提示詞框裡打進「你是一位資深行銷總監，請幫我規劃這次的產品行銷企劃」這句話，你原本期待接下來跳出來的是一份看得出十幾年經驗鋪陳出來的行銷企劃，結果畫面上出現的，卻是隨便換個產業名稱都能套用的通用架構：市場分析、目標客群、傳播策略、成效追蹤，四平八穩，卻感覺不出這位「資深總監」懂什麼別人不懂的東西。
於是不少人把頭銜加重一點，「資深行銷總監」改成「擁有二十年經驗的頂尖行銷總監」，或者把角色描述寫得更長，期待這樣總監會更投入角色。可是輸出品質往往沒什麼變化，有時候反而更像套了一層話術的空殼。這就是提示詞角色設定（persona prompting）常被忽略的另一面。這招不是打了就一定有效，它有失靈的時候，失靈之後也有具體可以照著改的寫法。
先從這個技巧原本設計要解決什麼問題講起，再往下拆它什麼時候會失靈、又該怎麼修。
角色設定提示詞是什麼？
角色設定提示詞（persona prompting）指的是在提示詞一開頭，先指定 AI 要扮演的身分，像「你是一位資深行銷總監」「你是一名資深工程師」這類句子，目的是讓輸出的語氣、風格、切入角度貼近那個身分會有的表達方式。這個做法在提示詞工程領域甚至有正式的名字。美國范德堡大學（Vanderbilt University）的 White 等人，在整理提示詞模式目錄的研究中，把這種下法正式命名為角色模式（Persona Pattern），其結構可以濃縮成兩句話：讓 AI 扮演某個角色、並產出那個角色會產出的東西。
這個技巧會被廣泛使用不是沒有原因。操作門檻低，寫一句話就能上手，幾乎是所有提示詞教學的第一課，比起要拆解任務脈絡、設計多輪對話，單句角色標籤直覺又好記。只是多數人實際使用的方式，幾乎都停在最陽春的版本，掛一個頭銜當標籤，句子就結束了。這正是後面要拆的失靈起點。
角色設定為什麼會失靈？
角色標籤本身不會替 AI 注入任何新知識。如果 AI 真的懂某個領域，那份知識是訓練資料裡本來就存在的；如果它不懂，掛一個「資深」「頂尖」的頭銜，也沒辦法讓它擁有訓練資料裡本來沒有的專業能力。真正決定角色設定有沒有用的關鍵，是任務類型，不是角色寫得夠不夠用力。
美國南加州大學（University of Southern California）的 Hu、Rostami、Thomason（2026）針對這個現象做了一份系統性研究。他們讓多個大型語言模型，分別在加了角色設定與沒加角色設定的情況下，接受一種涵蓋大量學科、專門測驗事實知識的標準測驗 MMLU。結果分成三種：不加角色設定時，基準準確率是 71.6%；加上簡短的角色設定後，準確率掉到 68.0%；換成描述更詳細的角色設定，準確率進一步掉到 66.3%，角色描述寫得越詳細，對事實知識的傷害反而越大。
同一份研究另外測試了八類任務，結果分成兩邊：寫作、角色扮演、結構化的推理任務、資訊萃取、理工科目這五類，加上角色設定後表現進步；數學計算、寫程式，以及仰賴記憶背誦具體知識的人文類任務，這三類則因為角色設定而退步。
研究提出的解釋是，角色設定的前綴會啟動模型「照著角色的語氣與格式表現」這條路徑，而這條路徑會分走原本該用來做事實檢索、邏輯推理的注意力。也就是說，同一句「你是一位資深行銷總監」，拿來要一份風格到位的企劃書會有幫助，拿去要一組精確的數字或嚴謹的推導卻可能扣分，差別不在角色寫得用不用力，而在這次任務本身屬於哪一種。
答案看起來更專業，其實可能更不準
前面拆解的失靈原因，其實還會帶出另一個更麻煩的問題。角色設定讓 AI 的語氣與格式更貼近「專家會講的話」，讀起來更有說服力，可是這種「讀起來更專業」，跟「內容是不是正確」根本是兩件事，甚至可能是負相關。上一節那份研究測到的角色設定效益，強化的正是語氣、格式、指令遵循這類表現訊號，而不是事實正確性，兩者很容易被讀者混為一談。
如果把角色設定用在需要查核事實、算數字、抓邏輯的工作上，真正的風險在於輸出讀起來很有自信，反而讓人放鬆了查證，把一個包裝得更好看的錯誤答案當真。這個風險在商業文件、數據分析、內容行銷的產出查核流程裡特別容易被忽略。比起「AI 給的答案很普通」，這種「答案讀起來完全不像有問題，但其實有問題」的狀態，才是這個用法習慣如果不修正，最容易讓人吃虧的地方。
修法一：把「一句話角色」寫成情境化角色
單句角色標籤失靈，通常不是角色選錯了，是資訊量不夠。「你是一位資深行銷總監」這句話裡，唯一具體的東西只有「行銷總監」這個頭銜，至於這位總監現在面對什麼案子、要說服誰、卡在哪個環節，全部都沒交代。第一個修法，是把這句單薄的角色標籤，升級成帶著具體任務脈絡的情境化角色，除了角色本身，還要把這個角色現在面對什麼情況、服務對象是誰、要解決什麼問題一併寫進提示詞。
用一組前後對照可以看出差異有多大。原本的寫法只有角色標籤，沒有任何脈絡。
你是行銷專家，請幫我規劃行銷企劃。Code language: plaintext (plaintext)情境化之後，同樣是「行銷專家」這個角色，提示詞裡多補了公司背景、客群輪廓、要達成的具體目的。
你正在為一家做外銷家具的中小企業寫年度提案，這家公司過去兩年營收下滑，客戶多為熟齡族群，這次要說服老闆加預算做社群經營。Code language: plaintext (plaintext)AI 能拿來對齊輸出的線索，一下子多了好幾個維度。要注意的是，多補脈絡不等於隨便把角色背景故事寫長，補進去的每一句都要跟這次任務直接相關；寫一段跟這次企劃完全無關的公司沿革或創辦故事，不會讓輸出更準，只是徒增字數。
情境化角色跟單句角色，AI 給的答案有什麼不同？
具體、貼近任務領域的角色描述，效果會比空泛的「專家」標籤好上不少。不過，Xu 等人提出的 ExpertPrompting 方法，比較過陽春的角色標籤與經過設計、貼合任務內容的專家角色，結果指出後者的表現明顯優於前者。重點不在角色描述的字數多寡，而在這些細節是不是真的幫得上這次任務。「詳細但相關」比「詳細但無關的背景故事」更重要，多寫的那幾句話，如果跟眼前的任務扯不上關係，就只是灌水，不會讓輸出更準。
讓 AI 自己先「回應」這個角色設定的進階版
如果情境化角色補的資訊已經到位，還想在需要嚴謹推理的任務上再拉高一點準確度，提示詞工程裡還有一個進階做法，不是一次把角色設定跟任務丟進同一句提示詞，而是先送出角色設定，等 AI 用這個角色的口吻做出回應、確認之後，再送出真正要它做的任務，讓角色被兩層對話固定住，而不是只靠一句系統指令帶過。
Kong 等人（2024，發表於 NAACL）的研究測試了這種兩段式角色沉浸做法，先讓 AI 承接角色設定並給出角色回應，再送出正式問題。在 AQuA 這個數學推理資料集上，GPT-3.5 的準確率從 53.5% 拉高到 63.8%；在需要精準抽取字母規則的 Last Letter 任務上，準確率更是從 23.8% 大幅提升到 84.2%。這個做法在需要推理的任務上，效果比單純掛一句角色標籤更明顯，可以視為情境化角色的加強版。只是操作成本也比較高，多了一輪來回，適合用在真的需要拉準確度的重要任務，不必每次都用。
修法二：自己也說不清楚時，換訪談式引導
前面修法一的前後對照範例裡，情境化角色需要先想清楚公司背景、客群輪廓、這次要達成的目標，但很多人就是卡在這一步，知道自己想要什麼樣的結果，卻講不清楚該提供哪些背景資訊。這種情況下，與其自己硬湊一段情境，不如把互動方向反過來，請 AI 先扮演訪談者，一題一題把你腦中模糊但重要的資訊問出來，再由 AI 統整成完整的任務描述，或者直接依統整結果產出成果。
具體的下法很單純，在提示詞裡明講類似這樣的指令即可。
先不要直接回答，一次問我一題，依我的回答決定下一題要問什麼，問到你有足夠資訊再開始產出。Code language: plaintext (plaintext)這種訪談蒐集到的答案，正好可以拿去組成修法一講的情境化角色。公司背景、客群輪廓、要解決的問題這些原本要自己想清楚才寫得出來的東西，現在變成回答幾個問題就補齊了。
訪談式引導其實有個正式名字，叫反轉互動模式
這個做法在提示詞工程領域已經有正式的定義。前面提到的范德堡大學 White 等人的提示詞模式目錄，把這個技巧定義為反轉互動模式（Flipped Interaction Pattern），核心目的是讓 AI 主動提出問題以取得完成任務所需的資訊，而非被動等待使用者一次講清楚。同一份研究示範這個模式時，建議的下法大致如下。
我要達成 X 這個目標，請你一直問問題，直到蒐集到足夠資訊為止，一次問一題。Code language: plaintext (plaintext)這個結構，剛好也是訪談式引導在提示詞裡實際下法的雛形。
修法三：把三種寫法拼成一套可以重複用的流程
把前兩招合起來，可以變成一套能重複套用的順序。第一步先用訪談式引導，讓 AI 主動把任務背景問清楚；第二步把蒐集到的答案整理成修法一講的情境化角色提示詞；如果這次任務需要準確度，再加第三步，請 AI 對照剛剛整理出來的角色設定，自我檢查有沒有為了語氣、為了扮好這個角色，而犧牲掉事實正確性。
這套流程特別適合會重複出現的任務類型，例如每個月都要寫的社群企劃、每一季都要做的簡報，這類工作單次產出、但語氣要維持一致，值得花這個工夫走一次完整流程，做完就能存成範本重複使用，不必每次都從零想角色要怎麼寫。要提醒的是，這套流程是為了語氣、風格類的任務設計，不是要讓角色設定對事實查核也變得有效，如果任務核心是要精準的事實或計算，角色設定本身能幫上的忙有限，這點下一節會拆得更清楚。
三個修法都試過，效果還是有限，問題可能不在角色設定
前面三個修法，能解決的是「角色設定寫得不夠好」這件事，脈絡不夠、使用者自己講不清楚、需要更高準確度時多一層自我檢查。但還有一種情況，前面三招都試過，效果依然有限。如果這次任務本身屬於需要精準事實、計算、程式邏輯的類型，前面 Hu、Rostami、Thomason（2026）那份研究已經指出，不管角色寫得多細緻、流程設計得多完整，角色設定對這類任務的幫助都有限，甚至可能扣分。
判斷準則很直接，先問這次任務更像「怎麼表達」，還是「答案對不對」。如果偏向前者，語氣、格式、風格類的工作，前面三個修法都用得上；如果偏向後者，需要精準事實、計算、程式邏輯，這時候該做的不是繼續優化角色寫法，而是直接拿掉角色設定，改用中性、直接的指令，把力氣放在提供正確的原始資料、要求 AI 列出查核依據，或者交給有工具查詢能力的 AI 去執行。角色設定是工具箱裡的一個工具，不是碰到什麼提示詞問題都能解決的萬用鑰匙。
提示詞角色設定失靈的時候，問題通常不是這招不管用了，而是還停在最陽春的單句標籤。把公司背景、客群輪廓、要解決的問題一起補進去，自己講不清楚就讓 AI 反過來問你，任務類型本身不對就乾脆拿掉角色，這三個判斷，比死背任何一句咒語都管用。下次提示詞打出去又拿到一份空泛的輸出時，先別急著把頭銜換得更資深，回頭看看是哪一層資訊沒補上。