точности по сравнению с нейтральным сценарием<sup>[\[3\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-helpful_assistant_study-3)</sup>. Более того, в среднем роль-промпт даже **слегка снижал** точность ответов<sup>[\[3\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-helpful_assistant_study-3)</sup>.

Работа Kim и др. (2024) описывает ролевое вмешательство как «обоюдоострый меч»: эксперимент показал, что у модели GPT-4 с ролевой инструкцией часть вопросов решается верно, хотя без неё были ошибки (**≈15,8%** улучшения), но почти столь же большая доля задач, наоборот, «разрушается» ролью (**≈13,8%** ухудшения)<sup>[\[5\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-persona_double_edged-5)</sup>. Это подчёркивает, что добавление роли само по себе не гарантирует рост качества и может непредсказуемо влиять на поведение модели.

Несомненным достоинством ролевого промптинга является **контроль над стилем и форматом ответа**. Даже если для точности фактов роль не даёт прироста, она позволяет получать ответы заданной тональности (дружелюбной, официальной, наставнической), что делает ответы более связными и увлекательными для пользователя<sup>[\[4\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-learnprompting_effective-4)</sup>.

## Рекомендации по созданию ролей

Исследования дают ряд практических советов по эффективному применению ролевого промптинга:

- **Выбор роли**: Рекомендуется выбирать нейтральные социальные роли (например, «коллега», «наставник»), избегая чрезмерно интимных или узкоспециализированных амплуа<sup>[\[6\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-role_prompting_guide-6)</sup>.
- **Формулировка**: Роль лучше задавать напрямую от лица модели («Вы — Х»), а не через сложные воображаемые сценарии («Представьте, что вы...»). Прямое назначение персонажа доказывает большую эффективность<sup>[\[6\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-role_prompting_guide-6)</sup>.
- **Двухэтапный подход**: Для сложных запросов предлагается разделить задачу на два шага: сначала дать модели установку о её роли и контексте, и лишь затем задать основной вопрос. Это позволяет модели сначала «принять образ» и повышает стабильность результата<sup>[\[6\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-role_prompting_guide-6)</sup>.

## Ограничения и риски

Применение ролевого промптинга сопряжено с рядом системных рисков.

### Усиление стереотипов и предвзятости

LLM невольно перенимают укоренившиеся в обучающих данных стереотипы. Назначение роли, связанной с определённой профессией, гендером или национальностью, может активировать и усилить эти стереотипы в ответах<sup>[\[6\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-role_prompting_guide-6)</sup>. Исследование Gupta и коллег (2023) показало, что добавление социальных атрибутов (возраст, этничность) к роли может смещать вывод модели и значительно снижать точность рассуждений<sup>[\[5\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-persona_double_edged-5)</sup>. Другой анализ (Deshpande et al., 2023) выявил, что некоторые персональные образы ведут к повышенной токсичности генерируемых ответов<sup>[\[5\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-persona_double_edged-5)</sup>.

### Уязвимости безопасности

Злоумышленники могут использовать ролевой промптинг для обхода ограничений модерации (техника, известная как джейлбрейк). Исследования показали, что назначение особой персоны (например, персонажа без этических ограничений) облегчает подталкивание LLM к запрещённым действиям. Shah et al. (2023) успешно использовали кооперацию нескольких «ролевых» агентов для обхода ограничений модели, что демонстрирует системную уязвимость<sup>[\[7\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-shah2023_findings-7)</sup>.

Таким образом, назначая модели роль, важно учитывать возможные предубеждения и нежелательные эффекты, встроенные в эту роль, и применять данный метод осмотрительно<sup>[\[6\]](https://systems-analysis.info/wiki/Role_Prompting#cite_note-role_prompting_guide-6)</sup>.

## См. также

- [Основные приёмы Prompt Engineering](https://systems-analysis.info/wiki/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D0%BD%D1%8B%D0%B5_%D0%BF%D1%80%D0%B8%D1%91%D0%BC%D1%8B_Prompt_Engineering "Основные приёмы Prompt Engineering")
- [Chain-of-Thought Prompting](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting")
- [Generated Knowledge Prompting](https://systems-analysis.info/wiki/Generated_Knowledge_Prompting "Generated Knowledge Prompting")
- [Least-to-Most Prompting](https://systems-analysis.info/wiki/Least-to-Most_Prompting "Least-to-Most Prompting")
- [Meta Prompting](https://systems-analysis.info/wiki/Meta_Prompting "Meta Prompting")

## Ссылки

- <a href="https://learnprompting.org/docs/advanced/zero_shot/role_prompting" class="external text" rel="nofollow">Role Prompting: Guide LLMs with Persona-Based Tasks</a> — руководство по ролевому промптингу на Learn Prompting.
- <a href="https://www.ibm.com/think/tutorials/using-role-prompting-with-watsonx-and-granite" class="external text" rel="nofollow">Use role prompting with Watsonx and Granite</a> — практическое руководство 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*. <a href="https://arxiv.org/abs/2408.08631" class="external text" rel="nofollow">arXiv:2408.08631</a>.
- Kong, A. et al. (2023). *Better Zero-Shot Reasoning with Role-Play Prompting*. <a href="https://arxiv.org/abs/2308.07702" class="external text" rel="nofollow">arXiv:2308.07702</a>.
- 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*. <a href="https://arxiv.org/abs/2311.10054" class="external text" rel="nofollow">arXiv:2311.10054</a>.
- Shah, R. et al. (2023). *Scalable and Transferable Black-Box Jailbreaks for Language Models via Persona Modulation*. <a href="https://arxiv.org/abs/2311.03348" class="external text" rel="nofollow">arXiv:2311.03348</a>.
- Deshpande, P. et al. (2024). *Evaluating Persona-Prompted LLM Responses in Power-Disparate Health Communication*. <a href="https://arxiv.org/abs/2503.01532" class="external text" rel="nofollow">arXiv:2503.01532</a>.
- Xiong, F. et al. (2025). *The Influence of Persona Assignment on Stereotypes and Safeguards in Chinese Large Language Models*. <a href="https://arxiv.org/abs/2506.04975" class="external text" rel="nofollow">arXiv:2506.04975</a>.
- Li, Y. et al. (2025). *System Prompts as a Mechanism of Bias in Large Language Models*. <a href="https://arxiv.org/abs/2505.21091" class="external text" rel="nofollow">arXiv:2505.21091</a>.
- Wang, L. et al. (2025). *Persona-Assigned Large Language Models Exhibit Human-Like Bias and Toxicity*. <a href="https://arxiv.org/abs/2506.20020" class="external text" rel="nofollow">arXiv:2506.20020</a>.
- Grover, K. et al. (2023). *In-Context Impersonation Reveals Large Language Models’ Ability to Simulate Human Personas*. <a href="https://proceedings.neurips.cc/paper_files/paper/2023/file/e3fe7b34ba4f378df39cb12a97193f41-Paper-Conference.pdf" class="external text" rel="nofollow">PDF</a>.
- Verma, V. et al. (2024). *Systematic Survey of Prompt Engineering in Large Language Models*. <a href="https://arxiv.org/abs/2402.07927" class="external text" rel="nofollow">arXiv:2402.07927</a>.
- Gupta, S. et al. (2024). *Exploring the Impact of Personality Traits on LLM Bias and Toxicity*. <a href="https://arxiv.org/abs/2502.12566" class="external text" rel="nofollow">arXiv:2502.12566</a>.
- Safdari, M. et al. (2024). *LLMs are Vulnerable to Malicious Prompts Disguised as Scientific Language*. <a href="https://arxiv.org/abs/2501.14073" class="external text" rel="nofollow">arXiv:2501.14073</a>.

## Примечания

1.  <span id="cite_note-ibm_watsonx_guide-1">↑ <sup>[1,0](https://systems-analysis.info/wiki/Role_Prompting#cite_ref-ibm_watsonx_guide_1-0)</sup> <sup>[1,1](https://systems-analysis.info/wiki/Role_Prompting#cite_ref-ibm_watsonx_guide_1-1)</sup> <sup>[1,2](https://systems-analysis.info/wiki/Role_Prompting#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/wiki/Role_Prompting#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/wiki/Role_Prompting#cite_ref-helpful_assistant_study_3-0)</sup> <sup>[3,1](https://systems-analysis.info/wiki/Role_Prompting#cite_ref-helpful_assistant_study_3-1)</sup> <sup>[3,2](https://systems-analysis.info/wiki/Role_Prompting#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/wiki/Role_Prompting#cite_ref-learnprompting_effective_4-0)</sup> <sup>[4,1](https://systems-analysis.info/wiki/Role_Prompting#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/wiki/Role_Prompting#cite_ref-persona_double_edged_5-0)</sup> <sup>[5,1](https://systems-analysis.info/wiki/Role_Prompting#cite_ref-persona_double_edged_5-1)</sup> <sup>[5,2](https://systems-analysis.info/wiki/Role_Prompting#cite_ref-persona_double_edged_5-2)</sup> <sup>[5,3](https://systems-analysis.info/wiki/Role_Prompting#cite_ref-persona_double_edged_5-3)</sup> <sup>[5,4](https://systems-analysis.info/wiki/Role_Prompting#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/wiki/Role_Prompting#cite_ref-role_prompting_guide_6-0)</sup> <sup>[6,1](https://systems-analysis.info/wiki/Role_Prompting#cite_ref-role_prompting_guide_6-1)</sup> <sup>[6,2](https://systems-analysis.info/wiki/Role_Prompting#cite_ref-role_prompting_guide_6-2)</sup> <sup>[6,3](https://systems-analysis.info/wiki/Role_Prompting#cite_ref-role_prompting_guide_6-3)</sup> <sup>[6,4](https://systems-analysis.info/wiki/Role_Prompting#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/wiki/Role_Prompting#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>