角色设定改变的是输出空间

给 AI 加一句「你是一位有十年经验的编辑」，很多人以为这是在让它变专业。实际发生的是：这句话收窄了输出的词汇、视角与详略。角色是一组隐含约束，它决定了模型倾向用什么词、从谁的角度说话、说到多细。理解这一点，就知道角色设定什么时候有用——当你要的正是这种约束时；也知道什么时候是负担——当你真正缺的是信息而不是口吻时。

有用的三种情况

第一种是读者适配。同一份内容给新手和给专家，写法完全不同，角色能一次性把视角定住，省掉反复修改的功夫。第二种是评审视角。让模型站在审稿人、质检、客户的位置读一遍，比让它笼统地「再检查一下」更容易发现问题，因为视角决定了它关注什么。第三种是产出标准。角色往往自带行业惯例，能顺带把格式、术语、语气拉齐，减少格式类返工。

没用的三种情况

第一种是事实查询。角色不提供额外知识，写成专家也不会让错误变对，反而可能让错误说得更像真的。第二种是计算与推理。身份不影响算得对不对。第三种是需要你拍板的取舍。让模型扮演决策者，它给出的仍然是通用倾向，并不掌握你的约束条件。三种情况的共同点是：缺的是信息或判断，不是口吻。

角色写得越细越好吗

不是。过度设定有两个代价。一是占用上下文，把真正重要的任务描述挤到后面，模型抓错重点；二是容易诱发编造——你写「你是某公司资深法务」，它可能顺着这个身份编出并不存在的经验、条款和案例。有效的角色通常一两句话，写清视角、受众、产出标准三件事就够，不需要编背景故事，更不需要给角色起名字、写简历。

一个有效角色的三要素

一是视角：从谁的立场看这件事。二是受众：产出给谁读，决定用词深浅与解释密度。三是标准：什么样的产出算合格，比如必须给依据、必须标出不确定的地方、必须控制在多少字以内。三样写全，角色才有约束力；只写「你是专家」，等于什么都没写，因为专家这个词对输出几乎不构成约束。

一个对照实验

同一个问题「这段产品介绍有什么问题」，三种设定：不加角色；加一句「你是资深编辑」；加一句「你是第一次听说这个产品的普通买家，只关心三件事——这东西干什么、适不适合我、有没有坑」。前两种的回答结构相似，都是笼统评价，诸如信息不完整、缺乏说服力；第三种直接指出「看完不知道适用人群」「参数没有解释」。差别不在专业程度，而在视角是否具体。

角色与提示词怎么配合

角色负责视角，提示词负责任务。顺序上先写任务，再补角色，最后加约束。很多人反过来，先堆一大段身份描述，任务只剩一句「帮我写一下」，结果输出看着专业却不解决问题。检查方法很简单：把角色那句删掉，任务是否仍然清楚。如果删掉之后看不懂要做什么，说明任务本身没写清，补角色也救不回来。

容易走偏的地方

一是把角色当成质量开关，越堆越长；二是用角色替代事实核对；三是让模型扮演它无法验证的身份并据此采信建议；四是在同一轮对话里给互相互斥的角色，输出会左右摇摆；五是忽略角色对风格的副作用，某些角色会让文字变得过分正式，反而离读者更远。五个问题的共同点是把角色当成了能力，而它只是约束。

局限声明

角色设定的效果与模型、任务类型、上下文长度都有关，本文给的是通用判断而非效果承诺。涉及医疗、法律、财务等专业领域的输出，请以有资质人员的意见为准，本文不构成对任何专业判断的替代。