Role Prompting

Суть в двух словах

Role prompting задаёт модели perspective:

• какую экспертизу включить;
• какие риски считать важными;
• на каком языке и уровне сложности отвечать;
• что считать хорошим результатом.

Хороший role prompt делает не "более умную модель", а более уместный угол обзора.

Когда role prompting реально помогает

Лучше всего техника работает там, где задача допускает несколько "правильных" оптик.

Role prompting особенно ценен там, где без него модель уходит в слишком общий, "среднеполезный" ответ. Роль помогает сузить scope и поменять internal ranking того, что считать важным.

Что делает role prompt хорошим

Сильный role prompt обычно состоит из трёх частей:

1. Роль: кто именно анализирует задачу.
2. Фокус: на что смотреть в первую очередь.
3. Критерий выхода: как должен выглядеть результат.

Плохой вариант:

• "Ты лучший эксперт в мире".

Хороший вариант:

• "Ты staff backend engineer. Проверь решение на race conditions, db load и failure modes. Не комментируй naming и стилистику."

Где role prompting особенно силён

Сильные сценарии:

• review prompts;
• teaching prompts;
• decision memos;
• internal copilots;
• multi-role analysis.

Слабые сценарии:

• задачи, где главная проблема в отсутствии данных;
• strict machine outputs без роли человека;
• high-stakes legal/medical use без внешней проверки.

Примеры

Role prompting для review

Ты — senior security engineer. Проверь дизайн функции upload файла. Смотри только на security risks, auth boundaries и insecure file handling. Ответ дай списком: risk, why it matters, fix.

Role prompting для обучения

Ты — преподаватель статистики для продуктовых менеджеров. Объясни p-value без формул. Используй один бытовой пример и один продуктовый.

Multi-role analysis

Сначала посмотри на идею как CFO, потом как growth lead, потом как ops manager. Для каждой роли дай 2 главных concern и 1 next step.

Частые ошибки

Другие ошибки:

• слишком абстрактная роль;
• отсутствие scope;
• отсутствие out-of-scope;
• смешение роли и формата в одну неясную фразу;
• роль без критериев качества.

Role prompting vs system prompt

Роль может жить:

• в user prompt, если это ситуативная оптика для одной задачи;
• в system prompt, если это постоянный operational persona;
• в prompt template, если это повторяемый workflow.

Это полезное различие:

• role prompt чаще про perspective;
• system prompt чаще про persistent behavior.

Техническая реализация

OpenAI Responses API

from openai import OpenAI

client = OpenAI()

response = client.responses.create(
    model="gpt-5",
    instructions=(
        "Ты staff backend engineer. "
        "Оцени решения по reliability, db load и failure modes. "
        "Не трать токены на style nitpicks."
    ),
    input="Проверь архитектуру фоновой очереди для отправки email.",
)

print(response.output_text)

Anthropic system prompt

import anthropic

client = anthropic.Anthropic()

message = client.messages.create(
    model="claude-sonnet-4-0",
    system=(
        "Ты senior security reviewer. "
        "Смотри только на auth, secrets, injection и unsafe file handling."
    ),
    max_tokens=500,
    messages=[
        {
            "role": "user",
            "content": "Проверь design upload API для B2B SaaS.",
        }
    ],
)

print(message.content[0].text)

Practical pattern

Для production обычно лучше не просто писать роль, а связывать её с rubric:

• role: кто оценивает;
• scope: что именно проверяет;
• format: как вернуть результат;
• out-of-scope: что игнорировать.

Так role prompting перестаёт быть vague-персоной и становится рабочим интерфейсом.

Reusable role template

ROLE_TEMPLATE = """
Role: {role}
Focus: {focus}
Success criteria: {criteria}
Out of scope: {out_of_scope}
Output format: {format}
""".strip()

Такой шаблон почти всегда лучше, чем голая фраза "ты эксперт".