角色提示：人设与“扮演”类提示词

角色提示的意思是，在告诉模型做什么之前，先告诉它要扮演谁：“你是一位耐心的数学辅导老师”“请扮演初级开发岗位的招聘经理”。角色会改变回答写给谁看、用什么词、讲多深，以及关注什么。它不会给模型增加原本没有的知识：角色是引导回答的方法，而不是补充事实的方法。

角色能改变什么

角色是一种一次设定好几件事的简洁方式：

• 读者和用词。 面向初学者的辅导老师会解释术语、使用类比；写给同行看的资深工程师则两者都会省略。
• 标准。 一位严格的编辑会挑出友善的读者会放过的句子。角色决定了什么算问题。
• 侧重点。 安全审查者和性能审查者读同一个函数，注意到的东西完全不同。
• 行为。 面试官会提问并等待回答；辅导老师可以被要求给提示，而不是直接给答案。

在下面三个标签页之间切换。每个标签页的任务完全相同，只有角色不同。

没有角色模糊的角色具体的角色

EditCopy

PartsTask

Task

用不超过 100 字解释什么是 API。

Try it

Example replyReplies vary between models and runs.

API（应用程序编程接口）是一套让一个软件和另一个软件对话的规则。它规定了你可以发出哪些请求、怎么发出，以及会得到什么返回。例如，天气应用会通过天气服务的 API 获取天气预报。有了 API，开发者无需了解其他系统的内部原理，就能使用它们的功能和数据。

“你是一位专家”几乎没有改变回答：它保持了同样笼统的结构，只是多了些术语，因为“专家”这个词完全没有说明谁在读。具体的角色则改变了用词、例子和参照点，因为它点明了读者，以及这位读者已经知道的东西。

角色不能改变什么

角色无法增加知识。如果模型从没学过今年的税务规定，“你是世界一流的税务律师”并不能让它知道这些规定；一个自信的人设反而会让错误的答案听起来更权威。别指望专家标签能提高准确性。如果正确性很重要，就把模型需要的事实或文档给它，并要求它在不确定时说出来；AI 幻觉介绍了一些有帮助的提示词。

对真实的人物也是一样。“像某位著名程序员那样回答”只能得到对这个人公开风格的模仿。模型并不知道他的私人观点，所以它用他的口吻对一个新问题说的任何话，都是编出来的。

写出具体的角色

一个有用的角色通常会写明四件事：职业、读者、目标和标准。对比一下：

• “你是一位作家”变成“你是一个技术博客的编辑，会删掉任何无助于初学者跟上步骤的句子。”
• “你是一名程序员”变成“你是一位资深 Python 开发者，正在审查初级同事的合并请求。先指出 bug，再指出可读性问题，并解释每一点，让他能从中学到东西。”完整的审查提示词见代码审查提示词。
• “请扮演一位老师”变成“请扮演一位化学老师，正在帮一个 15 岁的学生备考。向我提问而不是直接给答案，我答错时给我一个提示。”

角色只是提示词的一部分，而不是全部。它需要与清晰的任务、模型猜不到的上下文以及你想要的回答形式配合使用；提示词写作指南讲了其他几个部分。如果角色和任务方向相反，比如让“一位严格的审查者”去“安慰作者”，回复会试图两者兼顾，结果往往哪个都做不好。

用“扮演”类提示词来练习

“扮演”这种写法是随着网上流传的提示词合集流行起来的，模型在其中扮演求职面试官、语言陪练，甚至一个 Linux 终端。角色扮演适合任何你想预演的场景：面试、一次艰难的谈话、一场演讲、一门新语言。

角色扮演是顺利进行还是乱成一团，区别在于规则。告诉这个角色每一轮该做什么、什么时候等你、什么时候停下。没有这些规则，模型可能会在一个回复里把整场练习都做完：一次抛出五个问题，或者提一个问题再附上参考答案。

模拟求职面试

EditCopy

Fill in岗位主题

请扮演一位正在招聘初级前端开发者的面试官。每次只问我一个关于JavaScript 和 CSS的问题，然后等我回答。每次我回答后，给出两句话的反馈，再问下一个问题。由易到难。问完五个问题后停下，给我一个整体评价，并指出我最需要练习的一点。

Try it

Example replyReplies vary between models and runs.

好的，我们开始吧。先从一个基础问题问起。

问题 1： 在 JavaScript 中，let、const 和 var 有什么区别？

不用着急，就像在真实面试中那样回答。

把岗位和主题换成你自己的，就能预演你的面试。“等我回答”这一句让模型每一轮只问一个问题，“问完五个问题后停下”则让这场练习有了结尾和总结。

角色放在哪里

希望每个回复都遵循的角色，应该放在系统提示词里：API 中的 system 字段，或者聊天应用中的自定义指令和项目指令。放在那里，它会作用于整个对话，无需重复。如果只是一次性的请求，就把角色写在消息的第一句，放在任务之前。

import anthropic

client = anthropic.Anthropic()
MODEL = "your-model-id"  # e.g. from your provider's model list

message = client.messages.create(
    model=MODEL,
    max_tokens=500,
    system="You are a patient programming tutor for adults in their first month of coding. Give hints before full solutions.",
    messages=[{"role": "user", "content": "Why does my loop print the last item twice?"}],
)
print(message.content[0].text)

角色在对话中途也能用。模型写出初稿之后，让它“现在扮演一位持怀疑态度的审稿人，审读上面的初稿，列出它最薄弱的三点”，常常能发现第一遍没顾及的问题，因为新的角色改变了模型要找的东西。