提示词进阶：角色设定和分步思考方法

同一个问题问 AI，答案时深时浅，差距多数出在提问方式上。角色设定和分步思考这两个技巧几乎零成本——不改工具、不装插件，改几句话就行。这篇讲清它们各自在解决什么问题、怎么写才具体、哪些任务上反而不要用。

角色设定到底在收窄什么

问「怎么改进这份文案」和问「你是一位有十年经验的品牌文案，请指出这份文案的三个问题」，答案质量完全不同。差别在于前者允许模型从任意角度回答——它会平均用力，每个方面都提一点，每个方面都不深；后者把回答的角度、标准和数量都钉死了。

所以角色设定的本质是收窄。模型的知识面太宽，不给约束时它倾向于给出「通用正确」的答案；给了角色，等于告诉它该用哪套标准来衡量。这一步省下的不是模型的算力，是你筛选答案的时间。

四个要素把角色写具体

一个能用的角色设定包含四部分。身份：谁在回答，比如资深编辑、财务顾问、面试官。对象：说给谁听，完全的小白、同行、还是要拍板的老板。关注点：重点看什么，成本、风险还是可执行性。输出要求：给几条、什么形式，三条以内、表格还是分点。四要素缺一个，答案就往「泛」的方向漂一格。

身份选得越贴近真实职业，用词和标准越对味：「十年经验的项目评审」比「专家」好，「带过五个人的小组长」比「管理者」好。对象的差别更明显：给小白讲要打比方，给同行讲要给术语和出处，两种口吻混在一起就会两头不讨好。

分步思考减少跳步出错

复杂问题最容易错在跳步。让它「先列出你判断时要看的三个维度，再按维度逐条分析，最后给结论」，相当于强迫它把推理摊开。每一步都摆在明面上，哪一步错了你一眼能看到；直接给结论时，错误藏在推理链里，你只能凭感觉怀疑。

这也是「思维链」的核心思路：把中间推理过程显式输出，模型在逐步写的过程中会自我校对，跳步导致的错误率会明显下降。对需要比较、权衡、排序的任务效果尤其明显——这类任务的错误大多出在漏看了一个维度，分步恰好治这个。

分步还有个副产品：可控。第一步列出的维度你不认可，可以在它进入第二步之前纠正，省得它按错误的框架写完三百字再重来。纠正框架的成本远低于重写全文。

两个技巧合起来用的模板

处理复杂任务时两招连用：「你是一位有十年经验的项目评审。请分三步分析我下面的方案：1）先列出你判断时要看的三个关键维度；2）按这三个维度逐条分析；3）最后给出值得做、需要修改或不建议的结论和理由。不要跳过第 1、2 步直接下结论。」身份锁定角度，分步锁定过程，结论自然落在最后。

模板可以换壳不换骨。换身份（面试官、采购、老师）、换维度数量（三到五个）、换结论形式（评分、排序、通过与否），骨架始终是「先定标准、再逐条过、最后下判断」。

任务类型适配对照

对照表的用法：先判断任务落在哪一行，再决定提示词里写不写身份和步骤，省掉「每次都加一堆设定」的无效动作。

哪些任务不用加戏

简单任务别加设定。问今天星期几、把一句话翻译成英文、查一个名词解释，加一堆角色只会让它绕弯子，回答变长但信息不变。判断标准很简单：答案需要专业判断或多方权衡的，用；只需要事实检索或格式转换的，不用。

分步也不是越多越好。步骤数超过五步，模型容易在中间环节自我纠缠，前面的设定到后面走样。三到五步是多数任务够用的区间，超过这个数，先想想任务本身能不能拆成两次对话。

提示词进阶速查

• 角色四要素：身份、对象、关注点、输出要求，缺一个答案泛一格
• 身份越贴近真实职业越对味，「十年经验的项目评审」优于「专家」
• 复杂任务要求先列维度再分析再结论，不许跳步
• 维度不对在第二步前纠正，省得全文重写
• 简单任务不加戏，三到五步是常用区间

三个没在上面出现的问题

• 角色设定会不会让它「演」过头，编造不存在的经验？：会。涉及具体数据、法规条文、行业内部做法时，追加一句「不确定的地方明确标注」，把虚构空间压到最小。
• 它列出的维度本身就不对怎么办？：直接改：「把第二个维度换成安全性，重新分析」。列维度这一步就是给你留的修改口。
• 同一段对话里换了任务，之前的角色还生效吗？：名义上生效但会稀释。换任务时重新声明一次身份和输出要求，比指望它记得住可靠。

提示词只是发挥模型能力的那一半，模型本身的差异也会影响答案质量。参数量 7B 和 70B 的差别解释了为什么同一套提示词在不同模型上效果不同；免费版和付费版的分界帮你在额度与能力之间做取舍；要求它分步输出后等待时间会变长，生成速度与 token 的关系说明了等待时间从哪里来；如果你在不同入口拿到过质量参差的答案，套壳应用的识别方法值得一读。