角色提示法：為什麼「你是專家」有時會讓 AI 輸出更差

什麼是角色提示法？為什麼大家突然都在用？

角色提示法（Role Prompting）是指在提示開頭加入身份指令，例如「你是一位資深律師」或「請以高級文案的身份回答」，再向模型下達任務。其原理是透過一個熟悉的職業身份，將模型輸出的語氣、用詞與推理風格往某個特定方向拉。

這個技巧之所以爆紅，是因為早期 ChatGPT 社群發現「你是普立茲新聞獎得主」這類提示，能立即讓輸出質量明顯提升。它簡單、容易複製貼上，也讓人有種找到捷徑的快感。到了 2025 年，幾乎所有網上流傳的提示模板都會以一句角色設定開場。

問題在於：當這個技巧被廣泛採用時，並沒有人對它做過嚴格的測試。所有人都假設它一定有效。2026 年公開發表的研究指出，事實要複雜得多，而誤用角色提示，反而會在你最需要精準的任務上拖低正確率。

角色提示法在什麼情況下真的有效？

2026 年 PromptHub 針對八類任務進行測試，發現角色提示在五類任務中提升了表現：抽取（+0.65）、STEM 解釋（+0.60）、需要結構化框架的推理（+0.40）、注重風格適配的寫作，以及角色扮演本身就是輸出目標的任務。

規律十分清晰：角色提示在「對齊型任務」上獲勝。也就是說，當輸出的好壞主要取決於語氣、語境、受眾意識或風格一致性時，角色提示就能發揮作用。

例如，當你要求模型「為裁員主題撰寫一則語氣溫和的 LinkedIn 帖文」，加入「你是一位富同理心的傳訊總監」這句設定，能讓模型在語氣校準上明顯比沒有角色設定時更精準。模型把這個角色當作一個「風格指南針」，輸出的確會更貼近你想要的調性。

這也是為什麼角色提示在翻譯、客服回覆草稿、Podcast 講稿、品牌口吻撰寫上特別有用。角色在這些任務中扮演的是語氣濾鏡，不是事實濾鏡。

「你是專家」何時會讓 AI 表現變差？

同一份 2026 年研究發現，「專家角色」在三類任務中持續拖低表現：數學、寫程式，以及需要嚴格事實檢索的任務。The Register 在 2026 年 3 月以一句話總結這個發現：告訴 AI「你是專家」，往往讓它變得更差，而不是更好。

原因是甚麼？角色設定不會為模型增加任何知識，它只會改變模型生成下一個 token 的機率分佈。對於依賴預訓練知識的任務而言，這個分佈偏移可能將模型從精準的事實區拉走，反而推向「人類專家常見的冗長、保守語氣」那一帶。

最常見的失敗例子，是有人在計算題前加上「你是一位資深會計師」。模型輸出變得更長、語氣更謹慎，但底層的算術反而錯得更頻繁，因為角色把輸出推向了敘事式推理，而不是數字精準度。

同樣的問題也會出現在寫程式提示上。「你是一位資深軟件工程師」往往讓模型加上多餘的抽象層、註解與解釋文字，而這些額外內容反而引入細微的 bug。乾淨的結果通常來自直接指令：「請用 Python 寫一個函式達成 X，只回傳程式碼。」

2026 年如何正確使用角色提示？

把角色提示當作條件性工具，不要當作預設設定。當風格與語氣才是品質關鍵時使用它；當準確度才是品質關鍵時，請刪掉它。一個簡單法則：如果你判斷輸出好壞主要靠「聽起來對不對」，加角色；如果你判斷輸出好壞主要靠「答案對不對」，不加角色。

下指令前先問自己一個問題：這個任務「好的輸出」長什麼樣？答案是「語氣對」就用角色；答案是「事實對」就改用直接指令。

對於混合型任務，請拆分提示。把角色用在框架設定或重寫步驟，把乾淨指令用在計算或抽取步驟。大多數實踐者透過拆成兩個提示串接，會比把角色硬塞進單一提示中得到更好的結果。

還有一個進階技巧：用具體成果取代籠統頭銜。「你是一位市場營銷人員」遠遠不如「請撰寫一段 100 字產品描述，重點突出耐用性與 14 天退換貨政策」來得有效。具體成果比任何頭銜更能定位模型。

什麼樣的角色提示才算寫得好？

2026 年表現最佳的角色提示，會具體寫出三件事：是誰、為誰寫、怎麼寫。籠統的角色之所以失敗，是因為模型沒有具體可錨定的線索。具體角色加上受眾與限制條件，表現一致地優於籠統角色。

以下是一個可直接複製使用的模板，你今天就可以拿來應用在任何以語氣為重的寫作任務上。把方括號內容換成你自己的情境，貼進 Claude、ChatGPT 或 Gemini 即可。

立即試用這個提示：

你是一位 [具體角色加一個關鍵特質，例如「常駐香港、為 B2B SaaS 客戶撰文的內容行銷人」]。你的讀者是 [具體受眾，例如「50 至 200 人公司中的營運經理」]。讀完後讀者應該感覺 [目標情緒，例如「獲得有用資訊，對自己一直忽略的問題開始感到輕微不安」]。

請撰寫 [具體交付物，例如「一則 150 字的 LinkedIn 帖文」]，主題是 [主題]。語氣 [風格，例如「直接、平等、不要企業套話」]。內容必須包含 [具體要素，例如「一個真實案例與一個對讀者的短問題」]。請避免 [常見失敗模式，例如「行業術語、英文破折號，以及任何「在當今的數位時代」式開場」]。

若你正在處理結構化資料或數字，請刪掉角色，改用以下指令：「請從以下文字中抽取以下欄位：[欄位列表]。以 JSON 回傳。若某欄位不存在，請回傳 null。不要加任何說明。」

使用角色提示時，最常見的錯誤是什麼？

最常見的錯誤是「堆疊角色」。實踐者常寫「你是一位資深、得獎、業內權威顧問」，以為頭銜越多輸出越好。實際測試卻發現，這類提示一致產出更含糊、更愛打太極的回答，因為模型在多個角色之間取平均，反而沒有一個明確立場。

第二個錯誤是把角色用在事實檢索任務上。如果你問「2026 年香港 GST 稅率是多少？」並在前面加「你是稅務專家」，得到的只是一個更長、更謹慎、卻不會更準確的答案。把角色刪掉，模型反而能給出更乾淨、更有信心的回答。

第三個錯誤是忘了角色設定在長對話中會逐漸失效。10 至 15 輪對話之後，模型會慢慢漂回它的預設語氣，無論你開頭設定得多仔細。如果你會進行長時間對話，請每幾輪重申一次角色，或改用系統提示、Projects 功能等持久性設定。

第四個錯誤是直接照抄社交媒體上的「神級提示」而不測試。許多瘋傳的角色模板在原始示例上有效，但換到相鄰任務就失靈。任何角色設定，請先在三至五個不同輸入上測試，再決定是否納入你的常用工作流程。

把這些觀念整合起來

角色提示是一個有真實效果、也有真實代價的技術。2026 年的研究把它重新定位為條件性工具：在寫作、語氣、角色扮演任務上強大；在數學、寫程式、事實檢索任務上反而有害。在 2026 年走在前面的實踐者，不是擁有最長角色堆疊的人，而是知道何時該用角色、何時該寫一句乾淨直接指令的人。

更深層的轉變，是把提示工程當作一種決策行為，而不是某種神秘咒語。提示中每多一行，都同時帶來成本與效益，最強的工作流程，是沒有任何多餘指令的工作流程。

懂AI的冷，更懂你的難 — UD 同行28年，讓科技成為有溫度的陪伴。如果你準備離開複製貼上提示的階段，開始為團隊建立可重複、可信任的 AI 工作流程，UD 在這方面已經陪伴香港企業走過 28 年。

測試你的 AI 提示功力到哪裡

知道何時該用哪種提示技巧，就是中階 AI 用戶與真正進階用戶之間的分水嶺。透過 UD 推出的 AI IQ 測試，快速量度你目前的提示能力位於哪個層級。完成測試後，UD 團隊手把手帶你完成每一步，從個人提示優化到團隊工作流程設計，全程陪你走完。