什么是角色提示法？为什么大家突然都在用？
角色提示法（Role Prompting）是指在提示开头加入身份指令，例如「你是一位资深律师」或「请以高级文案的身份回答」，再向模型下达任务。其原理是透过一个熟悉的职业身份，将模型输出的语气、用词与推理风格往某个特定方向拉。
这个技巧之所以爆红，是因为早期 ChatGPT 社群发现「你是普立兹新闻奖得主」这类提示，能立即让输出质量明显提升。它简单、容易复制贴上，也让人有种找到捷径的快感。到了 2025 年，几乎所有网上流传的提示模板都会以一句角色设定开场。
问题在于：当这个技巧被广泛采用时，并没有人对它做过严格的测试。所有人都假设它一定有效。2026 年公开发表的研究指出，事实要复杂得多，而误用角色提示，反而会在你最需要精准的任务上拖低正确率。
角色提示法在什么情况下真的有效？
2026 年 PromptHub 针对八类任务进行测试，发现角色提示在五类任务中提升了表现：抽取（+0.65）、STEM 解释（+0.60）、需要结构化框架的推理（+0.40）、注重风格适配的写作，以及角色扮演本身就是输出目标的任务。
规律十分清晰：角色提示在「对齐型任务」上获胜。也就是说，当输出的好坏主要取决于语气、语境、受众意识或风格一致性时，角色提示就能发挥作用。
例如，当你要求模型「为裁员主题撰写一则语气温和的 LinkedIn 帖文」，加入「你是一位富同理心的传讯总监」这句设定，能让模型在语气校准上明显比没有角色设定时更精准。模型把这个角色当作一个「风格指南针」，输出的确会更贴近你想要的调性。
这也是为什么角色提示在翻译、客服回复草稿、Podcast 讲稿、品牌口吻撰写上特别有用。角色在这些任务中扮演的是语气滤镜，不是事实滤镜。
「你是专家」何时会让 AI 表现变差？
同一份 2026 年研究发现，「专家角色」在三类任务中持续拖低表现：数学、写程式，以及需要严格事实检索的任务。The Register 在 2026 年 3 月以一句话总结这个发现：告诉 AI「你是专家」，往往让它变得更差，而不是更好。
原因是什么？角色设定不会为模型增加任何知识，它只会改变模型生成下一个 token 的机率分布。对于依赖预训练知识的任务而言，这个分布偏移可能将模型从精准的事实区拉走，反而推向「人类专家常见的冗长、保守语气」那一带。
最常见的失败例子，是有人在计算题前加上「你是一位资深会计师」。模型输出变得更长、语气更谨慎，但底层的算术反而错得更频繁，因为角色把输出推向了叙事式推理，而不是数字精准度。
同样的问题也会出现在写程式提示上。「你是一位资深软件工程师」往往让模型加上多余的抽象层、注解与解释文字，而这些额外内容反而引入细微的 bug。干净的结果通常来自直接指令：「请用 Python 写一个函式达成 X，只回传程式码。」
2026 年如何正确使用角色提示？
把角色提示当作条件性工具，不要当作预设设定。当风格与语气才是质量关键时使用它；当准确度才是质量关键时，请删掉它。一个简单法则：如果你判断输出好坏主要靠「听起来对不对」，加角色；如果你判断输出好坏主要靠「答案对不对」，不加角色。
下指令前先问自己一个问题：这个任务「好的输出」长什么样？答案是「语气对」就用角色；答案是「事实对」就改用直接指令。
对于混合型任务，请拆分提示。把角色用在框架设定或重写步骤，把干净指令用在计算或抽取步骤。大多数实践者透过拆成两个提示串接，会比把角色硬塞进单一提示中得到更好的结果。
还有一个进阶技巧：用具体成果取代笼统头衔。「你是一位市场营销人员」远远不如「请撰写一段 100 字产品描述，重点突出耐用性与 14 天退换货政策」来得有效。具体成果比任何头衔更能定位模型。
什么样的角色提示才算写得好？
2026 年表现最佳的角色提示，会具体写出三件事：是谁、为谁写、怎么写。笼统的角色之所以失败，是因为模型没有具体可锚定的线索。具体角色加上受众与限制条件，表现一致地优于笼统角色。
以下是一个可直接复制使用的模板，你今天就可以拿来应用在任何以语气为重的写作任务上。把方括号内容换成你自己的情境，贴进 Claude、ChatGPT 或 Gemini 即可。
立即试用这个提示：
你是一位 [具体角色加一个关键特质，例如「常驻香港、为 B2B SaaS 客户撰文的内容行销人」]。你的读者是 [具体受众，例如「50 至 200 人公司中的营运经理」]。读完后读者应该感觉 [目标情绪，例如「获得有用信息，对自己一直忽略的问题开始感到轻微不安」]。
请撰写 [具体交付物，例如「一则 150 字的 LinkedIn 帖文」]，主题是 [主题]。语气 [风格，例如「直接、平等、不要企业套话」]。内容必须包含 [具体要素，例如「一个真实案例与一个对读者的短问题」]。请避免 [常见失败模式，例如「行业术语、英文破折号，以及任何「在当今的数位时代」式开场」]。
若你正在处理结构化资料或数字，请删掉角色，改用以下指令：「请从以下文字中抽取以下栏位：[栏位列表]。以 JSON 回传。若某栏位不存在，请回传 null。不要加任何说明。」
使用角色提示时，最常见的错误是什么？
最常见的错误是「堆叠角色」。实践者常写「你是一位资深、得奖、业内权威顾问」，以为头衔越多输出越好。实际测试却发现，这类提示一致产出更含糊、更爱打太极的回答，因为模型在多个角色之间取平均，反而没有一个明确立场。
第二个错误是把角色用在事实检索任务上。如果你问「2026 年香港 GST 税率是多少？」并在前面加「你是税务专家」，得到的只是一个更长、更谨慎、却不会更准确的答案。把角色删掉，模型反而能给出更干净、更有信心的回答。
第三个错误是忘了角色设定在长对话中会逐渐失效。10 至 15 轮对话之后，模型会慢慢漂回它的预设语气，无论你开头设定得多仔细。如果你会进行长时间对话，请每几轮重申一次角色，或改用系统提示、Projects 功能等持久性设定。
第四个错误是直接照抄社交媒体上的「神级提示」而不测试。许多疯传的角色模板在原始示例上有效，但换到相邻任务就失灵。任何角色设定，请先在三至五个不同输入上测试，再决定是否纳入你的常用工作流程。
把这些观念整合起来
角色提示是一个有真实效果、也有真实代价的技术。2026 年的研究把它重新定位为条件性工具：在写作、语气、角色扮演任务上强大；在数学、写程式、事实检索任务上反而有害。在 2026 年走在前面的实践者，不是拥有最长角色堆叠的人，而是知道何时该用角色、何时该写一句干净直接指令的人。
更深层的转变，是把提示工程当作一种决策行为，而不是某种神秘咒语。提示中每多一行，都同时带来成本与效益，最强的工作流程，是没有任何多余指令的工作流程。
懂AI的冷，更懂你的难 — UD 同行28年，让科技成为有温度的陪伴。如果你准备离开复制贴上提示的阶段，开始为团队建立可重复、可信任的 AI 工作流程，UD 在这方面已经陪伴香港企业走过 28 年。
测试你的 AI 提示功力到哪里
知道何时该用哪种提示技巧，就是中阶 AI 用户与真正进阶用户之间的分水岭。透过 UD 推出的 AI IQ 测试，快速量度你目前的提示能力位于哪个层级。完成测试后，UD 团队手把手带你完成每一步，从个人提示优化到团队工作流程设计，全程陪你走完。
