角色、任务、约束与输出格式¶
把需求说清楚，不是靠"感觉"，而是靠结构。这页教你用四个要素把 Prompt 从"随便问"变成"精确指令"。
这章解决什么问题¶
你有没有遇到过这种情况：同一个问题问模型三遍，得到三个完全不同的答案，而且没有一个是你真正想要的？
问题往往不在模型，而在你的 Prompt 太"散"。你可能同时说了三句话，但模型不知道哪句是重点、哪句是边界、哪句只是你的情绪发泄。
这章给你一套结构化的思考框架——角色（Role）、任务（Task）、约束（Constraint）、输出格式（Output Format）。这四个要素就像写邮件时的「收件人、主题、正文、附件要求」，缺一个，信息就会在路上丢包。
学会这套框架，你能做到两件事：一是自己写 Prompt 时有章可循，二是拿到别人的烂 Prompt 时能一眼看出缺了什么。
核心概念¶
角色（Role）：给模型一个"人设"¶
角色（Role） 是你在 Prompt 开头给模型设定的身份或立场。它告诉模型"你是谁"、"你该以什么身份回答"。
为什么角色很重要？因为 LLM 的本质是概率预测——它会根据上下文推测"接下来最应该说的话"。你给的角色，直接决定了它调用的知识范围和语气风格。
举个例子：
```text ❌ 模糊角色： "解释一下区块链。"
✅ 明确角色： "你是一位有10年经验的金融科技产品经理， 请用小白能听懂的话解释区块链的核心原理。" ```
同样的技术概念，用"大学教授"的口吻回答会堆术语，用"产品经理"的口吻会更关注应用场景。角色就像调频旋钮，决定了模型从哪个频道发射信号。
角色设定有三个层级，效果逐级递增：
| 层级 | 写法 | 效果 |
|---|---|---|
| 无效 | "你是一个专家" | 太笼统，模型不知道你是哪方面的专家 |
| 一般 | "你是一位 Python 工程师" | 有方向，但缺乏细节 |
| 有效 | "你是一位在硅谷工作过10年的后端工程师，习惯写 PEP8 风格的代码，注释偏好英文" | 模型能精准调用对应的知识和风格 |
任务（Task）：明确你要模型做什么¶
任务（Task） 是 Prompt 的核心指令，告诉模型"具体要执行什么操作"。
任务的黄金标准是：具体、可衡量、可验证。模糊的任务让模型自由发挥，清晰的任务让模型有明确的输出目标。
对比一下：
```text ❌ 模糊任务： "帮我写个关于环保的东西。"
✅ 清晰任务： "请写一篇面向大学生的环保倡议书， 目的是说服他们减少使用一次性塑料袋， 篇幅控制在 500 字以内。" ```
第一个任务，模型不知道"东西"是什么体裁、面向谁、多长、目的是什么。第二个任务，模型有明确的参数可以对齐。
写任务时，可以用这个自检清单：
- [ ] 动作明确（写、分析、总结、翻译、比较……）
- [ ] 对象明确（处理什么内容、面向谁）
- [ ] 目标明确（为什么要做这个任务）
- [ ] 验收标准明确（怎么算"做好了"）
约束（Constraint）：边界条件¶
约束（Constraint） 是任务的边界条件，告诉模型"什么能做、什么不能做、必须满足什么"。
如果把任务比作地图上的目的地，约束就是导航规则：不能走高速、必须避开拥堵、要在 30 分钟内到达。
常见的约束类型包括：
| 类型 | 例子 |
|---|---|
| 内容约束 | "不要涉及政治话题"、"必须提到 X 概念" |
| 风格约束 | "用口语化中文"、"避免使用英文缩写" |
| 长度约束 | "不超过 300 字"、"至少列出 5 条" |
| 结构约束 | "分三段，每段一个小标题" |
| 知识约束 | "只基于 2020 年之前的知识回答" |
| 安全约束 | "不要生成可执行的危险代码" |
约束的关键是具体且可执行。"写得专业一点"不是约束，因为"专业"的标准因人而异。"使用学术论文常用的第三人称叙述，避免感叹句"才是约束。
输出格式（Output Format）：指定结果的结构¶
输出格式（Output Format） 是告诉模型"结果应该以什么形态呈现"。
为什么格式约束能让结果更稳定？因为 LLM 生成文本时，格式信息也是一种强约束。当你明确要求 "JSON"，模型就会进入"生成键值对"的模式；当你要求"Markdown 表格"，它就会组织行列结构。
常见的输出格式包括：
text
• 分点列表（bullet points）
• 编号列表（numbered list）
• Markdown 表格
• JSON / YAML
• 代码块（指定语言）
• 特定段落结构（如：背景→问题→方案→总结）
举个例子：
```text ❌ 模糊的格式要求： "把结果整理得清晰一点。"
✅ 明确的格式要求： "请用以下 JSON 格式输出： { \"优点\": [\"...\", \"...\"], \"缺点\": [\"...\", \"...\"], \"建议\": \"...\" }" ```
四要素的关系¶
这四个要素不是独立的，而是互相配合的。角色决定"谁在说话"，任务决定"要做什么"，约束决定"规则和边界"，输出格式决定"结果长什么样"。
最小示例：三个完整 Prompt¶
下面给出三个覆盖不同场景的"四要素"完整示例，你可以直接复制修改。
示例 1：问答型（解释概念）¶
```text 【角色】 你是一位在一线互联网公司做了5年技术面试官的资深工程师。
【任务】 请向一位非技术背景的创业者解释"微服务架构"这个概念。
【约束】 1. 不要使用任何技术缩写（如 REST、API、RPC 等） 2. 必须举一个外卖平台的实际例子 3. 篇幅控制在 300 字以内 4. 语气要友好、有耐心，像跟朋友聊天
【输出格式】 用三段结构输出： - 第一段：用一句话定义（不超过 30 字） - 第二段：外卖平台的例子（用比喻，比如"厨房分工"） - 第三段：一句话总结什么时候适合用、什么时候不适合 ```
示例 2：写作型（生成文案）¶
```text 【角色】 你是一位擅长社交媒体运营的内容策划，熟悉小红书平台的用户喜好。
【任务】 为一支新上市的降噪耳机写一篇小红书风格的种草文案。
【约束】 1. 目标用户是每天通勤 1 小时以上的上班族 2. 突出"地铁上也能安静听歌"这个场景 3. 不要提价格，不要出现"最便宜""性价比之王"等绝对化用语 4. 总字数 150~200 字 5. 语气要真实，像一个普通用户的分享，不要太像广告
【输出格式】 - 标题一行（带 emoji，不超过 15 字） - 正文一段 - 结尾加 3~5 个相关话题标签（#xxx 格式） ```
示例 3：代码型（代码审查）¶
````text 【角色】 你是一位注重代码质量和可维护性的 Python 技术负责人。
【任务】 审查下面这段 Python 代码，指出潜在的问题并给出改进建议。
【约束】 1. 只关注安全性、可读性和性能三类问题 2. 不要修改业务逻辑 3. 对每个问题给出：问题描述 + 风险等级（高/中/低）+ 修改建议 4. 如果代码没有明显问题，直接说"暂无重大问题"
【输出格式】 用 Markdown 表格输出： | 行号 | 问题类型 | 风险等级 | 问题描述 | 修改建议 |
代码如下：
python
[user_input = input("请输入文件名: ") with open(user_input, "r") as f: data = f.read()]
````
常见误区¶
误区 1：角色设定太笼统
"你是一个专家"——这种角色等于没有角色。模型不知道"专家"该调用哪方面的知识，也不知道该用什么语气。有效的角色必须包含领域、经验年限、风格偏好中的至少两个。
误区 2：任务和约束混为一谈
任务说的是"做什么"，约束说的是"怎么做"。把它们混在一起写，模型会分不清主次。
```text ❌ 混乱写法： "写一封邮件要正式一点给老板汇报项目进度不要太长"
✅ 清晰写法： 任务：写一封项目进度汇报邮件 约束： - 收件人是直属上级 - 语气正式 - 正文不超过 150 字 ```
误区 3：输出格式只说"清晰一点"
"清晰"是主观感受，不是格式。模型不知道你的"清晰"是"分点"还是"表格"还是"段落"。必须给出具体的格式样例或结构描述。
误区 4：约束太多且互相矛盾
text
❌ 矛盾约束：
"用非常详细的语言，在 50 字以内解释量子力学，
要通俗易懂，同时保持学术严谨性。"
"非常详细"和"50 字以内"打架，"通俗易懂"和"学术严谨"也打架。写约束前，先自己检查一下有没有逻辑冲突。
误区 5：四要素缺一不可
不是每个 Prompt 都需要写满四个要素。如果你只是随口问一句"今天天气怎么样"，硬套四要素反而画蛇添足。四要素是一套"复杂任务的结构化工具"，不是日常聊天的枷锁。
延伸阅读¶
练习题¶
练习 1：四要素改写
下面是一个典型的"模糊需求"，请用 Role-Task-Constraint-Output Format 的结构重写：
"帮我写个方案，关于怎么提高团队效率的，要专业一点，不要太长。"
练习 2：约束自检
找出下面 Prompt 中的矛盾约束，并说明怎么修改：
"请用高中生能听懂的语言，详细推导贝叶斯定理的数学证明过程，要求每一步都引用顶级数学期刊的原文，总篇幅控制在 200 字以内。"
练习 3：角色对比实验
用同一个任务（比如"解释什么是 NFT"），分别设定三个不同的角色： 1. 一位当代艺术策展人 2. 一位区块链工程师 3. 一位中学美术老师
对比三个回答在语气、侧重点、用词难度上的差异，思考：角色对输出质量的实际影响有多大？