如果你也经常这样写 Prompt——
“你是一位资深全栈工程师，请帮我写一套生产级系统代码……”
那这篇研究，可能会让你重新审视自己的使用习惯。
一直以来，“给 AI 加人设”几乎成了默认操作。从写代码、写文档，到做架构设计，不少开发者都会在开头先“铺垫一句”，试图把模型“催眠”成一个更专业的版本。但问题是：这种看似提升专业性的技巧，可能正在悄悄拉低结果质量。
近日，一项来自美国南加州大学（USC）的最新研究，对这一做法给出了一个有些反直觉的结论：让 AI 扮演“专家”，并不会让它更擅长解决专业问题，反而在编程和数学任务上会明显变差。（论文地址：https://arxiv.org/abs/2603.18507）
一项研究：为什么“专家人设”会翻车？
所谓“人设提示”（Persona-based Prompting），本质上就是一种“角色扮演式”的 Prompt 技术。它的核心逻辑很简单：通过一句身份设定，让模型进入某种“工作状态”。
这种方法在 2023 年开始被广泛讨论，并迅速在开发者社区流行开来。无论是教程、课程，还是各种 Prompt 模板，几乎都会建议你这样写：
● “你是一位经验丰富的机器学习工程师……”
● “你是一名精通系统设计的架构师……”
● “请以安全专家的视角分析以下问题……”
理论上来说，这种方法似乎很合理。毕竟模型是“语言驱动”的，那多给一点上下文，不就能让它“更像专家”吗？但来自南加州大学（USC）的研究人员在一篇论文中指出：
“人设提示是否有效，很大程度上要看任务类型。”
也就是说，并不是“加了人设就一定能变强”，而是“用对了才行”。具体来说，该研究团队将任务大致分成两类：
（1）一类是依赖“对齐能力”的任务，比如写作、角色扮演、遵守规则、安全策略等。在这些场景中，模型需要的是“行为符合预期”，而不是绝对正确的答案。
（2）一类则是依赖“知识和推理能力”的任务，比如数学计算、代码生成、事实问答。这些任务则更依赖模型在预训练阶段学到的知识储备。
基于这两类任务，研究团队得到的实验结果为：在“人设提示”的加持下，第一类任务表现有所提升；但在第二类任务中，模型表现却出现了系统性下降。
真正的问题：它在“演”，而不是在“算”
为了量化这种影响，研究人员使用了一个经典评测基准：MMLU（大规模多任务语言理解测试）。这个测试覆盖多个学科，常被用来衡量大模型的综合能力。
评测之后，结果非常直接：
● 不加“人设”：准确率 71.6%
● 加“专家人设”：准确率 68.0%
更重要的是，这种下降几乎出现在所有学科类别中，而不仅仅是个别任务。这说明了一个问题：“人设提示”确实改变了模型的行为方式，但这种改变，并不总是好的。
对于这个结果，研究团队给出的解释非常耐人寻味：
“人设前缀可能激活了模型的‘指令执行模式’，从而挤占了原本用于‘事实回忆’的能力。”
解释一下，从模型机制来看，大语言模型本质上是在做“概率生成”。当你告诉它“你是一位专家”，它并不会获得任何新的知识，也不会解锁新的推理能力，但会进入一种更偏“指令执行”和“角色模拟”的模式。而这，就带来了一个微妙但关键的变化：原本用于“从预训练数据中检索事实”的能力，被部分“挤占”了。
简单来说，就是模型开始更关注“如何像专家说话”，而不是“答案本身是否正确”。这也是为什么在编程和数学任务中，“人设”反而成为了模型的负担。
不过，虽然准确性下降，但在人类更关心的“安全”和“规范”上，人设提示确实有明显帮助。
例如，在安全性测试中引入一个类似“安全审查员（Safety Monitor）”的人设后，模型拒绝恶意请求的能力将明显提升。其中在 JailbreakBench 测试中：原始模型拒绝率为53.2%，但加了“人设”后拒绝率提升 17.7 个百分点，变为70.9%。
对开发者来说，有点“反直觉”的结论
基于以上发现，研究人员在论文中明确表示：
让 AI 扮演“专家程序员”，不会提升代码质量或实用性。
这对很多开发者来说，可能是一个需要“纠正”的习惯。
因为在实际使用中，大量开发者的 Prompt 都包含类似话术： “你是 Google 级别的架构专家” 、 “你拥有 20 年开发经验”……这些描述看似增强了“专业性”，实际上并没有给模型带来任何实质性的能力提升。
不过研究也指出，虽然“泛化的人设”没什么用，但具体、细粒度的约束却是有效的。例如：
● 明确前端框架（React / Vue）
● 指定架构模式（微服务 / 单体）
● 限定工具链（Docker / Kubernetes）
● 描述代码风格、接口规范
因为本质上来说，这些属于“对齐信息”、“需求约束”，而不是“身份设定”，它们的作用是帮助模型更好地对齐你的目标，而不是让它“扮演某个人”。
一个更工程化的解法：PRISM
既然人设提示“有利有弊”，那有没有办法两者兼顾呢？
针对这个问题，研究团队提出了一种新的方法，叫做 PRISM（基于意图的人设路由机制）。它的核心思想有点像“动态开关”：一般情况下保持原始模型，主要确保知识与准确性，仅在需要时启用“人设行为”。
在实现上，它借助了一种叫 LoRA（低秩适配）的技术，通过一个“门控机制”来自动判断使用哪种模式。简单来说，这就让模型具备一种能力：该认真的时候就认真算，该演的时候再去演。
在论文的最后，研究人员总结了一条非常实用的经验法则：
● 当你更关心“对齐”（安全、格式、规则）时→可以加人设，并具体描述要求；
● 当你更关心“准确性和事实”时→ 不要加任何设定，直接提问。
某种程度上来说，“你是一位专家”这句话，本质上更像是写给人看的，而不是写给模型看的——它满足的是人类对“专业感”的心理预期，却未必真能提升结果质量。
有时候，想让模型输出得更好，并不用让它“更像人”，而是尽量别干扰它本就擅长的事情。
参考链接：https://www.theregister.com/2026/03/24/ai_models_persona_prompting/