2.3 常见角色类型写法

关注

原创最新推荐文章于 2026-11-04 10:44:14 发布 243 阅读 AI 写同款· GEO 优化 ›

SpringSecurity3.2.5自定义角色及权限的教程最近阴差阳错的搞上了SpringSecurity3，因为是自己做的小系统，中间遇到了很多坑，基本每个坑都踩过了，网上也查了不少资料，发现有不少错误的，更是让我绕了一圈又一圈，现在把一些基本的东西总结一下。先从整体上总结一下为什么使用SS，一般的，在不使用ss的情况下，我们基本会在每个业务方法执行前，插入一段用于验证权限的代码，从而判断当前用户是否有相应权限进行操作，这样做就会让业务方法和验证权阅读详情

掌握了角色设定的基本写法后，本节将要解决另一个实际问题，就是面对不同类型的任务，应该设定什么样的角色？日常使用大模型的场景千变万化，但把角色类型归纳一下，大部分情况都落在以下四类中：

用专业身份来获取有深度的内容。
用风格定制来控制表达方式。
用目标读者角色来让输出贴近特定受众。
用对话伙伴角色来完成需要互动的任务。

这四类角色的写法各有侧重，接下来会逐一讲清楚。

2.3.1 专家身份类角色写法

专家身份类角色是最常用的一类，适用于需要专业知识、专业判断或专业视角的任务场景。它的核心逻辑是告诉大模型以某个领域专家的身份来处理问题，从而激活大模型在该领域的知识深度，输出有实质内容的专业回答，而不是通用科普。

1.写法要点

专家身份类角色的写法要抓住三个要点。

（1）领域具体

领域要具体，意味着不能只写“医生”“律师”“工程师”这样的大类，而是要进一步说明是哪个方向，例如“外科医生”“劳动法方向的律师”“做嵌入式开发的软件工程师”。领域越具体，大模型调用的知识方向越精准。

（2）经验可信

经验要可信，意味着用年限或具体背景来描述经验层级，例如“有十五年临床经验”“曾在头部互联网公司担任产品负责人”。经验描述会引导大模型以更成熟的实战视角来处理问题，而不是给出入门级的宽泛建议。

（3）专长匹配

专长要匹配任务，意味着角色的专长方向要和任务直接相关。如果任务是分析一份创业计划书，角色写“有丰富早期项目投资经验的创业导师”，比宽泛的“商业顾问”更贴合任务需求。

2.对比示例

提示词如下：

你是一名有十年经验的营养师，专注于慢性病患者的饮食管理，曾帮助大量高血压和糖尿病患者通过饮食调整改善指标。我是一名40岁的男性，有轻度高血压，喜欢吃咸的食物，运动很少。请给我一份实际可执行的饮食调整建议。

输出如下：

从你的情况来看，最需要优先处理的是钠的摄入问题。轻度高血压患者每天的钠摄入建议控制在2000毫克以内，也就是大概5克盐，但你描述自己喜欢吃咸的食物，实际摄入很可能超出这个范围不少。

最直接有效的调整不是一步到位地减盐，而是分阶段适应。第一步，炒菜时把盐出锅前放改成快起锅前放，同样的量但咸味感知会更强，自然会减少用量。第二步，减少或避免加工食品和腌制食品，这类食品的含钠量通常远高于家庭烹饪，是隐性钠的主要来源。第三步，用柠檬汁、醋、香料代替部分盐来提味，这个方法很多患者反映适应之后并不觉得味道差。

运动方面，即便不做专门的锻炼，每天饭后走二十到三十分钟也对血压控制有帮助，这是目前最容易执行的起点。

建议你在调整饮食的同时，每天早晨起床后固定时间测一次血压并记录，两周后能看出饮食调整的实际效果。如果收缩压还是持续在140以上，需要到医院做进一步评估。

这条提示词中，十年经验、专注慢性病患者、有实际案例积累，三层描述共同建立了一个有经验、有实战背景的角色，输出的建议从抽象原则变成了具体的操作步骤，还包含了注意事项和跟进建议，体现了专家视角的完整判断逻辑。

2.3.2 风格定制类角色写法

不是所有任务都需要专业知识，有时候需要的是一种特定的表达风格，例如犀利的评论、轻松的科普、幽默的文案、有感染力的演讲稿。风格定制类角色的核心不是“你懂什么”，而是“你说话的方式是什么样的”。

1.写法要点

风格定制类角色的写法重点在于把风格特征描述清楚，而不是强调专业背景。常用的描述维度包括以下几种。

（1）语言风格。

例如“说话直接犀利，不说废话，习惯用一针见血的方式点出问题”“语气轻松，喜欢用生活类比让复杂的事情变得好懂”。

（2）内容倾向。

例如“擅长把严肃的话题写得有趣，让读者看完之后觉得学到了东西又没有压力”“习惯从反直觉的角度切入，给出和大众认知不一样的观点”。

（3）受众感知。

例如“知道自己的读者时间有限，所以每句话都要有价值，不铺垫、不废话”。

风格描述越具体，大模型对表达方式的把握越准确。“语气活泼”这类模糊描述的效果远不如“像和朋友聊天一样，可以用‘你知道吗’‘说真的’这类口语开头”。

2.对比示例

提示词如下：

介绍一下复利的概念。

输出如下：

复利是指在计算利息时，将之前积累的利息也纳入下一期的本金进行计算，从而实现利息再生利息的效果。复利的增长速度随时间推移呈指数级加速，与单利相比，长期来看差距显著……

提示词如下：

你是一名财经科普博主，有几十万粉丝，写作风格通俗易懂，擅长用生活中的真实场景解释金融概念，让完全不懂理财的人也能看懂，语气轻松，偶尔带点幽默感。介绍一下复利的概念。

输出如下：

你有没有想过，为什么银行总喜欢宣传“复利”？

因为复利是这个世界上最神奇的数学现象之一——爱因斯坦据说称它为“世界第八大奇迹”（这句话可能是后人加的，但足以说明它有多厉害）。

复利的逻辑很简单：你的钱赚了钱，赚来的钱也跟着赚钱。

举个例子。你存了10000块，年利率10%（我知道现实里没这么高，先假设）。第一年年底，你有11000块。第二年，是11000块在赚钱，不是10000块，所以年底是12100块，多了100块。

听起来差距很小，但时间一拉长，差距就吓人了。同样是10000块，10%年利率，存30年：单利是40000块，复利是174494块——差了四倍多。

这就是为什么所有理财师都告诉你“越早开始越好”——因为复利需要时间来发酵，时间才是复利最重要的原料。

同一个概念，加入了风格描述之后，输出从教科书定义变成了有节奏感、有代入感的科普内容，适合直接用于推文或短视频脚本。

2.3.3 目标读者类角色写法

目标读者类角色的逻辑和前两类有所不同。它不是在告诉大模型“你是什么专家”或“你的风格是什么”，而是把受众特征融入角色定义，让大模型在生成内容时始终以适配这类受众作为输出标准。

简单来说，这类角色设定的核心句式是“你是一位面向[受众特征]讲解[内容主题]的[角色身份]”。

1.写法要点

受众特征是这类角色设定的关键信息，需要从不同角度来描述。

（1）知识背景

例如“完全没有编程基础的普通用户”、“有一定财务知识但不是专业人士的上班族”、“已经有三年经验的中级开发者”。

（2）年龄认知特点

例如“未满十岁的小学生”、“刚进入职场的应届毕业生”、“五十岁以上、对智能手机不太熟悉的中老年用户”。

（3）使用场景和目的

例如“正在备考的学生，需要快速理解概念”、“想要在短时间内了解某个话题的职场人”。

受众特征描述得越准确，大模型在选择措辞深度、类比方式、信息密度时就越有依据，输出内容对目标受众的适配度就越高。

2.对比示例

提示词如下：

解释一下什么是机器学习。

输出如下：

机器学习是人工智能的一个子领域，它通过让计算机从数据中自动学习规律和模式，而不需要人工编写明确的规则，来实现对新数据的预测和分类……

提示词如下：

你是一位专门向从未接触过技术概念的职场人讲解AI知识的科普作者，他们工作繁忙、没有耐心读长篇文章，但对AI如何影响自己的工作感兴趣。解释一下什么是机器学习。

输出如下：

机器学习说白了，就是让电脑通过看大量例子来自己学会做一件事，而不是靠人一条一条地告诉它规则。

比如你想让程序识别一封邮件是不是垃圾邮件。老方法是程序员写规则：包含“中奖”就标记为垃圾，包含“免费领取”也标记……但这样写不完，而且骗子随时换词。

机器学习的做法是给它看几百万封已经标记好的邮件（这封是垃圾、那封不是），让它自己从里面找规律。找着找着，它就学会了。以后来一封新邮件，它能自己判断。

你手机上的垃圾短信过滤、购物网站给你推的商品、语音助手听懂你说的话，这些背后都是这个逻辑。

受众从泛泛的“普通人”变成了有具体特征的“时间有限、对工作场景感兴趣的职场人”之后，解释的方式自然地从定义变成了场景驱动的类比，信息密度和长度也做了相应的调整。

2.3.4 对话伙伴类角色写法

前面提到的三类角色，大模型主要承担的是生产内容的功能，例如写文章、给建议、做解释。对话伙伴类角色则不同，它需要大模型参与到一种互动关系中，例如扮演面试官来模拟面试、扮演辩论对手来帮你梳理论点、扮演挑剔的用户来测试你的产品说明。在这类场景里，大模型的价值在于通过互动来帮助练习或思考，而不只是给出一个结论。