Role Prompting — 角色提示

角色提示（Role Prompting），也称为人格提示（Persona Prompting），是大型语言模型（LLM）提示工程领域的一种技术，它在执行任务前为模型明确指定一个特定的角色、人格或专家身份。换句话说，在提示或系统指令的文本中，会明确指出模型扮演的角色，例如“老师”、“历史学家”或“海盗”，从而设定生成回应的风格、语气和行为。

这种方法广泛应用于对话系统中。例如，ChatGPT的标准系统提示“You are a helpful assistant”（“你是一个有用的助手”）实际上就为模型在交流中设定了一个基础角色。

目的与应用

角色提示的目标是引导模型采用特定的风格和重点进行回应，使其更贴合任务情境。指定角色可以为模型设定相应的语调和词汇。这在创造性和开放性任务中尤其有用，因为角色有助于使文本更生动、风格更多样。

该技术也用于专业场景。例如，可以为技术支持聊天机器人设定一个礼貌的客服代表角色，而在多智能体系统中，可以为每个智能体分配不同的人格（如“经理”、“开发人员”），以便它们有效协作。现代LLM的灵活性使其能够扮演几乎任何角色——从虚构人物到特定领域的专家——并生成与所定形象高度一致的回应。

对质量与准确性的影响

关于角色提示在提高回答客观准确性方面的有效性，目前仍是活跃的研究课题，其结果常常相互矛盾。

矛盾的研究结果

一方面，有研究表明角色提示可以改善结果。例如，Zheng等人（2023）的研究发现，如果模型扮演的角色与任务主题相关，其性能可能会提升。Kong等人（2024）的研究则指出，如果人格选择得当，角色提示能够改善模型的zero-shot推理能力。

另一方面，大规模研究揭示了更复杂的情况。一项涉及162个不同角色的系统性实验表明，与中性场景相比，角色提示在准确性上并未带来显著优势。更有甚者，平均而言，角色提示甚至会略微降低回答的准确性。

Kim等人（2024）的研究将角色干预描述为一把“双刃剑”：实验表明，对于GPT-4模型，使用角色指令后，一部分原先回答错误的问题得到了正确解决（约15.8%的提升），但几乎同样多的任务反而被角色“破坏”（约13.8%的恶化）。这突显了添加角色本身并不能保证质量提升，并可能对模型行为产生不可预测的影响。

角色提示的一个毋庸置疑的优点是对回答风格和格式的控制。即使角色对事实准确性没有提升，它也能让回答具有指定的语调（如友好、正式、指导性），从而使用户体验更具连贯性和吸引力。

角色创建建议

相关研究为有效应用角色提示提供了一些实用建议：

• 角色选择：建议选择中性的社会角色（如“同事”、“导师”），避免过于亲密或专业性过强的角色。
• 表述方式：最好直接以模型的口吻指定角色（“你是一个X”），而不是通过复杂的想象场景（“想象你是一个……”）。直接指定角色的方式已被证明更有效。
• 两步法：对于复杂请求，建议将任务分为两步：首先向模型说明其角色和背景，然后再提出主要问题。这能让模型先“进入角色”，从而提高结果的稳定性。

限制与风险

角色提示的应用伴随着一系列系统性风险。

加剧刻板印象与偏见

LLM会无意中采纳训练数据中根深蒂固的刻板印象。指定与特定职业、性别或国籍相关的角色，可能会在回答中激活并强化这些刻板印象。Gupta及其同事（2023）的研究表明，为角色添加社会属性（年龄、种族）可能会使模型输出产生偏移，并显著降低其推理准确性。另一项分析（Deshpande et al., 2023）发现，某些人格形象会导致生成回答的毒性增加。

安全漏洞

攻击者可能利用角色提示来绕过内容审核限制（这种技术被称为“越狱”[jailbreak]）。研究表明，指定特殊人格（例如，没有道德约束的角色）能更容易地诱导LLM执行被禁止的行为。Shah等人（2023）成功利用多个“角色”智能体的协作来规避模型限制，这揭示了一种系统性漏洞。

因此，在为模型指定角色时，必须考虑到该角色可能内含的偏见和不良影响，并谨慎使用此方法。

链接

• Role Prompting: Guide LLMs with Persona-Based Tasks — Learn Prompting 网站上的角色提示指南。
• Use role prompting with Watsonx and Granite — IBM 提供的实践指南。

参考文献

• 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.