自我角色提示：零样本推理的新范式让大模型自主选择思维角色

本文提出一种创新的零样本推理策略——自我角色提示，让大语言模型在解决问题前自主选择最适合的推理角色。该策略采用两阶段框架（角色识别+角色驱动推理），无需人工设计角色模板，在数学推理（AQUA-RAT）、常识问答（CommonsenseQA）和策略推理（StrategyQA）任务上均取得显著效果，为提示工程提供新方向。

提示工程是释放大模型潜力的关键技术，从简单指令到思维链提示不断发展。传统方法需预设固定角色，但不同任务需不同推理视角，预设角色可能不适用。自我角色提示提出灵活方案：让模型自主选择适合角色，无需人工模板，属零样本策略。

自我角色提示采用两阶段架构：

1. 角色识别：模型分析任务特征生成适合角色（如数学问题选“数学教授”），提示模板为“请分析问题并描述最适合的专家角色”；
2. 角色驱动推理：以生成角色身份解决问题，提示模板为“作为[角色]，解决问题并展示思考过程”。 该策略完全零样本，具有通用性、适应性、可扩展性优势。

研究在三个基准测试验证：

• AQUA-RAT（数学推理）：优于标准零样本，激活数学推理能力；
• CommonsenseQA（常识问答）：选择生活经验角色，更好利用常识；
• StrategyQA（策略推理）：多角度分析，提升隐含推理准确性。 对比标准零样本、思维链提示、人工专家角色提示，自我角色提示保持零样本优势且效果更优。

1. 激活特定知识：选择角色激活相关知识子集与推理风格（如数学教授用严谨方法）；
2. 元认知能力体现：模型评估任务特征，调整推理策略，展现自我调控能力；
3. 优化上下文学习：角色生成构建更适合任务的上下文，激发模型潜力。

基本流程：

1. 设计角色生成提示；
2. 设计推理提示；
3. 两阶段调用（先生成角色，再角色驱动推理）。 代码示例：Python实现两阶段调用函数（角色生成+推理）。 优化技巧：控制角色描述长度（1-2句）、调整温度参数（生成角色时高，推理时低）、多角色集成（复杂问题综合多角色结果）。

局限性：

• 计算成本高（两阶段推理）；
• 角色选择可能不适合模糊/跨领域任务；
• 依赖基础模型能力。 未来方向：
• 自适应角色切换；
• 角色库学习；
• 多模态扩展；
• 与检索增强生成、工具使用结合。

自我角色提示是提示工程重要进展，展示模型自主决策提升推理能力的潜力。其简洁性与有效性具实用价值，无需复杂示例或模板。未来有望看到更多创新应用及在复杂任务中的扩展优化。