皮格马利翁效应

皮格马利翁效应，又称罗森塔尔效应，源于心理学家罗伯特·罗森塔尔与伊迪丝·雅各布森的经典实验，指观察者（如教师或系统）对受试者（如学生或模型）持有的积极期望，会通过非语言信号、反馈机制或环境暗示，促使受试者行为向符合该期望的方向发展。在人工智能与大模型领域，这一概念被重构为提示工程（Prompt Engineering）的关键原理：通过构建包含明确角色设定、任务描述及正向反馈预期的提示词，利用大模型的上下文理解能力，引导其生成高质量、符合人类意图的输出，本质上是将人类的认知偏差转化为可控的算法指令。

在现代计算架构中，皮格马利翁效应超越了传统心理学范畴，成为大语言模型（LLM）交互范式的重要基石。它揭示了模型输出并非完全由参数决定，而是高度依赖于输入上下文中的‘期望锚点’。通过精准设计提示词中的角色设定（Role）、任务目标（Goal）及成功标准（Criteria），工程师可以模拟人类教师的期望心理，有效抑制模型的幻觉（Hallucination）倾向，提升回答的逻辑性、专业度与情感共鸣。该效应在大模型生态中，是连接原始概率分布与人类可理解语义的关键桥梁，也是构建智能助手、自动化工作流及个性化教育系统的底层逻辑之一。