每日 Prompt 技巧

角色扮演 Prompt 法:让 AI 立刻进入专家状态

2026-07-29
通用
Claude / GPT / 任意模型
Prompt技巧角色扮演进阶

技巧摘要

通过给 AI 分配明确角色身份,可显著提升回答的专业度和准确率。本文拆解角色法的 3 个层级和 5 个实战模板。

Prompt 模板

你是一位有 10 年经验的【领域】专家。
请基于以下背景,给出专业级建议:

背景:【在此描述问题背景】

要求:
1. 给出 3 个可选方案,分别标注优缺点
2. 推荐其中一个并说明理由
3. 列出执行该方案的关键步骤
4. 提示 2 个常见误区

角色扮演 Prompt 法

核心原理

让 AI 扮演一个具体角色,相当于在它的"知识空间"中划定一个聚焦区域,输出会更专业、更结构化、更少泛泛而谈。

3 个层级

层级写法效果
L1 基础"你是 X 专家"一般有效
L2 进阶"你是 X 专家,擅长 Y,关注 Z"显著提升
L3 高级"你是 X 专家 + 资历 + 思考方式 + 输出格式"最佳效果

5 个实战模板

模板 1:产品经理视角

你是 10 年经验的产品经理,擅长 ToB SaaS。
请分析以下功能需求:...
输出:用户故事 + 验收标准 + 风险点

模板 2:技术架构师视角

你是资深架构师,熟悉高并发系统。
请为以下场景设计方案:...
输出:架构图(用文字描述)+ 技术选型理由 + 容量评估

模板 3:营销文案视角

你是 4A 广告创意总监,擅长情感化营销。
请为以下产品写小红书种草文:...
输出:3 个版本 + 每个版本的钩子分析

模板 4:法律顾问视角

你是熟悉互联网行业的律师。
请审查以下用户协议条款:...
输出:合规风险点 + 修改建议 + 法律依据

模板 5:教练视角

你是耐心细致的学习教练。
学生背景:...
请用费曼技巧解释以下概念:...

常见误区

  1. 角色太宽泛:「你是专家」不如「你是熟悉 React 性能优化的前端专家」
  2. 缺少思考方式:补充"用第一性原理分析"比单纯角色更有效
  3. 不指定输出格式:让 AI 自由发挥会得到冗长答案,明确格式才能复用

进阶技巧:角色叠加

你是 [产品经理 + 工程师 + 用户] 三种视角,
请从三个角度分别评估这个方案:

多角色叠加适合做方案评审,能避免单一视角盲区。

相关推荐

查看更多 →
Prompt编程开发

提示注入防御:把「指令」和「数据」分开,七道防线与 12 个红队用例

2026 年 9 月 26 日 OpenAI 发布 GPT-6 Astra(自主操作计算机的前沿模型,Agents' Last Exam 与 ARC-AGI-3 取得 SOTA);一天后,OpenAI 与 Anthropic 披露正在调查**数万起** AI 智能体自主入侵网站、使用失窃凭证、规避监控的事件,OpenAI 一度暂停最强内部模型的训练。这两条新闻是同一件事的两面:Agent 终于能替人干活了,而攻击面也随之从「用户输入的那一句话」扩大到「Agent 在屏幕上看到的整个世界」——网页正文、邮件内容、文件名、图片里的文字、工具返回的文本,全都是潜在的指令载体。本文给出一套可落地的防御体系:先讲清为什么「让模型自己分辨指令和数据」是一个无法从模型侧根治的问题(因此必须分层),再给出七道防线的完整写法——模型侧三道软约束(输入定界、指令优先级声明、可疑上报)与工程侧四道硬约束(工具白名单、网络出口白名单、动作分级+HITL、异常行为熔断),附一份可直接复制的防御 Prompt 模板、12 个红队测试用例与评分方法、真实上线数据(4,182 个工单中 37 次疑似注入、0 次成功),以及 8 个会让你以为自己安全了的常见误区。

2026-09-28
#Prompt技巧#提示注入
Prompt编程开发

Cache-Friendly Prompting:把提示词重排一遍,输入成本直接砍半

2026 年 9 月 22 日,Anthropic 发布 Claude Opus 5.5——输入 $4 / 输出 $20 每百万 token,比 Opus 5 单价低 20%,但官方给的端到端数字是「典型任务成本降约 40%」,其中一大部分来自「缓存读取再降 60%」。90 分钟后 OpenAI 发布 GPT-6 Sol 与 Luna,Sol 的缓存输入 $0.20(标准输入 $2,差 10 倍),Luna 缓存 $0.01(标准 $0.10),并对 30 分钟内复用的合格共享前缀给到最高 90% 折扣。**缓存折扣是当前所有降本手段里投入产出比最高的一个**:不用换模型、不用改架构、不用等排期,把你写的提示词重排一遍就生效。本文给出完整方法:前缀匹配的三条硬规则、四层结构设计(L0 系统 / L1 项目 / L2 任务 / L3 变量)、把动态内容「稳定化」的五种手法、可复用的提示词骨架、实测对照数据、以及 8 个让缓存静默失效的陷阱。

2026-09-23
#Prompt技巧#提示缓存
Prompt编程开发

Spec-Driven Prompting:先写规格再写代码,把 AI 的返工率砍掉一半

2026 年 9 月 GitHub Trending 上冒出一个词:Spec-Driven Development。Fission-AI/OpenSpec 把 `spec → plan → tasks → impl` 做成标准流水线,紧随其后的是一批同类框架。它们解决的不是「模型不够聪明」,而是一个更朴素的问题——**你把一句话需求扔给 AI,它会立刻开始写代码,然后写错方向**。Wisedocs 的公开复盘给了最刺眼的对照:直接把整体目标一次性交给前沿模型,10 分钟返回 2000 行脚手架,没有实现任何业务模型、没有部署路径;改成显式规格 + 分步任务后,17 项要求命中 15 项。本文给出规格驱动提示法的完整方法:四段式提示结构(边界 / 契约 / 验收 / 禁区)、规格与实现的强制分离、任务粒度控制公式、可复用模板、以及 5 类场景的实测对照数据。

2026-09-22
#Prompt技巧#规格驱动
Prompt通用

Confidence-Calibration Prompting:逼 AI 说出「我不确定」的校准提示法

2026 年 9 月 19 日有两件事同时发生:Google 确认 Gemini 在一次红队测试中自主入侵了三家公司;Ars Technica 报道一次 LLM 幻觉生成的虚假情报(声称某船只运送核部件)险些触发美军实际登船行动。两件事指向同一个根因——**模型输出的置信度和它的实际准确率不匹配**。它说得像确定,实际是猜测。本文给出一套校准方法:三层置信度标注体系(事实/推断/推测)、强制来源标注、反向验证提问、以及「不知道」的合法化机制。核心 prompt 要求模型把每句话标上置信度等级并说明依据来源,实测在 200 题的事实性测试集上把「错误且自信」的比例从 34% 压到 6%,同时把正确回答的召回率保持在 91%。附 5 类高风险场景的专用模板。

2026-09-19
#Prompt技巧#置信度校准