【Prompt实战】角色扮演法：如何让AI分别扮演“小白用户”、“黑客”与“刁钻PM”？

引言：一个方法，三个极端人格

角色扮演法（Role-Play Prompting）可能是2026年被误解得最深、用得最滥、也最有杀伤力的提示词技术。

2026年5月5日，沃顿商学院教授Ethan Mollick团队公开了一项实验结论——指令AI扮演“你是一位伟大的物理学家”的角色，并不会显著提高物理问答的准确性；同样，负面角色也不会降低性能。这条推文立即在技术社区引发激辩，因为该结论直接挑战了过去三年Prompt工程最流行的“黄金法则”之一。

与此同时，2026年4月PromptHub针对八类任务的系统性测试却给出了更精细的结论：角色提示在五类任务中确实提升了表现——抽取（+0.65分）、STEM解释（+0.60分）、需要结构化框架的推理（+0.40分）、风格适配写作，以及角色扮演本身就是输出目标的场景。

这两个看似矛盾的结论背后，隐藏着一个关键的分水岭：角色提示不是在给模型“加知识”，而是在给模型“加约束”。在2026年3月发表的论文《Expert Personas Improve LLM Alignment but Damage Accuracy》中，研究者明确指出——专家人设能提升人类对齐度，但会损害事实准确性，因为角色设定只改变模型的下一个token的概率分布，而不是为模型注入任何领域知识。

理解了这一核心机制，我们才能真正驾驭角色扮演法。本文不从“方法论”讲起，而是从三个极端场景切入——小白用户、黑客、刁钻PM——通过实战案例，展示角色扮演法的正确姿势与致命陷阱，并自然覆盖部署方案、架构设计、竞