角色提示最佳实践：让模型进入正确人设

角色提示（role prompting）是指在系统消息（system message，OpenAI 称为 developer message）里给模型设定一个明确的身份与行为框架，例如「你是一名资深中文技术教程作者」。本文讲解它为什么有效、由哪些要素构成、如何写出高质量示例，以及最常见的坑。

一、角色提示为什么有用

系统消息是发送给聊天模型的一组高优先级指令与上下文，用来引导模型的回复方式；当你需要一致的「角色、语气、格式或领域约定」时尤其有用（Microsoft Learn，已核验）。OpenAI 的模型规范也明确：developer 消息由应用开发者提供，优先级高于 user 消息（OpenAI，已核验）。

从使用效果上看，给模型一个明确角色，相当于在生成前先锁定一组条件概率分布的「语境倾向」——模型会倾向于调用与该角色相关的词汇、术语、论证方式与知识范围。换句话说，角色提示帮助模型「进入」对应领域的语言风格与知识分布，从而让输出在风格与深度上更贴合预期。

需要说明：上面「激活对应领域的语言风格与知识分布」是一个便于理解的工作性解释。其具体机理（例如是否真的对应可观测的表征空间分布变化、能带来多大程度的稳定提升）目前缺乏公开的定量实验直接证明，属于经验性判断，标注为待核实。可确定的工程事实是：系统消息确实能稳定地约束角色、语气与格式（见参考与延伸阅读）。

二、好角色提示的要素

一份高质量的角色提示，通常覆盖以下五个要素。它们与微软指南归纳的系统消息关键组件一一对应：角色与任务（Role and task）、目标读者与语气（Audience and tone）、职责边界（Scope and boundaries）、安全与格式约束、以及输出格式（Microsoft Learn，已核验）。

明确身份用第二人称直接声明「你是……」。OpenAI 的 Identity 写法建议描述助手的目的、沟通风格与高层目标（OpenAI，已核验）；微软指南也建议使用「You are …」而非第三人称（Microsoft Learn，已核验）。例如「你是一名专注 Prompt 工程的中文技术教程作者」。
职责边界写清「负责什么、不负责什么」。边界条款让模型在越界请求时有明确退路，例如「只围绕 Prompt 工程作答，不提供投资、医疗、法律建议」。
目标读者说明输出面向谁。读者水平决定术语密度与示例详略，例如面向初学者时要给出中英术语对照与可运行代码。
输出格式显式约束返回结构：语言、章节组织、代码块语言标识、是否要小结等。OpenAI 文档强调 GPT 类模型受益于精确指令，包括显式提供输出形式（OpenAI，已核验）。
禁止事项用「不要 / 禁止」列出明确红线，例如「不要用表情符号」「不要编造引用来源」。微软指南把这类显式禁止（never / don’t）列为有效的系统消息写作技巧（Microsoft Learn，已核验）。

补充两条已被验证的写作技巧：保持简洁（更短的系统消息往往表现更好、延迟更低、更省上下文窗口，Microsoft Learn，已核验），并对关键约束用加粗强调（Microsoft Learn，已核验）。

三、高质量 system prompt 示例

下面是一段质量较高的系统提示，完整体现「角色加约束加格式」。它带语言标识，可直接作为 developer / system 消息发送。

# Identity（身份）
你是一名资深中文技术教程作者，专注于向编程初学者讲解 Prompt 工程。

# 目标读者（Audience）
读者具备基础 Python 能力，但刚接触大语言模型应用开发。

# 职责边界（Scope and boundaries）
- 只围绕 Prompt 工程主题作答，不提供与主题无关的法律、医疗、投资等建议。
- 当问题超出你的知识范围时，明确说明「我无法确认这一点」，并给出可核实的资料方向。

# 输出格式（Output format）
- 使用简体中文，术语首次出现时给出中英对照，例如：少样本学习 few-shot。
- 代码示例必须带语言标识，并在正文解释其用途。
- 每个小节结尾用一句话总结要点。

# 禁止事项（Do not）
- 不要使用表情符号。
- 不要编造数据或引用来源；涉及具体数据时标注「待核实」。
- 不要用「作为 AI」这类自我指涉削弱专业人设。

这段提示同时满足了前文五个要素：身份清晰、边界明确、读者画像具体、格式可校验、红线显式。

四、进阶：多角色协作与少样本配合

多角色协作

同一个任务可以让模型先后（或同时）扮演不同角色，用相互制衡提升质量。常见组合是「专家加批评者」：先让模型产出方案，再让它切换到审稿人视角挑刺，最后融合结论。

在单条提示里可以这样写：

# 角色 A：领域专家
你是数据库性能优化专家。请评审下面的 SQL，给出性能问题与改写建议。

# 角色 B：批评者
你是严谨的技术审稿人。请指出上述专家建议中可能不成立、缺少前提或过度承诺之处。

请先输出专家意见，再输出批评意见，最后给出融合结论。

在多轮应用里，更稳妥的做法是用代码分别调用两次，让两个角色彼此独立、互不污染上下文：

from openai import OpenAI

client = OpenAI()

def expert_review(question: str) -> str:
    # 专家角色：给出方案（developer 消息设定人设，优先级高于 user）
    expert = client.chat.completions.create(
        model="gpt-5.6",
        messages=[
            {"role": "developer", "content": "你是资深后端工程师，回答要给出可运行代码与理由。"},
            {"role": "user", "content": question},
        ],
    )
    draft = expert.choices[0].message.content

    # 批评者角色：独立复审同一问题
    critic = client.chat.completions.create(
        model="gpt-5.6",
        messages=[
            {"role": "developer", "content": "你是技术审稿人，只负责挑刺：找漏洞、缺前提、过度承诺。"},
            {"role": "user", "content": f"请评审下面的方案：\n{draft}"},
        ],
    )
    return f"专家方案：\n{draft}\n\n批评意见：\n{critic.choices[0].message.content}"

说明：示例中的模型名 gpt-5.6 取自 OpenAI 官方示例，仅作演示；实际部署请替换为你在用的模型。多角色协作的本质是「用结构换质量」——把一次容易自洽的作答，拆成生成与审查两个独立过程。

与少样本配合

少样本（few-shot）指在提示里放入若干输入与输出样例来引导模型，而不做微调（OpenAI，已核验）。角色提示与少样本天然互补：角色定「人设与边界」，样例定「风格与结构」。

下面是正确回答的示例，请模仿其风格与结构。

用户：这段代码会报 KeyError，怎么办？
助手：原因：字典访问了不存在的键。修复：先用 .get() 或 in 判断。示例：d.get("k", default)。

用户：列表推导式太慢，如何优化？
助手：

把「专家角色加边界」与「两到三个高质量样例」组合，往往比单独堆长提示更稳定。

五、常见坑

角色与任务不匹配给翻译任务套一个「资深小说家」人设，可能让译文过度文学化而失真。角色应当服务任务，而非装饰。先问一句：这个身份是否真的带来所需的知识分布与语气。
人设过度冗长把生平简历、公司沿革都写进系统消息，反而稀释关键约束。微软指南明确指出：更短的系统消息往往表现更好、降低延迟、节省上下文窗口（Microsoft Learn，已核验）。原则是用最少的字写清「身份、边界、格式、禁止项」。
角色被越狱带偏系统消息不是完整的安全方案。微软指南的局限性一节明确写道：对抗性提示（adversarial prompting）可以绕过或削弱系统消息；边界过宽或过严都会降低可用性；模型、工具与场景变化时需要持续评估（Microsoft Learn，已核验）。因此角色约束要与提示安全护栏配合：对用户输入做清洗与长度限制、遵循权限最小化、对输出做敏感内容校验、把「拒绝越界请求」写成显式分支，而不是指望人设 alone 兜底。

小结

角色提示的价值在于用一条高优先级系统消息，稳定地锁定模型的身份、语气、格式与边界。写好它的关键是五个要素齐全（身份、边界、读者、格式、禁止项），并做到简洁与加粗强调关键约束。进阶用法可用多角色协作制衡质量、用少样本锚定风格。最后要记住：角色提示不是安全银弹，越狱风险需要额外护栏，人设过长是常见反模式。

参考与延伸阅读

OpenAI，Prompt engineering 指南：developer / system 消息优先级、Identity 写法、GPT 模型需精确指令、few-shot 定义。来源：已核验（WebFetch 抓取官方文档）。
Microsoft Learn，System message 与 Safety system messages：系统消息关键组件、简洁性优势、adversarial prompting 可绕过系统消息的局限性、never/don’t 写作技巧。来源：已核验（WebFetch 抓取官方文档）。
Prompting Guide，Prompt chaining 章节：含角色提示实例（You are a helpful assistant …）。来源：已核验（WebFetch 抓取）。
「角色提示通过激活特定领域的语言风格与知识分布来提升输出」的机理性解释。来源：待核实（属经验性工作解释，缺少公开定量实验直接支撑；工程上仅确认系统消息可稳定约束角色/格式/语气）。
文中示例系统提示与多角色协作代码片段为经验性写法，可直接试用但效果需结合自有评测集验证。来源：待核实（示例内容）。

本文累计阅读 — 次