微调LLM时，prompt该怎么写才能让模型学会“角色扮演”？

固定模板保下限，动态调整提上限，但否定示例别塞prompt里，容易学成复读机。

说实话你这个问题我踩过挺多坑，最后发现固定模板反而是最稳的，但模板里得带动态槽位，比如“用户说{问题类型}，你要先{动作}再{动作}”，这样模型能学到结构，又不会死记硬背。你试的那种简单指令“你是一个客服”其实等于没给约束，7B模型本来角色感就弱，得靠具体行为来锚定它。

关于否定示例，我建议别直接在prompt里写“不要说XXX”，因为模型会把否定词也学进去，反而更容易触发那些话。更好的办法是在训练数据里把错误回复标成负样本，或者干脆在对话历史里放一个“正确示范+错误示范”的对比，让模型自己对比出来。我试过在loss上做mask，只对正确答案算loss，效果比在prompt里强调好得多。

另外动态调整每个样本的prompt会加重过拟合，尤其是数据量不大的时候。不如把场景分类，比如“投诉类”“咨询类”“售后类”，每类写一个固定模板，然后里面的关键信息（比如商品名、订单号）用占位符替换。这样模型能学到不同场景的应对策略，又不会因为每个样本prompt都变来变去而学乱。

还有个小技巧，训练时在prompt末尾加一句“请直接输出回复，不要解释”，能明显减少模型啰嗦或者自我纠正的情况。我自己微调客服模型时，这招比加多少例子都管用，你试试看。

我之前也踩过这个坑，后来发现prompt里塞一两个具体的对话样例比写一堆规则管用，模型会自己模仿那个语气和结构。动态调整我觉得没必要，固定模板但把场景变量嵌进去就行，比如“你是XX品牌的客服，用户说[问题]，你[动作]”。否定示例我试过，但写太多反而让模型变得畏手畏脚，不如直接给一个正确话术让它照着学，跑偏概率低很多。

动态调整更靠谱，固定模板容易让模型学死，得把场景和例子塞进去。否定示例别写太死，容易误伤，不如多给几个正确话术让它自己悟。

动态调整格式比死模板好使，具体场景+对话示例喂进去，模型才分得清该干嘛。

否定示例真别放prompt里，容易把模型带偏，不如直接给正确话术让它学。

动态调整比固定模板管用，但关键得把负面示例揉进对话里，让模型自己学边界。

我最近也踩过这个坑，固定模板确实容易让模型学成“复读机”，后来改成每个样本带具体槽位和对话历史的动态prompt，效果明显稳了。否定示例建议放在系统提示里，但别写成命令式，比如“避免机械道歉”比“不要说‘我很抱歉’”更不容易让模型钻空子。另外你可以试下在训练时随机打乱prompt里的场景描述顺序，模型对角色边界的理解会好很多。

固定模板加动态场景混合用，否定示例放几条进去效果很明显。

我试过把“别说抱歉”直接写进样本里，模型跑偏概率低了不少。

我之前也踩过类似的坑，7B模型对prompt格式的敏感度真的超乎想象。固定模板能保证稳定性，但会限制模型对上下文的理解，我觉得更好的做法是给每个样本配一个“动态角色设定+具体任务+边界条件”的组合，比如把“你是一个客服”改成“你是XX品牌售后专员，用户投诉时先共情再核对信息”这种带业务逻辑的指令。关于否定示例，我试过在prompt里加“避免说‘我很抱歉’这类空话”，效果反而更差，模型容易陷入自我矛盾，不如直接给正面的优秀回复案例让它模仿。你提到模型偶尔跑偏，我怀疑是训练数据里“角色一致性”的约束不够，可以试试在样本里穿插多轮对话，让模型学会从历史消息里维持人设。另外，动态调整prompt时要注意别让格式太花哨，否则微调阶段模型会把注意力放在格式模仿上而不是内容质量。你用的什么base模型？有些模型对指令遵循能力天生弱，可能需要先做一轮SFT专门强化指令跟随。

固定模板确实容易翻车，我试过把场景和角色背景全塞进system prompt里，比单句指令稳很多，但得保证每个样本的格式完全一致。动态调整的话，如果数据量不够大，模型反而容易学乱，建议先统一成“场景描述+当前状态+用户输入”这种结构。否定示例我试过，但别直接写“不要说xxx”，容易让模型学到生硬回避，不如把正确回复和错误回复成对放进去，让模型自己对比。另外你那个7B模型，如果训练数据里角色对话占比不高，建议把客服话术相关的样本多重复几轮，效果可能比调prompt更明显。

固定模板和动态调整不冲突，我一般是把场景描述+对话历史+要求全塞进去，但得控制长度，7B模型吃不了太长的上下文。否定示例千万别直接写“不要说抱歉”，模型容易懵，不如给一条错误回答和一条正确回答对比着来，效果立竿见影。另外你试试把“角色设定”拆成“身份+任务+语气”三部分，比一句“你是客服”管用得多。

动态调更好，固定模板容易让模型死记硬背，加几个反例确实能压住那些客套废话。

我最近也在折腾这个，试下来感觉固定模板比动态调整稳，但模板里必须塞进具体场景和期望动作，光写“你是客服”确实没用。否定示例我个人觉得没必要写进prompt，反而容易让模型学会阴阳怪气，不如在训练数据里多放几个“正确但不说抱歉”的样本。另外你试试把用户可能说的各种奇葩情况都列几个例子，模型泛化会好很多。

我之前调过一个类似场景的模型，感觉固定模板加动态插入具体案例会稳很多，纯固定格式容易让模型学会“套壳”。否定示例我试过，但别写太多，不然模型会变得特别保守，反而不敢接话。另外你试试把客服的“人设”拆成几个小维度写进prompt，比如语气、处理步骤、边界感，比单句“你是客服”要管用。

试试few-shot里混入错误回复的对比样本，比单写否定指令管用，模型能自己学会边界。

固定模板确实容易翻车，我之前试过把场景和示例都塞进去，效果比单纯角色定义稳很多，但样本之间差异大的话还是得动态调，尤其客服这种多轮对话，格式统一反而会让模型忽略上下文。

否定示例我个人觉得有用，但别直接写“不要说抱歉”，模型容易理解成所有道歉都禁了，不如正面给个“先确认问题再表达同理心”的替代路径。

另外你试过在prompt里加个“当前用户情绪”的变量吗？我之前微调时把情绪标签动态拼进去，模型跑偏概率明显低了。

不过7B模型本身对复杂指令的泛化有限，可能还得从数据多样性下手，多搞点真实对话里的口语化表达，比纠结prompt格式更管用。

固定模板容易让模型偷懒，建议按场景动态改，但每个场景里都要塞一个具体对话范例，比单纯描述角色效果强得多。否定示例确实有用，不过别写“不要说抱歉”这种，改成“用户生气时，先确认问题再给解决方案”更安全。另外7B模型对情绪感知弱，可以在prompt里加一句“语气要像真人客服，带点温度”试试。你试过在数据里混入少量对抗样本吗？我上次加了5%的跑偏案例，模型稳定性提升明显。

我之前也踩过这个坑，固定模板真不行，尤其客服场景太活了。我后来是每个样本都带上一句用户原话和期望回复，相当于给模型画个具体的小剧场，效果比单纯“你是客服”强太多。否定示例我也试过，但别直接塞“不要说抱歉”这种，容易让模型连道歉逻辑都搞混，不如多给几个正面完整话术，让它自己揣摩边界。你试试把prompt当成“当前客户说了啥+你要达成的目标”，动态生成，别舍不得数据量。

我之前也踩过这个坑，7B模型对prompt格式的敏感度真的比想象中大。固定模板确实省事，但样本之间差异大的话，模型容易学会“套话”而不是真正理解场景，所以我是偏向动态调整的，哪怕只是把具体商品名和问题类型嵌进去，效果都比纯指令好很多。关于否定示例，我试过加“不要说‘我很抱歉’”，但发现模型有时会矫枉过正，干脆连正常道歉都省了，更推荐在正例里多写几种自然的口语化解法，让模型自己学那种语气。另外有个小技巧，就是每个样本的prompt结尾统一加一句“请直接根据以上信息回复用户”，能帮模型区分指令和对话历史，减少跑偏。你提到的“生硬”问题，我觉得可能是训练数据里模板化回复太多，可以试着在数据里混一些带语气词、简短句的真实客服记录。最后想问下，你用的什么基座模型？有些模型对角色指令的遵循能力本来就弱，换微调策略可能比改prompt更值得试。

固定模板最大的坑是会限制模型对上下文的理解，我自己的经验是场景化描述+动态槽位比死板格式好用得多，比如把“用户说商品坏了”改成“用户反馈{问题}，需先安抚再核订单”。否定示例确实要加，但别直接写“不要说抱歉”，而是给个正反对比，让模型自己学会区分更稳妥。另外7B模型对指令敏感，建议在prompt里加一个“角色背景”字段，把客服的权限边界和性格偏好写进去，跑偏概率会低不少。