提示词母体系列（2）：再进阶，一分钟创建你的拟人化小助理
输入“/”快速插入内容
提示词母体系列（2）：再进阶，一分钟创建你的拟人化小助理
提示词母体系列（2）：再进阶，一分钟创建你的拟人化小助理
一、照例叨叨两句
在上一篇文章中，我们详细探讨了如何制作提示词母体，并与大家分享了制作的核心思路。如果你还没有阅读过那篇文章，强烈建议你先去阅读一下，因为它为我们今天的讨论奠定了重要基础。
顺便附赠群友们在测试提示词母体后的感受：
而对于那些已经阅读过第一篇文章的朋友们，你们可能还记得我在文章末尾留下了一个悬念。那就是：我们如何能够创造出更加拟人化、更具个性的智能体，并且把豆包角色扮演模型利用起来？
今天，我们就来聊聊这个问题，聚焦于如何制作一个能够生成拟人化提示词模板的母体。这个话题不仅有趣，而且对于提升智能体交互的质量和深度至关重要。
在这篇文章中，我们将：
1.
探讨拟人化提示词的设计思路。
2.
分享一些实用的提示词，帮助你制作出更加生动、有个性的智能体角色。
3.
通过实际例子，展示如何利用这个母体生成各种拟人化的提示词模板。
4.
在不同模型中测试拟人化提示词的效果，看看是否真的实用。
二、拟人化提示词应该么设计？
2.1 从使用角度看提示词分类
当我们从使用角度来对提示词模板进行分类时，可以大致可以分为两类：任务型和拟人化型。这两种类型在本质和应用上有着显著的区别。
一般看来，任务型提示词专注于完成特定的任务或解决特定的问题。它们的特点是高度专业化、流程清晰，且往往遵循严格的工作逻辑。
相比之下，拟人化的提示词则具有更加复杂和多元的特性。它们不仅仅是为了完成任务，更多的是为了模拟人类的交互方式，可能用于陪伴聊天，或者展现更加人性化的特质。这种类型的智能体需要更加细致和全面的设计，以呈现出丰富的个性和背景。
2.2 拟人化提示词设计思路
在第一篇中，我们主要聚焦于任务型提示词，探讨了它们应该如何构建，以及它们的工作流程应该如何设计。这种方法强调了效率和精确性。然而，当我们转向拟人化的智能体时，我们需要采取一种完全不同的方法。
大家看下方的图表，这张图展示了如何设计一个拟人化的角色。从图中我们可以看到，设计过程始于角色的基础信息，包括姓名、性别、年龄和职业等。不管是设计什么角色，这些都是最为基础和必要的。
画板
紧接着，我们需要考虑角色的背景和经历。这些元素与基础信息密切相关，它们之间存在着强烈的相互影响。虽然在某些情况下，这种关联可能不那么明显，但通常情况下，角色的身份背景和经历在很大程度上决定了他们的基本特征，反之亦然。让我们通过一个例子来说明这一点：假设我们正在设计一个从事低收入职业的角色。在这种情况下，我们可以合理推测，这个角色可能来自相对贫困的背景，教育程度可能不高。
角色的背景和经历对人物形象的塑造有着深远的影响，尤其体现在爱好、特长、性格和价值观等方面。这些特质并非凭空而来，而是由角色的生活经历和成长环境共同塑造而成，它们之间存在着紧密的关联性。
接下来，我们会看到一个相对弱关联的元素：规划和目标。这些可以是短期的，也可以是长期的愿景。让我们用一个现实生活中的例子来说明：假设一个角色特别喜欢唱歌，这个爱好很可能会影响他的长期规划，比如梦想成为一名专业歌手。这样的设定既合乎逻辑，又能为角色增添深度和动力。
再看图表的右侧，我们可以看到性格和价值观这两个关键元素。这两者对角色的人际关系、社交能力以及语言风格都有直接的影响。例如，如果我们设定一个角色是典型的I型人格（性格内向），我们可以合理推断他可能不善言辞，社交圈子可能相对狭小。这种性格特征会直接反映在他的对话方式和社交行为中。
然而，语言风格的形成不仅受性格影响，还与角色的背景和经历密切相关。举例来说，一个出身优渥、受过良好教育的角色，他的谈吐可能会更加文雅得体。相反，如果一个角色来自较为艰苦的环境，受教育程度有限，他的表达方式可能会相对粗犷直接。
这种多层次、多维度的角色设计方法允许我们创造出更加真实、丰满的角色。通过仔细考虑这些相互关联的元素，我们可以构建出一个连贯的、令人信服的角色形象。这不仅能让AI与用户的交互更加自然和人性化，还能为用户带来更加丰富和个性化的体验。
📌
总结：在设计拟人化角色时，我们需要考虑以下元素之间的复杂关系
1.
基础信息如何影响背景和经历
2.
背景和经历如何塑造爱好、特长、性格和价值观
3.
这些特质如何影响角色的规划和目标
4.
性格和价值观如何决定人际关系和社交行为
5.
背景经历与性格价值观念如何共同影响角色的语言风格
三、模板构成
在掌握了人物设计的整体框架后，我们就可以着手编写提示词了。值得注意的是，我们可以借鉴上一篇文章中提到的替换方式来替换提示词模板。这意味着我们无需对模板的整体结构进行大幅度修改，只需要替换相应的生成模板内容即可。
先看约束部分，这次我把规则放到了顶部，加强约束。相呼应的，底部同样有个的约束。整个约束包裹具体提示词，用来提示模型的专注性。