「你是一位顶级专家」——这句 prompt 该退休了

全文约1650字，阅读需4分钟

每个人第一次用 ChatGPT，大概都写过这句话。

「你是一位拥有二十年经验的资深XX专家，请帮我……」

我写过。你大概率也写过。2023 年这招确实管用，模型像个听话的实习生，你给它贴什么标签它就演什么角色，语气、用词、甚至思考路径都会跟着变。

但 2026 年了，这招该收起来了。

官方亲口说的

Anthropic 在官方博客里写得很直接：

Don’t over-constrain the role. “You are a helpful assistant” is often better than “You are a world-renowned expert who only speaks in technical jargon and never makes mistakes.”

翻译成人话：别把角色限定得太死。一句「你是个有用的助手」往往比「你是世界闻名的专家，只说技术术语，从不犯错」效果更好。Overly specific roles can limit the AI’s helpfulness——过度具体的角色设定会限制 AI 的帮助能力。

OpenAI 那边的立场一样。TECHSY.io 的 2026 年 Prompt Engineering Guide 综合了两家官方立场，给出了一句很实在的判断：

Role prompting shapes tone, vocabulary, format more than raw reasoning. Keep it functional, not theatrical.

角色提示影响的是语气、用词和格式，而不是推理能力本身。让它干活就行，别让它演话剧。

DEV.to 有一篇综述引用了 OpenAI 官方指南的原话，更不留情面：

“You are a world-class expert in X” — Signal is in the noise on frontier models, sometimes hurts performance.

信号淹没在噪声里，有时候还拖后腿。

为什么不管用了

三个原因，一个比一个实在。

模型已经内化了。 GPT-5.5、Claude Opus 4.8、Gemini 3.1 Pro 这些旗舰模型，经过 RLHF 和 Constitutional AI 的长期训练，「尽力帮你把事做好」已经是默认行为模式。你再贴一个「你是顶级专家」，就像跟一个五年经验的厨师说「请你认真做菜」。他本来就是认真的，你这句话除了占用上下文窗口，什么也没干。

视角反而被锁死了。 这是最反直觉的一点，值得多说两句。Anthropic 举了个例子：你写「你是一位只说技术术语、从不犯错的资深专家」，模型会当真——它会刻意回避通俗表达，压制跨领域的知识调用。但旗舰模型最大的优势恰恰是能调动全领域知识来回答你的问题。你给它戴上一顶窄帽子，它就真的只从帽檐底下看世界了。举个具体的例子：一个问经济政策的 prompt，模型本可以同时调动历史、法律、统计学的知识来给出更扎实的回答，但「资深经济学家」的标签让它自觉放弃了那些「不专业」的视角。越具体的人设，这种锁死效应越强。

prompt 窗口是有限的。 这个账很好算。每多一句「你是一位……」，就少一句真正有用的任务约束或背景信息。当你有大量上下文需要喂给模型的时候，这个代价尤其明显。

不止人设，三招老套路也死了

如果你还在用下面这些，建议也跟着一起退休。

「Think step by step」——2024 年的 magic words。当年在 GPT-4 上这四个字能让准确率飙升，但到了推理模型时代，情况完全反过来了。arXiv 上有篇论文（2410.21333）测了：在推理模型上强制触发 CoT，准确率反而下降 36.3%。因为推理模型已经把 CoT 内化了，你再手动触发，等于在自动驾驶的车上抢方向盘，越帮越忙。OpenAI 官方指南里也不再推荐这招。

Response prefilling——在 Claude 的回复开头预填内容来引导输出方向。这招曾经是控制输出风格的神器，但 Claude 4.6 以后的模型直接返回 400 错误。Anthropic 平台文档里明确写了，这条路堵死了。

手动 budget_tokens——想通过 API 参数精确控制模型输出多少 token？Opus 4.7 以上版本已经废弃了这个参数，改用 effort 参数来控制推理深度。旧的写法不管用了。

那该怎么写

Anthropic 和 OpenAI 推荐的方向其实很接近，我把它简化成四件事。

你要什么。 用动词开头——写、分析、提取、生成、翻译。别让模型猜你想干嘛。一个模糊的「帮我看看这个」和一个明确的「分析这段代码的性能瓶颈，列出前三项」，拿到的结果完全不一样。

它需要知道什么。 背景信息、目标受众、为什么要做这件事。Anthropic 博客专门强调了一件事：告诉模型「为什么」，它能泛化推理，举一反三。这一条很多人忽略了，但它对输出质量的提升是实打实的。你告诉模型「这段文案面向 35 岁以上的企业中层管理者」，它对语气和用词的拿捏，比你写十句「请用专业但不过于学术的语言」都管用。

边界在哪。 字数、字段数、格式要求、禁止项——能量化就量化。「写一篇短文」和「写一篇 1500 字以内的短文，三个小标题，不用第一人称」，效果天差地别。正向约束也比否定约束好用——用「只返回 JSON」比「不要解释你的推理过程」更干净。

以什么形态交付。 JSON、表格、段落、代码？直接说清楚。2026 年两家的 API 都原生支持 Structured Outputs，传个 JSON Schema 让解码器帮你约束输出，比用自然语言描述格式靠谱得多。

Anthropic 推荐用 XML 标签把这几块包起来——<instructions>、<context>、<example>、<input>、<format>，每块内容各归其位，模型解析起来没有歧义。OpenAI 的建议顺序是 Identity → Instructions → Examples → Context，特别的一点是：把动态数据放在最后。因为 Liu 等人 2023 年的研究发现（arXiv:2307.03172），关键素材放在 prompt 末尾比放在中间更容易被模型关注到。这个位置偏差效应，2026 年仍然成立。

写在最后

说到底，prompt 写作和写文章是同一件事。

删掉没用的，留下的每句话都在干活。给模型写指令和给人写需求文档也没什么区别——你不会给同事发一封邮件说「你是一位世界级的产品经理，请帮我看看这个方案」。你会直接说「帮我看看这个方案，重点看第三节的成本估算有没有漏项，周五前给我反馈」。

那个句式，才是 2026 年该有的 prompt。少一点表演，多一点干活。

信源：Anthropic 官方博客 · OpenAI Prompt 指南 · arXiv:2410.21333 · arXiv:2307.03172