提示词设计如何塑造人机关系：从双向对齐到情境化互动

Prompt Design as a Shaper of Human-AI Relationships：From Bidirectional Alignment to Contextualized Interaction

摘要

随着大语言模型以其惊人的语言生成能力重构人机交互范式，提示词不仅成为用户与生成式人工智能交互的输入手段，更在互动实践中参与建构人机关系的意义网络。基于95篇中英文文献，从“双向人机对齐”与“情境化人机互动”两个维度探讨提示词设计如何塑造生成式人工智能与用户之间的关系。研究发现，提示词不仅是传达指令的技术接口，更是协商、建构与调适关系的语言媒介。在双向对齐中，它通过目标显化、语境塑造、情感引导、风格设定与价值嵌入，使人类与人工智能在意图、语境、风格、情感和价值五个层面相互适配，在任务情境中强化分工、优化节奏与提升透明度，在社交情境中营造氛围、塑造拟社会关系与提供情感支持。现有研究在多轮交互机制、跨文化与伦理风险、本土化实践等方面仍显不足。未来应结合实验与纵向追踪，探索具有文化适配性与伦理保障的提示设计范式，推动人机关系的可持续发展。

Abstract

In the context of the ever-growing application of generative AI， prompt design has emerged as a pivotal factor shaping the quality and relational dynamics of human-AI interaction. Meanwhile， the quality and ethical risks of prompt engineering have increased， making the need for systematic research on the sociotechnical implications of prompt design increasingly urgent. This study investigates how prompt engineering influences the relationship between users and large language models through the dual dimensions of “bidirectional human-AI alignment” and “contextualized interaction”.Drawing upon a comprehensive analysis of 95 Chinese and English scholarly works， this research establishes a five-dimensional analytical framework that repositions prompts from mere technical inputs to sophisticated language mechanics facilitating human-AI collaboration， construction and relational mediation. The findings demonstrate that well-crafted prompts facilitate mutual adaptation across five critical dimensions： intentional， contextual， stylistic， emotional， and value alignment. Empirical evidence reveals that culturally-sensitive value prompts can effectively reduce biased outputs in cross-cultural scenarios， while emotion-oriented prompts enhance user satisfaction significantly.In task-oriented contexts， strategic prompt design improves collaboration efficiency through optimized role division and process transparency. The implementation of complementary prompts and scaffolded prompt structures have been proven to be particularly effective. For social interactions， affective support prompts incorporating psychotherapeutic models increase empathic response accuracy， fostering meaningful parasocial relationships. The study highlights how emotional contingency in multi-turn dialogues enhances perceived trustworthiness and relational continuity.Despite these advancements， significant gaps remain in understanding multi-turn interaction mechanisms， cross-cultural ethical risks， and localized practices. The study proposes future research directions combining experimental methods with longitudinal tracking to develop culturally-adaptive and ethically-grounded prompting paradigms. At the policy level， this article advocates for incorporating prompt governance into AI regulatory frameworks， particularly through standardized prompt libraries for sensitive domains like education and healthcare. This study not only expands theoretical boundaries in human-AI communication but also provides actionable insights for responsible application of generative AI.

Graphical abstract

关键词

生成式人工智能 / 提示词 / 双向人机对齐 / 人机协作 / 社交导向

Key words

generative artificial intelligence / prompt / bidirectional human-AI alignment / human-AI collaboration / social orientation

一 问题提出

近年来，以大语言模型（large language models， LLMs）为引擎的生成式人工智能（AI）在全球范围内进入规模化应用的新阶段。据第十二届互联网安全大会数据，中国已完成备案并投入使用的生成式AI服务大模型超过180个，注册用户总数超过5.64亿人，广泛应用于客服、内容创作、业务流程等场景1

1 我国生成式AI服务大模型超180个[EB/OL].（2024-08-02）[2025-08-18]. https://www.news.cn/tech/20240802/1b85375988d64f01bbb688e17bc09f5c/c.html.

。2025年3月5日，在第十四届全国人民代表大会第三次会议上发布的《政府工作报告》将“大模型广泛应用”明确纳入国家规划。此后，相关政策密集出台，产业界亦加速响应。2025年7月31日召开的国务院常务会议审议通过《关于深入实施“人工智能+”行动的意见》，进一步明确要推动人工智能在经济社会各领域的普及与深度融合，形成以创新带动应用、以应用反哺创新的良性循环，并在大规模商业化落地的同时，构建安全、协同的治理格局2

2 国务院常务会议解读我国部署深入实施“人工智能+”行动[EB/OL]. (2025-07-31)[2025-08-18]. https://www.gov.cn/zhengce/202507/content_7034734.htm.

。《中国人工智能应用发展报告（2025）》指出，作为大模型应用的重要技术手段，提示词工程的质量、可控性与本土化能力亟须提升，以更好支撑国产大模型的竞争力与安全性3

3 总台x阿里云！《中国人工智能应用发展报告（2025）》重磅发布[EB/OL]. (2025-07-18)[2025-08-18]. https://www.sarft.net/a/221729.aspx.

。

在人类与技术共舞的生成式AI时代，人机之间不再是单向的指令执行与结果反馈，而是逐渐呈现出动态、协商性和情境化的互动特征。在这一过程中，提示词（prompt）更像是人机关系的“语法”与“修辞”，而非单纯的文本指令。它既规定了互动的起点，也暗示了互动的走向。随着模型能力不断增强，用户开始主动设计提示词的结构、风格、角色设定与语境策略，以获得更精确或更具创造性的响应^［1］。然而，提示词设计缺乏统一范式，且多依赖反复试验和用户主观判断，模型也不会主动提示更优方案。这种不确定性不仅影响生成结果的质量，还关系到生成式AI与用户之间能否实现有效的双向人机对齐，即AI对人类意图、价值与语境的理解与适配，以及用户对AI能力与行为模式的认知调适和策略调整4

4 SHEN H, KNEAREM T, GHOSH R, et al. Towards bidirectional human-AI alignment: a systematic review for flarifications, framework, and future directions[EB/OL]. (2024-8-10)[2025-08-17]. http://arxiv.org/abs/2406.09264.

。

现有研究已开始关注示例数量、角色设定、输出约束等提示词要素对生成结果的影响，但对于提示词设计如何在不同交互语境下驱动双向人机对齐并进一步建构特定关系形态的文献梳理与洞察仍然不足。在生成式AI深度嵌入经济社会的背景下，这一问题不仅涉及模型性能优化，更关系到人机关系的社会属性、信任机制与治理模式^［2］。本文由此提出以下核心研究问题：提示词设计如何影响人机（用户与生成式AI）之间的对齐表现与情境化关系建构？对这一问题的探讨不仅有助于深化对人机关系形成机制的理解，也为提示词的优化设计和生成式AI的负责任应用提供理论与实践依据。基于研究问题，本文设计专用检索词及检索条件，提取相关中英文文献，对已有研究成果进行梳理，并提炼出此领域未来的研究方向。

二 核心概念界定与文献范围

（一） 提示词与提示词设计

提示词是用户向生成式 AI 输入的文本指令，作用是引导AI生成符合预期的输出，它是人机交互的核心载体。提示词的要素通常包括说明、问题、输入数据和示例。提示词中的说明或问题是实现有效交互的必要部分，其他要素则视具体场景可选。根据是否包含示例以及示例数量，提示词可以进一步分为零样本提示（zero-shot prompt）、单样本提示（one-shot prompt）以及少样本提示（few-shot prompt）。此外，依据其内容形式的不同，提示词还可以分为离散提示（discrete/hard prompt）和连续提示（continuous/soft prompt）。前者以自然语言构成，具有人类可读性；后者则基于嵌入向量表示，需借助算法进行训练和优化，适用于更底层的模型微调或自动提示生成任务。

提示词设计则是在理解模型能力与任务需求的基础上，针对性地规划提示结构，以提升模型输出质量的系统性过程。已有文献综述与实证分析构建了提示词设计的结构化分类框架，如表1所示，提出将提示词设计划分为“交互”“上下文”与“结果”三大元维度，涵盖9个具体子维度。其中，交互类别包括输入输出的形式（如文本、图像）与交互类型（如人在回路/计算机在回路）；上下文类别涉及提示词中所设定的角色（如“英语教师”）、风格（如“油画风格”）、示例数量（如零样本/少样本）与信息空间（如模型内部知识/外部资料）；结果类别则涵盖思维链（如单步/分步推理）和目标（如学习、查找、创作等）。

此外，该分类框架还明确了各子维度下的特征属性，包括“互斥（ME）”与“非互斥（NE）”的关系界定，以及“未定义”“已定义”“显式内部”“显式外部”等具体特性。其中，“互斥”表示同一维度下的特征属性不可同时存在，“非互斥”则允许同一维度下的特征属性进行组合；“未定义”指未对该特征作出明确限定（如未指定“角色”时，模型默认采用通用行为模式），“已定义”则对该特征进行了具体约束（如明确“角色”为“英语教师”）；“显式内部”“显式外部”用于界定“信息空间”维度中模型调用的知识来源，前者限定使用模型自身知识库，后者指定依赖外部提供的资料。这些特性进一步细化了提示词设计的边界与组合逻辑。通过这一多维度结构化设计，可实现对提示词的系统优化，从而有效提升生成式 AI 的任务表现与交互质量^［1］。

因此，提示词不仅是引导生成式 AI 输出的基础指令形式，更是构建高效人机交互的关键工具。其设计过程需要系统性地整合交互形式、上下文信息与结果预期，通过结构化、多维度的优化策略，最大限度地提升模型的生成质量与任务适应性。

（二） 人机关系

本研究所讨论的人机关系，特指基于提示词交互的人和生成式AI关系，尤其聚焦以大语言模型为核心的对话式AI系统（如 ChatGPT、Microsoft Copilot、Deepseek、文心一言等），可分为双向人机对齐与情境化的人机关系两个层次。与传统人机关系研究主要关注物理界面、交互设备或特定应用场景不同，生成式AI时代的提示词已成为人机关系的一种新的交互界面，推动人机关系从“界面交互”（interface interaction）向“话语交互”（discursive interaction）延伸，是一种语境敏感、交互生成的关系性状态。在这种模式下，用户通过自然语言提示传递意图、情境与价值预期，模型则以语言生成结果回应并塑造互动过程。

人与AI之间的对齐从来不是单向的摹写，也不是机械的复制，而是共享意义场的动态构筑。双向人机对齐包含AI对人的理解与适应，以及人对AI的认知与调适的双向过程^［2］。这不仅是技术层面的性能精准控制要求，更是认知和社会互动的必要前提。倘若AI无法正确理解人类的意图、语境和规范，或者人类无法解读和预测AI的行为模式，交流就会滑入噪音与失真，互动将会沦为误解与错配。只有在动态对齐中，人机关系的边界才能不被侵蚀，关系才会稳固。双向对齐不仅依赖模型对提示词的理解与执行能力，也依赖用户在提示中对目标、约束与风格的清晰表达，提示词设计的重要性由此显现。提示词把人与AI的语境、规范与期待拉到同一个可对话的空间里，使得信息真正被共享，信任稳固生长，从而构建出一种更具弹性与延续性的人机关系。

图灵曾设想以“模仿游戏”检验机器的智能，但真正决定人机互动质感的，并非强大算力支持机器展现的类人思维行为，而是互动所发生的语境与场景。情境化的人机关系强调在具体应用情境中，提示词如何嵌入任务目标、情感需求和社会规范，塑造互动的内容与方式，可以进一步划分为任务情境与社交情境^［3］，这一划分主要依据交互目标与用户预期的差异。任务情境以实现明确目标为导向，强调效率、准确性与可操作性，提示词设计多呈结构化和精确化，以支持任务分解、信息处理与执行反馈；社交情境则以建立情感联结和增强体验为核心，强调亲密、信任与持续互动，提示词设计更注重语气营造、风格调适与价值共鸣的引导。正是这种差别，让提示词在不同场景中承担起多重角色。

（三） 文献范围

为确保文献综述的系统性与针对性，本研究的文献收集遵循明确的纳入与排除标准，并结合中英文数据库进行检索与筛选，检索时间范围限定为2020 年1月1日至2025年 7月 10日。

在中文文献方面，以“提示词”为主题词在中国社会科学引文索引（CSSCI） 来源期刊中进行检索，共获得105篇文献。在初步筛查其与本研究主题的相关性后，选取与提示词设计及人和生成式AI交互密切相关的9篇文献作为分析样本。

在英文文献方面，选择 Web of Science Core Collection数据库为文献来源，检索了同行评审的英文文章。该数据库在科学技术、社会科学与跨学科研究领域具有较高的覆盖度和权威性，且能保证文献的学术质量与可溯源性。主题词设置为：（“prompt design” OR “AI prompt” OR “LLM prompt” OR “GenAI prompt” OR “chatbot prompt”） AND （“human-AI interaction” OR “human-AI relations” OR “human-AI relationship” OR “human-AI communication” OR “human-AI” OR “human-chatbot” OR “human-LLM” OR “human-GenAI”）。初步检索共获得 25 389 篇文献。为提高主题相关性，进一步限定研究领域为心理学（psychology）、社会学（sociology）、商业经济学（business economics）、行为科学（behavioral sciences）和传播学（communication），筛选后获得 6 929 篇文献。

根据核心研究问题，本研究设定的英文文献纳入标准包括：研究对象为基于自然语言交互的AI系统（包括LLMs、聊天机器人等）；明确探讨提示词设计或提示输入在交互过程中的作用机制、影响因素或结果表现；研究内容涉及人机关系维度（如对齐、信任、依恋、协作、社会存在感等），并与提示词设计相关联。排除标准包括：仅从提示工程的技术实现或算法优化角度探讨提示词，而未涉及人机交互与关系议题；研究对象不包含生成式人工智能或会话式系统；会议摘要、书评、评论性文字及非同行评议文献。

在英文文献的初步筛选基础上，采用滚雪球法对核心文献的引文与被引文献进行补充，纳入部分高相关度的跨领域研究成果。最终，共确定95篇中英文文献作为本研究的分析基础。

三 双向人机对齐：人机关系的底层逻辑与普遍期望

近年来，学界提出“双向人机对齐”（bidirectional human-AI alignment）框架，指出在生成式AI广泛参与写作、对话与决策的语境中，对齐不仅包括AI对人类意图、语境与价值的适配，也包括用户对AI能力边界与响应偏好的表达调节5

5 SHEN H, KNEAREM T, GHOSH R, et al. Towards bidirectional human-AI alignment: a systematic review for flarifications, framework, and future directions[EB/OL]. (2024-8-10)[2025-08-17]. http://arxiv.org/abs/2406.09264.

。在这一过程中，提示词作为人机交互的语言起点与控制接口，既承载任务目标、语境设定与风格控制，也影响模型的生成逻辑与语用策略，是人通过语言主动调适AI的工具，也是AI据以推断上下文并塑造回应的依据。提示词并非用户的静态输入，而是在互动中不断被重构与调整的动态装置，其语言结构直接决定模型对任务的理解方式与回应内容；与此同时，模型的反馈可预测性、语境响应能力与输出风格，也会反过来塑造用户的提示策略。这种基于提示词的双向认知调适、语境协商与规范嵌入，使对齐成为一种持续进行的语言协商，而非一劳永逸的控制过程。

基于既有人机对齐与人机交互研究揭示的关键要素6

6 SHEN H, KNEAREM T, GHOSH R, et al. Towards bidirectional human-AI alignment: a systematic review for flarifications, framework, and future directions[EB/OL]. (2024-08-10)[2025-08-17]. http://arxiv.org/abs/2406.09264.

［2，4］，本文进一步归纳出意图、语境、风格、情感与价值5个核心维度，帮助刻画提示词在双向人机对齐中的作用机制，如图1所示。其中，规范层的价值对齐（伦理、公平、政治、文化与审美）位于最高层，它通过确立基本原则与边界，对中层的风格对齐与情感对齐形成约束性作用，确保生成内容在伦理、文化与社会规范上与用户价值预期相符。表现层的风格对齐（语言形态、语气调性）与情感对齐（情绪共鸣、社交回应）发挥桥梁作用，它们既受价值层的规范约束，又对任务层的运行提供支撑性条件，维系交互的自然性与信任度。具体而言，风格和情感的恰当匹配能够促进意图的顺畅传达与语境的信息共享，从而为任务层的意图对齐与语境对齐奠定基础，确保目标表达与背景理解的共享一致。

（一） 意图维度：目标表达与推断对齐

在奥斯汀（Austin）与塞尔（Searle）看来，说话的过程也是实施特定行动的过程，互动的顺利进行需要说话者与听话者之间意图的互相理解^［3］。提示词正是启动人与AI互动的“言语行为”，其内隐规则决定了人类的意图是否被AI清晰识别并回应，而当AI针对提示词不断追问、澄清和调整时，它也在参与意义的协商。

用户凭借提示词实现目标意图的显化、精练与结构化，以实现对AI的表达适应。目前研究普遍认为有效的人和AI互动依赖用户提供足够明确的目标信号，并在多轮对话中理解和修正AI的能力边界。人类沟通中的澄清性提问、动态协商与语境补充等机制同样可以借助提示词结构化迁移到人和AI交互中，使多轮对话不断优化表达、减少歧义。结构化的提示词生成方式能够降低非专业用户的表达门槛，使目标表述更完整而精确7

7 KIM Y, SON K, KIM S, et al. Beyond prompts: learning from human communication for enhanced AI intent alignment[EB/OL]. (2024-05-09)[2025-08-17]. https://arxiv.org/abs/2405.05678.

。提示词不仅是AI接收指令的起点，也可以嵌入引导AI主动探测与调整的机制。当AI能够识别不确定性并主动提出澄清问题时，结果往往更贴近用户期望。这提示后ChatGPT时代的AI应具备主动发起、话题导航和战略规划的能力，以补全用户未显性表达的隐性意图，维持跨阶段的目标一致性，并在长时段交互中保持稳定的对齐^［5］。

但提示词也常常像“洞穴寓言”中的影子，既是意图的投射，又可能遮蔽真实的光源。表达模糊不清的提示词会造成意图与模型理解的偏差，迫使用户陷入反复试验与修正8

8 YANG C, SHI Y, MA Q, et al. What prompts don’t say: understanding and managing underspecification in LLM prompts[EB/OL]. (2025-05-19)[2025-08-17]. https://arxiv.org/abs/2505.13360.

；缺乏关键信息的提示词不仅降低生成结果质量与一致性，还会在多轮交互中引发错误假设与目标偏离。这意味着提示词设计必须在结构上减少信息缺失与歧义，从源头降低提示词不确定性（prompt uncertainty）带来的成本。若提示词本身带有误导甚至恶意，它可能像病毒一样侵入模型的响应逻辑，使AI偏离既定目标，这让模型的鲁棒性（robustness）成为意图双向对齐的另一大挑战。提示词设计因而需要融入防御策略，如输入过滤、响应验证和上下文感知拦截，使AI在面对不完整、模糊甚至恶意表达时，依然能通过澄清与适配保持与用户真实意图的一致^［6］。

从双向对齐的整体视角看，实现高效的意图对齐不仅要求生成式AI理解用户输入的表层语言，更需双方在互动中建立“共同基础”（common ground），缺乏共享知识、语境与推理前提会削弱用户对系统行为的理解与信任，阻碍意图与语境的一致性。由此可见，提示词既是任务指令的表述工具，也是构建人机共享语境的语言实践，其结构和背景信息的呈现直接决定了意图对齐的质量。

（二） 语境维度：情境建构与适配对齐

语境对齐是指人机双方在互动过程中围绕情境设定、背景信息与角色身份形成一致性理解，从而确保生成内容与任务环境相符。当用户通过提示词补足背景、限定身份时，AI才能在这一框架下生成与场景匹配的内容；而AI的生成又会反过来修饰、扩展语境，使双方在互动中不断靠拢。语境对齐的意义，正在于让人机对话“不失其所”。

在人向AI的情境调适方面，提示词是用户编码背景信息、情境要素与角色关系的主要工具。对提示词中情境信息的“破坏实验”发现，当提示词中缺失或打乱关键信息时，即使是性能优异的大语言模型，其生成质量也会显著下降9

9 SHIVAGUNDE N, LIALIN V, MUCKATIRA S, et al. Deconstructing in-context learning: understanding prompts via corruption[EB/OL]. (2024-05-29)[2025-08-17]. https://arxiv.org/abs/2404.02054.

。这说明，用户必须在提示词中精确而充分地嵌入任务语境，包括时空设定、情境目标和角色定位等要素，以便AI构建稳定的语境模型（context model）并据此生成契合的内容。

在不同文化背景与任务目标下，用户对AI的期待和使用方式往往截然不同。提示词就像一座桥梁，不仅帮助模型识别用户所处的实际场景，还能引导生成更贴合当下语境的回应。它能够灵活调整，让AI在多元环境中依然保持交流的自然与准确。但人们在评估AI生成内容的情境契合度时往往依赖流畅度等表面线索来推断其“语境理解能力”而忽视了内容本身与背景的深层匹配^［7-8］。这种感知偏差可能导致用户高估AI的情境敏感性，从而在提示词设计中减少必要的情境信息输入，进一步削弱语境对齐的质量。正如科学与技术研究（STS）的奠基人之一布鲁诺·拉图尔（Bruno Latour）所言，技术从来不是中立的工具，它的智能总是通过人类使用中被不断协商与重塑^［9］。提示词正是这种跨语境适配与文化协商过程中的关键语言媒介，提示词成效依赖内容一致性而非表面流畅度，它既是引导，也是遮蔽；既能让AI靠近人类语境，也可能在不经意间拉大理解的距离。

（三） 风格维度：语言形态与调性匹配

语言风格能够体现交流者的社会关系，人与生成式AI在互动过程中进行语言调性、语气风格、表达习惯、对话节奏等方面的碰撞与协商，在展现对话张力的同时也潜移默化地实现着风格的双向对齐。AI与人成为语言风格的共谋者使双方不仅能在任务信息层面达成一致，更能够实现认知审美层面的共鸣循环。这不仅提升了交互的自然感，更在润物无声中滋养了人机关系的质感。

用户在提示词中设定的语言外观是塑造人和AI交互基调的重要工具。根据可供性实现（affordance actualization）理论，用户会在与模型的反复交互中不断学习和试探其风格响应规律，继而借助角色扮演、情境化设定等提示策略引导AI在交互中调整语言与人格风格，塑造模型的认知取向（如分析型或创造型）以影响其推理路径与信息组织方式，通过提示词让AI完成语言与思维模式的双重调适10

10 LABA N. Beyond magic: prompting for style as affordance actualization in visual generative media[EB/OL]. (2024-10-01) [2025-08-16]. https://doi.org/10.1177/14614448241286144.

。

1973年，贾尔斯（Giles）首次提出沟通适应理论（communication accommodation theory）用以解释人类语言交互天然具有的趋同效应，这能帮助理解人机互动中的风格趋同^［10］。提示词的修辞风格与语气选择背后蕴含的是用户尝试引导AI的生成风格，AI根据提示词进行风格化回应也会影响用户的认知期待。具体而言，提示词设计既可以推动AI生成内容趋于稳定与规范，也可以通过引导探索性目标来增强多样性与创意性，以不同方式提升用户体验。但AI的风格化适应需要匹配具体任务情境，因为不同场景对AI风格适配的容忍度和价值取向并不一致：在强调亲和与互动的语境中，口语化、人性化的风格变体有助于营造亲近感；在强调专业与可靠的任务中，则需要AI维持规范与克制。

（四） 情感维度：情绪感知与表达调节

情感是人与世界关系中的自然流露，是“人之所以为人”的部分。由于人机关系具有社会和情感意义，具备社会奖励信号感知，社会情感对齐（socioaffective alignment）得以成为人机对齐中的重要维度^［11］。社会情感对齐并非稳定状态，提示词若能注入情感色彩，便成为调节互动氛围，使人与AI实现互惠的情感共鸣。用户可以借助提示词设计来更好地感知与理解AI并在情感层面适应AI。通过在提示中嵌入情绪线索或构建特定的情感框架，用户能够为AI提供情感定位，从而实现情感意图的外化与传递，并在互动中主动调整表达方式以促进关系融洽。

随着以皮卡德（Picard）为代表的学者提出情感计算（affective computing）的主张，AI对向人类情感的对齐逐渐被视为更深层次的要求，AI既要感知人类情绪，也要在互动中保持回应的恰当与一致^［12］8。当提示词明确引导AI生成一致且连贯的情感回应时，用户对AI的信任度以及对交互的安全感会显著提升；而多轮交互中情绪状态的稳定与契合，则是关系可预测性的重要来源。提示词也可以通过明确的情绪设定来引导AI承担针对性的情绪调节角色11

11 CAO B, WEN C, ZHANG R. How conversational contingency shapes trust in human-AI interaction: evidence from a two-wave mediation study[EB/OL]. (2025-06-24)[2025-08-17]. https://doi.org/10.1080/08838151.2025.2519730.

，AI在情感表达上与人类保持同步不仅能增强个体的情绪投入，也能在群体互动中促进积极氛围与协作效能。

（五） 价值维度：规范嵌入与伦理引导

循着哈贝马斯（Habermas）交往行为理论的路径，人与具有拟主体性的生成式AI的对话与互动可以一定程度上被视为主体间的交往行为，人和AI的有效交互依托共享社会规范和认可真实性、正当性、真诚性等有效性主张^［13］。在这一价值的双向对齐过程中，提示词成为连接人类价值观与机器认知图式的意义枢纽，不仅用户会根据对AI特性的认知调整价值表达，使AI更容易理解和采纳价值规范，AI也会在提示词引导下更贴近用户的价值期望，输出真实可靠的信息、符合道德规范的正当内容以及真诚回应需求。

定义与测量人机对齐中的价值观是有效对齐的前提，确定模型的价值观一致性配置及其一致性对于提高人工智能模型的透明度和可解释性也是至关重要的^［14］。理解机器繁荣（machine flourishing）的PAPERS 框架独特地整合了功利主义、伦理和心理维度，实证检验发现不同模型在伦理正直、目的性贡献、积极关系等机器繁荣主题上表现出稳定但不同的价值观配置12

12 LAU G R, LOW W Y. From human to machine psychology: a conceptual framework for understanding well-being in large language model[EB/OL]. (2025-06-26)[2025-08-17]. https://arxiv.org/abs/2506.12617.

。强对齐与弱对齐模型的差异进一步佐证对齐水平不仅是模型性能的衡量指标，也直接决定了提示词策略的复杂度与针对性，强对齐模型在多任务、多语境中能保持稳定的价值一致性，弱对齐模型则更容易受提示词变化影响，因而需要在提示中加入更明确、细化的价值引导^［15］。

但不同交互情境中的价值观是多元且模糊的，这对提示词设计来说是一种考验。在伦理与公平性方面，提示词往往构成探测价值偏见的观测窗口，通过特定的描述或情境设置，提示词能够触发模型在性别表征、群体描绘及资源分配等议题上的隐性倾向，进而成为测量敏感度与干预调节的重要手段。在政治价值领域，提示词则扮演着立场设定与平衡检验的双重角色^［16］。在面对不同政治议题时，AI输出稳定性和倾向性高度依赖提示结构，合理的提示设计能够在一定程度上避免AI生成结果的极化和宣传化倾向13

13 FOISY L M, DROUIN J, PELLETIER C, et al. Ain’t no party like a GPT party: assessing OpenAI’s GPT political alignment classification capabilities[EB/OL]. (2024-12-21)[2025-08-17]. https://doi.org/10.1080/19331681.2024.2444587.

。跨文化与跨制度语境的研究进一步印证了价值对齐的多样性与复杂性。提示词的价值导向不仅会影响模型的立场生成，还会影响其在不同社会制度和文化背景下的立场稳定性，这凸显了在跨文化场景中优化提示结构的必要性^［17］。由于不同文化群体对同一提示的理解可能完全不同，缺乏背景约束的提示极易引发误解甚至冒犯。除严肃议题外，审美取向与娱乐性也构成价值对齐的一部分。研究比较 AI 与人类创作的笑话发现，虽然 AI 在结构完整性上表现良好，但在情境化幽默和文化趣味的捕捉上明显不足。由此可见，在非严肃任务中，提示词需要通过指定风格、受众与文化元素来缩小契合差距^［18］。

价值对齐在人机交互过程中呈现出动态性与脆弱性。当模型遭遇恶意或误导性输入时，既有的价值一致性可能被迅速破坏，尤其在弱对齐模型中更为明显。用户往往需要通过直接纠正、迂回引导等方式不断调整提示，以修正生成方向。责任化与正向引导的提示词设计也能降低AI的价值偏离风险并增强人机契合的稳定性。提示词可以在输入阶段通过显性或隐性方式嵌入价值导向，将社会规范、文化偏好与道德判断转化为可执行的语言规则体系。这不仅有助于防止不当内容的出现，也能在交互中引导模型输出更符合社会期待的行为模式。责任型提示设计能够通过风险提醒与替代方案建议，在输入阶段实现价值约束；在更广泛的社会语境中，提示还可以通过塑造同理心、情绪回应等路径，引导用户更积极地参与社会性议题^［19］。情境化与人格化的提示词设计不仅塑造了AI生成内容的价值倾向，也改变了用户对生成结果的价值判断^［20］。

从更长期的时间范围观察，价值对齐并非静态的技术校准，而是伴随着用户与AI持续交互的双向塑造过程。当 AI 输出与用户价值高度一致时，不仅关系氛围与成果质量得到提升，合拍的交互体验也会自然催生更强的心理归属感与信任基础^［21］。随着交互频次的累积，用户会不断更新对模型的心理预期，并据此优化提示策略，从而形成更稳定的契合关系。但这一过程不是用户对AI的单向驯化，AI 的价值偏好同样会在潜移默化中反过来影响甚至重塑用户的决策模式与价值排序，表现出双向乃至反向的塑造效应^［22］。

四 情境化的人机关系：任务协作与社交导向

人类始终栖居在意义交织的网络之中，日益融入人类生活的生成式AI并没有凭空创造一种全新的交往形态，而是像在既有的意义之网中投下一枚石子，激起层层涟漪。以提示词为语言媒介的人机关系呈现出在具体情境的纹理中被编织、被感知、被赋义的过程，而非技术与功能的简单拼接，扩展了人类与技术共生的边界。在任务型情境中，提示词可塑造分工协作与信任配合的关系框架；在社交性或情感支持性情境中，提示词则可唤起自然流畅的陪伴感知甚至依恋的关系承诺。这种情境敏感性，恰是人机关系演化的内在逻辑。

（一） 任务导向情境中基于提示设计的人机关系建构：策略功能与协作质量

就像海德格尔的锤子一样，生成式AI的意义不在于成为孤零零存在的工具，而是在任务实践中与人进入共同的目标世界并完成行动。在任务情景中，人与AI的互动不仅要提升效率、优化流程，保证绩效，更以建立协作性、动态化的乃至制度化的关系为长期目标；用户对AI的响应能力、角色定位与协作方式也有更高的期待，如果模型只是听令行事，人类也就失去了与之共创的可能。这就需要提示词把各类关系要素编织进人、模型、任务的动态网络，使协作关系得以生成与延展。社会角色、专业互补、置信度与可解释性等功能嵌入，决定了协作的权力结构与信任框架；脚手架层级、叙事框架、正向摩擦与修复策略等结构设置，塑造了协作的节奏与过程深度；而礼貌与逢迎、社会线索、脚本化与归属提示等语境塑造，则调节了互动的氛围与心理距离。不同要素的组合不仅影响协作产出的效率与质量，也在关系层面促进或阻碍持续、稳定的人机协作关系的形成。现有的人机协作研究表明，多数实践仍停留在单向辅助阶段，缺乏真正意义上的双向协作^［23］，这意味着提示词的设计在培育长久的协作纽带方面具有重要潜力。

1 提示功能与交互模式

提示词的语气和风格属性并不是简单的文字修饰，而是一种社会性互动策略，影响用户在与 AI协作时的权力感知与角色认同。在提示策略的行为功能方面，社会角色框架（social role framing）是影响协作关系的重要变量，不同的角色设定（如专家、同伴、助手、顾问等）都会引导用户形成不同的合作预期和互动模式，如创意角色提示策略通过赋予 AI 特定创意角色，引导双方在创意生成中形成默契与共同节奏14

14 KIRKBY A, BAUMGARTH C, HENSELER J. Welcome, new brand colleague! A conceptual framework for efficient and effective human-AI co-creation for creative brand voice[EB/OL]. (2025-05-14) [2025-08-17]. https://link.springer.com/article/10.1057/s41262-025-00387-y#citeas.

。提示意图设计进一步通过协作分工与职能调度重塑协作模式。强调人机互补性任务分配的提示策略能够使人与AI在各自优势领域发挥作用，从而形成专业优势互补的关系网络^［24］。与此同时，AI身份披露提示提醒用户 AI 的非人本质，从而调节其能力预期与合作深度，避免过度人格化带来的误判^［25］。在提示内容功能上，可解释性提示策略要求 AI 展示推理路径与依据，不仅提升了输出的透明性，还强化了用户对 AI 决策过程的可控感与理解感，从而形成以知识共享为纽带的合作关系^［26］。置信度提示策略则通过呈现置信度与不确定性信息，帮助用户校准对 AI 的依赖水平，防止盲目信任或过度怀疑15

15 PONCE T M. AI resume writing: how prompt confidence shapes output and AI literacies[EB/OL]. (2024-09-10)[2025-08-18]. DOI: 10.1177/23294906241273317.

。

2 提示结构与交互节奏

“最近发展区”（zone of proximal development）概念为解释学习与支撑之间的关系提供了启发性框架，这一思路同样可以用来理解提示词设计策略的结构特征。提示词的结构方式恰如协作中的脚手架，不仅为单次的人机互动提供承载点，更在连续交互中塑造协作节奏与信息流动方式。在高层级的脚手架式提示中，任务被分解得更清晰，并伴随核查环节，从而让协作更高效、写作更精确；而在低层级的脚手架提示中，空间被刻意保留，用户得以自由探索，在参与感与创造力中找到价值。提示框架的差异不仅塑造了过程的节奏，也在无形中影响用户的控制感与满意度^［27］。叙事化、分步化或反思化的结构，不仅塑造了写作与协作的方式，也影响了用户对AI能力与合作角色的认知。当提示中嵌入反思性提问、延迟生成或假设质疑时，可以在互动中引入积极摩擦（positive friction），避免用户对AI的过度依赖，促进理性判断与共同责任感的形成^［28］。然而，交互中的结构化控制并非单向提升效能。在效率提升的同时，它也可能增加用户的心理负担，削弱灵活性。任务停滞时的策略选择同样重要：不同的应对方式会对任务完成度与满意度产生影响，而适度的脚本化训练与反馈机制，则有助于维持协调的流畅性^［29］。

3 提示语境与关系氛围

在人机关系中，提示语境与互动风格就是氛围的编织者，任何合作都在氛围中发生，群体感受能够编织出凝聚力。礼貌水平与礼貌策略不仅影响用户的信任判断与感知礼貌，还会调节用户对 AI 协作意图的解读；然而，过度逢迎会削弱输出的可靠性与用户的警觉性^［30］。在任务交互中，恰当地运用社会线索（social cues）（视觉、身份、会话）能够增强人性化感知与感知能力，从而提高协作意愿^［31］。与此同时，结构化的提示设计能够把分工安排、节奏控制与过程核查嵌入任务流程，通过引导发言、强化事务记忆与中期反馈等方式，提升团队协作的流畅性与创造力^［32］。另外，提示词的归属框架会直接影响感知所有权和功劳归属16

16 DU T, LI X, JIANG N, et al. Adaptive AI as collaborator: examining the impact of an AI’s adaptability and social role on individual professional efficacy and credit attribution in human-AI collaboration[EB/OL]. (2025-02-24)[2025-08-17].https://doi.org/10.1080/10447318.2025.2462120.

。

（二） 社交导向情境中基于提示设计的人机关系建构：交互机制与情感连接

社会关系的本质在于互动中的共同体感^［33］11。当用户将生成式AI纳入社交情境时，这种关系感便在人与技术之间生成，使AI成为潜在的交往参与者，而非冷冰冰的机器。社交情境中的人机关系更强调AI的共情能力、拟人化表现与双方的持续互动，用户也不只将AI定位为不同的协作角色，而是潜在的陪伴者、倾听者甚至交流对象。

本文将社交情境中作为“关系调节器”的提示词进一步分为两类，即侧重拟人化与持续交流、促进参与感与社会连结的社交互动型提示词与侧重情绪共鸣与心理安慰、提供积极情感反馈的情感支持型提示词。这两类提示词的设计策略引导AI在交互中展现特定的语气、社会角色与互动期待，进而在语言层面塑造人机之间的社会性互动氛围和情感关系。

1 社交互动型提示词

社交互动型提示词的力量并不在于它“教会”AI如何说话，而在于它“诱导”用户如何去感受。在一连串连贯的回应、情绪暗示和角色化表达中，用户往往会主动将AI视为具备社交意图与情感反馈能力的交流对象，从而营造出一种类似人际交往的拟社会关系（parasocial relationships）氛围，增强用户的投入感与情感依附。这种情境中的互动，实则是人类心理机制与提示词设计之间的共谋。提示词既不是冰冷的指令，也不是全然的拟人化，而是一种巧妙的中介，重塑了人机之间的社会张力。

提示词可以将AI塑造成不同的社会性角色，例如充满鼓励与陪伴的“无尽热情者”，或引导深度思考的“苏格拉底导师”。这种角色化不仅帮助用户明确AI的互动定位，也会影响其信任感、亲近感和对话流畅度^［34］。在情绪线索敏感性方面，不同提示技术（零样本、少样本、角色扮演等）结合矛盾的情绪线索（如比喻、语气、句子长度）会显著改变AI的响应特征。例如，比喻与模板填充类提示对情感线索最为敏感，且不同模型在反应强度上存在差异，这表明社交互动型提示词在设计时需平衡情感表达与任务指令的明确性^［35］。在产品化应用中，社交互动型提示词同样展现出优势。在模拟AI对话界面中，社交导向提示在低紧急度与成功服务情境下显著提升用户满意度，并建议通过界面设计引导用户更多使用此类提示词^［36］。此外，人机关系中以提示词为载体的社交互动不仅体现在提示词的具体内容，还与整体对话流程、人格设定和回复策略密切相关^［37］。

社交互动型提示词的有效性集中体现在三个关键维度。角色设定可塑造用户与AI的社会性关系；情感线索的精准嵌入可增强对话的自然拟真感与情绪匹配度；界面布局及操作流程的优化设计可以在实际产品环境中提升满意度与互动质量。这三个维度不仅支撑了准社会关系的形成，也为后续情感支持型提示词的进一步发展提供了社会性基础。

2 情感支持型

与强调社交氛围的提示词不同，情感支持型提示词更侧重让生成式AI在交流中展现安慰、鼓励与理解等关怀性回应，从而成为能够感知情绪、提供心理慰藉的互动伙伴。这种提示的价值不在于一般用于寒暄或维系关系，而在于情绪回应的深度。可以说，它构成了AI从“会对话”走向“懂情绪”的关键门槛。

情感支持型提示词设计呈现三类典型取向。第一类研究借助心理模型优化情绪推理链路，例如“共情链”（chain of empathy）提示，将心理治疗模型（如CBT、DBT、PCT、RT）与链式推理（chain-of-thought）结合，推动模型在理解用户情绪状态与情境因素的基础上生成更具语境相关性的共情响应^［38］。第二类则强调用户的自主定制与持续调节能力。相关研究发现，Reddit社区中用户会互相分享如何设计提示词获得心理健康支持。这不仅揭示了用户在绕过限制、追求人性化交互和提高效率方面的努力，同时凸显了安全风险和政策滞后的挑战^［39］。用户还会通过温和说服、理性说服以及角色扮演等方式主动地调整 AI 伴侣，修正模型偏差并增强情感共鸣，使其输出更符合用户的价值观^［40］。第三类关注特定人群与场景的适配需求，如WisCompanion 系统将苏格拉底提问法融入提示词设计，以引导模型进行深入的情绪探索与观点澄清，从而强化AI对老年用户的的情感支持效能^［41］。

情感支持型提示词的有效性，首先取决于是否能确立明确的情绪方向，让回应真正传递安慰、鼓励与共情；同时还依赖足够的灵活性，使用户能够主动调整，模型也能因环境而自适应；更需要在语言与推理上因人而异，使不同人群都能感受到贴切与理解。未来的探索，应在不断增强移情体验和交互品质的同时，守住个人自主与伦理安全的平衡点。

五 结语与展望

在人类与生成式AI的互动中，语言既是通道，也是界限。提示词作为语言的特殊形态，并未局限于指令的传递，而是被证明具有生成关系的力量。本研究由此指出，人机关系并非在技术中自然发生，而是在提示词的引导下逐步被编排和塑造。在双向对齐的基础上，它一方面为互动赋予方向，使协作在任务场景中呈现出分工清晰、节奏可控的秩序；另一方面又通过风格、情感与价值的层层渗透，赋予交流以温度，使社交场景中的互动能够持续生长并带有黏性。换句话说，提示词是连接效率与情感、规则与亲密的关键媒介，也是人机关系得以展开的语义支点。

尽管如此，现有研究和本文的探讨仍存在局限。首先，现有针对用户与生成式AI多轮对话以及长期互动的研究大多以提示词作为交互手段来考察使用场景、个体差异等因素对人机关系的影响，而非真正聚焦提示词设计本身如何塑造人机关系，也较少揭示提示迭代在时间维度上对信任、情感与任务表现的累积作用。与此同时，人机关系需要清晰的边界，若缺乏恰当约束，提示词所营造的亲密与依赖便可能演化为操控与误导。在伦理与社会层面，情感与价值的对齐在跨文化语境下表现出差异与风险，但目前缺少针对细分维度的系统实证检验。更需关注的是，本土化研究与实践亟待深化，尤其是在真实产品场景中建立标准化提示范式、满足弱势群体的可及性需求，并结合中国文化背景探索符合本土习惯的提示策略，以支持国产大模型生态建设。此外，本研究在文献选择上虽尽力回应核心问题，但因依赖人工筛选确定最终文献数量，仍可能存在相关研究遗漏，从而在一定程度上限制了结论的全面性。

展望未来，可以在三个方向上展开更细致的探索。一是通过实验与长期跟踪，观察在多轮互动中提示词的变化如何影响人机关系，并比较其在任务导向与社交导向下的不同作用，为人机协作机制设计、长期陪伴型应用以及跨情境的交互优化提供理论支撑和实践方向；二是关注不同提示策略在情感共鸣和价值契合上的跨文化差别，同时警惕其中可能带来的偏见、不公、安全隐患与透明性问题；三是实践层面需要推动更符合本土语境的提示设计与治理，既建立统一的规范，也保证多样性的包容，使不同背景的用户都能受益。只有这样，人机关系才能在多样情境中生成出既符合文化脉络又兼具普遍价值的交互样态。

参考文献

[1] BRAUN M， GREVE M， KEGEL F，et al. Can （A） I have a word with you？ A taxonomy on the design dimensions of AI prompts［C］//57th Annual Hawaii International Conference on System Sciences， HICSS 2024. Hawaii： Hawaii International Conference on System Sciences （HICSS）， 2024： 559-568.

[2] 陈思羽， 王启臻， 张洪忠. 提问的艺术：大模型提示工程的可供性分析［J］. 现代出版， 2025（4）： 61-72.

[3] 徐佳.言语行为理论的诞生和发展：从奥斯汀到塞尔［J］.赤峰学院学报（汉文哲学社会科学版），2010（12）：137-138.

[4] RAPP A， CURTI L， BOLDI A. The human side of human-chatbot interaction： a systematic literature review of ten years of research on text-based chatbots［J］. International Journal of Human-Computer Studies， 2021， 151： 102630.

[5] LIAO L， YANG G H， SHAH C. Proactive conversational agents in the post-ChatGPT world［C］//Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval. New York： ACM， 2023： 3452-3455.

[6] HANNON B， KUMAR Y， GAYLE D， et al. Robust testing of AI language model resiliency with novel adversarial prompts［J］. Electronics， 2024， 13（5）： 842.

[7] SCHERR S， CAO B， JIANG L C， et al. Explaining the use of AI chatbots as context alignment： motivations behind the use of AI chatbots across contexts and culture［J］. Computers in Human Behavior， 2025： 108738.

[8] JAKESCH M， HANCOCK J T， NAAMAN M. Human heuristics for AI-generated language are flawed［J］. Proceedings of the National Academy of Sciences， 2023， 120（11）： e2208839120.

[9] 戴宇辰.传播研究与STS如何相遇：以“技术的社会建构”路径为核心的讨论［J］.新闻大学，2021（4）：15-27.

[10] 刘丽群，谢精忠，张蔚涵.传播适应理论的研究现状、脉络与应用：基于WOS的文献计量和内容分析［J］.新闻与传播评论，2020（1）：47-61.

[11] KIRK H R， GABRIEL I， SUMMERFIELD C， et al. Why human-AI relationships need socioaffective alignment［J］. Humanities and Social Sciences Communications， 2025， 12（1）： 1-9.

[12] 皮卡德.情感计算［M］.罗森林，译.北京：北京理工大学出版社，2005.

[13] 王亚男.哈贝马斯理论应用于人工智能治理中的公共参与［J］.产业与科技论坛，2025（14）：79-81.

[14] NORHASHIM H， HAHN J. Measuring human-AI value alignment in large language models［C］//Proceedings of the AAAI/ACM Conference on AI， Ethics， and Society. New York： ACM， 2024， 7： 1063-1073.

[15] KHAMASSI M， NAHON M， CHATILA R. Strong and weak alignment of large language models with human values［J］. Scientific Reports， 2024（1）： 70031.

[16] ZHANG Y， ZHANG S. Human-AI alignment in AD targeting： addressing misestimation for vulnerable groups［J］. Journal of Advertising， 2025， 54（2）： 196-212.

[17] 胡正荣， 闫佳琦. 生成式人工智能的价值对齐比较研究：基于2012—2023年十大国际新闻生成评论的实验［J］. 新闻大学， 2024（3）： 1-17.

[18] GORENZ D， SCHWARZ N. How funny is ChatGPT？ A comparison of human-and AI-produced jokes［J］. PLoS ONE， 2024， 19（7）： e0305364.

[19] WU C， WANG Y， ZHANG Y， et al. Confront hate with AI： how AI-generated counter speech helps against hate speech on social media？［J］. Telematics and Informatics， 2025，101（B）： 102304.

[20] 焦丽颖， 李昌锦， 陈圳， 等. 当AI“具有”人格：善恶人格角色对大语言模型道德判断的影响［J］. 心理学报， 2025（6）： 929-949.

[21] GUO A， PATARANUTAPORN P， MAES P. Exploring the impact of AI value alignment in collaborative ideation： effects on perception， ownership， and output［C］//Extended Abstracts of the CHI Conference on Human Factors in Computing Systems， 2024： 1-11.

[22] TREIMAN L S， HO C， KOOL W. The consequences of AI training on human decision-making［J］. Proceedings of the National Academy of Sciences， 2024， 121（33）： e2408731121.

[23] GOMEZ C， CHO S M， KE S， et al. Human-AI collaboration is not very collaborative yet： a taxonomy of interaction patterns in AI-assisted decision making from a systematic review［J］. Frontiers in Computer Science， 2025， 6： 1521066.

[24] ZHANG Q， LEE M L， CARTER S. You complete me： human-AI teams and complementary expertise［C］//Proceedings of the 2022 CHI Conference on Human Factors in Computing Systems. New York： Association for Computing Machinery， 2022： 1-28.

[25] SCHELBLE B G， FLATHMANN C， MCNEESE N J， et al. Investigating the effects of perceived teammate artificiality on human performance and cognition［J］. International Journal of Human-Computer Interaction， 2023， 39（13）： 2686-2701.

[26] ENDSLEY M R. Supporting human-AI teams： transparency， explainability， and situation awareness［J］. Computers in Human Behavior， 2022， 140： 107574.

[27] HEYMAN J L， RICK S R， GIACOMELLI G， et al. Supermind ideator： how scaffolding human-AI collaboration can increase creativity［C］//Proceedings of the ACM Collective Intelligence Conference. New York： Association for Computing Machinery， 2024： 18-28.

[28] CHEN Z， SCHMIDT R. Exploring a behavioral model of “positive friction” in human-AI interaction［C］//International Conference on Human-Computer Interaction. Cham： Springer Nature Switzerland， 2024： 3-22.

[29] STEPHENS K K， HARRIS A G， HUGHES A L， et al. Human-AI teaming during an ongoing disaster： how scripts around training and feedback reveal this is a form of human-machine communication［J］. Human-Machine Communication， 2023， 6（1）： 65-85.

[30] RIBINO P. The role of politeness in human-machine interactions： a systematic literature review and future perspectives［J］. Artificial Intelligence Review， 2023， 56（S1）： 445-482.

[31] LIEW T W， TAN S. Social cues and implications for designing expert and competent artificial agents： a systematic review［J］. Telematics and Informatics， 2021， 65： 101721.

[32] HAN Y， QIU Z， CHENG J， et al. When teams embrace AI： human collaboration strategies in generative prompting in a creative design task［C］//Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems， 2024： 1-14.

[33] 涂尔干. 宗教生活的基本形式［M］. 渠敬东， 汲喆， 译. 北京： 商务印书馆， 2011.

[34] KRAPP E， NEUHAUS R， HASSENZAHL M， et al. In a quasi-social relationship with ChatGPT： an autoethnography on engaging with prompt-engineered LLM personas［C］//Proceedings of the 13th Nordic Conference on Human-Computer Interaction， 2024： 1-16.

[35] HUDA N UL， SAHITO S F， GILAL A R， et al. Impact of contradicting subtle emotion cues on large language models with various prompting techniques［J］. International Journal of Advanced Computer Science & Applications， 2024， 15（4）： 407-414.

[36] WANG X， WANG Y， QIU X. How to talk to AI： the role of preset prompt language styles in shaping conversational experience［J］. International Journal of Human-Computer Interaction， 2024， 41（12）： 7763-7778.

[37] LEE M， ALEJANDRO C J， IJSSELSTEIJN W. Cultivating gratitude with a chatbot［J］. International Journal of Human-Computer Interaction， 2024， 40（18）： 4957-4972.

[38] LEE Y K， LEE I， SHIN M， et al. Enhancing empathic reasoning of large language models based on psychotherapy models for AI-assisted social support［J］. Korean Journal of Cognitive Science， 2024， 35（1）：23-48.

[39] LI Z， ZHU Z， GUI X， et al. This is human intelligence debugging artificial intelligence： examining how people prompt GPT in seeking mental health support［J］. International Journal of Human-Computer Studies， 2025， 203： 103555.

[40] FAN X， XIAO Q， ZHOU X， et al. User-driven value alignment： understanding users’ perceptions and strategies for addressing biased and discriminatory statements in AI companions［C］//Proceedings of the 2025 CHI Conference on Human Factors in Computing Systems. New York： Association for Computing Machinery， 2025： 1-19.

[41] ETORI N A， GINI M. WisCompanion： integrating the Socratic method with ChatGPT-based AI for enhanced explainability in emotional support for older adults［C］//International Conference on Human-Computer Interaction. Cham： Springer Nature Switzerland， 2024： 179-198.

基金资助

新一代人工智能国家科技重大专项“人工智能社会实验伦理、评估与标准化研究”(2023ZD0121600┫课题四“智能社会治理仿真演化模型研究”┣2023ZD0121604)