什么是角色提示 Role Prompt：让 AI 换个身份答题真的更准吗

「第二教育网」是一个专注于优质教育资源导航与学习方法分享的第三方平台。本文将从方法、工具与实操几个角度，帮你把这件事一次看明白。

角色提示（Role Prompt）就是在提问时先给模型一个身份或视角，比如请你扮演一位带过多年毕业班的物理老师，再让它作答。它能明显改变回答的口吻、详略和讲解顺序，但并不会真正补上模型不会的知识。搞清楚这两条，才能用对。

角色提示到底改变了什么

改变最多的是语气和站位：口语化还是书面、站在考试得分还是概念理解、先讲结论还是先铺垫。当身份与任务匹配时，模型更容易调用到相应的表达习惯，讲解也更像人话。这属于表达风格层面的增益，不是能力上限的突破。

用得对的两个场景

• 讲解类：让模型用小学生能听懂的话解释一个概念，或按中考阅卷习惯讲题。
• 批改类：让它以批改老师的身份，只挑出不合评分点的地方。

三个常见误用

• 给的角色与任务无关，让它当诗人去解一元二次方程，只会更飘。
• 把不会的内容寄希望于身份，以为换个角色模型就真的懂了，这是最大的误区。
• 身份写得太宏大，比如顶级专家，模型可能据此过度自信地给出武断结论。

怎么配一句好用的角色句

建议写成「身份加受众加输出偏好」三件套：你是带过初中毕业班的物理老师，面对的是基础薄弱的学生，请用两句话讲清一个易错点，再给一道同类小题。身份负责定位，受众决定深浅，偏好控制长度。

快速自测

• 同一道题分别用角色句和纯指令问，对比哪版更适合抄。
• 把受众从初二换成初三，输出深浅是否随之变化。
• 去掉身份句，错误率会不会明显回升。

一句话总结：角色提示调的是说话的人，不是脑子里的本事。想让它答得准，靠的是给足资料和说清任务，而不是换一个更响亮的头衔。

实战里还有一招：把角色和验收标准一起写，例如你是一位批改严格的老师，输出里必须给出可对照的评分点，只挑最关键的两处。这样既保留角色的表达优势，又不至于让它只剩下腔调而拿不出内容。