角色设定（Role Setting）是通过系统提示、角色卡或微调，让模型以特定身份、语气和知识边界说话的配置手段。它要解决的不只是“像不像”，还有一致性：同一个角色在多轮对话中不能前后矛盾，也不能越过设定去回答不该回答的问题。

角色设定的早期形态是规则式聊天机器人。1966 年，Weizenbaum 在论文 ELIZA—A Computer Program For the Study of Natural Language Communication Between Man and Machine 中用模式匹配模拟心理治疗师的语气，说明“人格”可以只靠对话规则塑造。进入大模型时代，角色设定更多来自产品实践，通常写在系统提示中，优先级高于普通用户输入。

角色设定的首个系统基准是 RoleLLM。2023 年，Wang 等人在论文 RoleLLM: Benchmarking, Eliciting, and Enhancing Role-Playing Abilities of Large Language Models 中为 100 个角色构建角色档案，用 Context-Instruct 抽取角色专属知识，用 RoleGPT 模仿说话风格，再用 RoCIT 做角色条件指令微调。

角色设定的评测载体是 RoleBench——168,093 条样本，这是首个系统的、细粒度的角色级基准；微调得到的 RoleLLaMA（英文）与 RoleGLM（中文）显著提升角色扮演能力，甚至接近 GPT-4 驱动的方法。角色一致性是 AI 陪伴、游戏 NPC、品牌人格化和教学模拟的基础，但过于入戏可能放大偏见或绕过安全边界，因此角色设定同样需要可评测的标准，不能只靠“感觉像”。