Vibe Coding一人即团队系列11: 提示词三大核心角色 (System, User, Assistant) 详解与应用实战

最新推荐文章于 2026-09-01 18:31:58 发布

原创最新推荐文章于 2026-09-01 18:31:58 发布 · 188 阅读

4 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

Vibe Coding

纲要

提示词 (Prompt) 的三大核心角色
- System (系统角色): 全局控制与行为模式设定
- User (用户角色): 驱动对话的核心诉求与指令
- Assistant (助手角色): 模型生成的内容与反馈
各角色的核心目标与使用场景
角色在实际交互中的应用实践
角色间的协同与对话记忆机制

提示词的三大核心角色

在与大语言模型 (Large Language Model, LLM) 进行交互时，无论是通过 Claude Code、ChatGPT 还是 通义千问 等平台，其底层交互逻辑均围绕三个核心角色展开：System (系统)、User (用户) 和 Assistant (助手)。这三个角色共同构成了完整的对话上下文 (Context)，并决定了模型输出的质量和行为边界。

System (系统角色)

System 角色是预定义的、由模型服务端设定的全局指令。它对于普通用户通常是透明的，但在进行大模型应用开发或使用 API 时，它是控制模型行为的核心入口。

核心目标

设定全局上下文：定义对话的背景、目标和核心规则。
调整输出风格：指定模型回复的语气（如专业、幽默、严肃）、格式（如 JSON、Markdown）等。
实现长期控制：在整个对话会话中持续影响模型的输出，确保行为一致性。
设定安全与伦理边界：例如禁止讨论违法、暴力或敏感政治话题。

典型示例

在开发一个医疗咨询应用时，可通过 System 角色限定模型仅以医生的专业角度进行回答：

# 示例：通过 OpenAI SDK 设置 System Prompt (适用于 GPT 系列)
import openai

response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[
        {"role": "system", "content": "你是一位专业的内科医生，请仅从医学角度回答用户的健康咨询。"},
        {"role": "user", "content": "我最近总是头疼，可能是什么原因？"}
    ]
)

User (用户角色)

User 角色是用户输入的文本内容，是驱动整个对话的核心动力。用户通过此角色提出问题、下达指令、补充背景信息或纠正模型行为。

核心目标

提出问题与诉求：明确告知模型需要完成的任务。
提供补充信息：为模型提供必要的上下文或数据，以支持其生成更精准的回复。
动态纠正行为：当模型输出不符合预期时，用户可通过后续对话要求其调整。例如：“请用更通俗的语言解释。”

应用场景

在 Claude Code 或 通义千问 等产品的交互界面中，用户输入的所有文字均属于 User 角色。无论是编写代码、撰写文章还是进行日常问答，这部分内容构成了交互的主体。

# 示例：User 角色用于提出具体编码需求
messages = [
    {"role": "system", "content": "你是一位资深 Python 开发专家。"},
    {"role": "user", "content": "请编写一个 Python 函数，用于计算斐波那契数列的第 n 项。"}
]

Assistant (助手角色)

Assistant 角色代表大模型针对 User 输入所生成的回复内容。这包括生成的文本、代码片段、结构化数据，甚至是图片或音频的链接或描述。

核心目标

生成内容：根据 User 的提示和 System 的约束，产生符合要求的输出。
自我修正：在后续对话中，模型可根据用户的反馈对之前的错误回答进行修正。
保持对话连贯：通过多轮对话累积历史信息，形成“记忆”，使交互更加流畅和智能。

应用场景

Assistant 角色是模型能力的直接体现。在使用 Claude Code 时，其生成的游戏代码、项目结构建议或调试信息，均属于 Assistant 角色输出。

# 示例：模拟 Assistant 角色的回复
{
    "role": "assistant",
    "content": "以下是计算斐波那契数列的 Python 函数实现：\n\n```python\ndef fibonacci(n):\n    if n <= 1:\n        return n\n    else:\n        return fibonacci(n-1) + fibonacci(n-2)\n```"
}

角色协同与对话记忆

在实际交互中，这三种角色是协同工作的。一个完整的对话周期通常包含 User -> Assistant 的交替，而 System 角色则作为背景规则贯穿始终。

多轮对话（Multi-turn Conversation）是 Assistant 角色的重要特性。模型会将之前的 User 和 Assistant 消息作为上下文记忆，使得后续的回复能够关联前文，实现深度交互。在 Claude Code 这类工具中，这种记忆机制是实现复杂项目开发（如 Coding Plan 功能）的基础。

使用场景对比

角色类型	定义者	核心功能	典型使用场景	可见性
System	开发者/平台	全局规则、风格设定、安全限制	API 开发、AI 应用工程、行为约束	通常对用户透明
User	最终用户	提出指令、提供信息、纠正行为	日常问答、代码生成、内容创作	用户直接输入
Assistant	AI 模型	生成内容、自我修正、上下文记忆	文本生成、代码建议、多轮对话	模型输出内容

总结

System、User 和 Assistant 构成了与大语言模型交互的三大核心角色。System 负责定义全局规则与行为边界，是构建可控、安全的 AI 应用的基石；User 是驱动对话的核心，承载着用户的具体需求与指令；Assistant 则是模型能力的体现，负责生成高质量的内容并保持对话的连贯性。对于大模型应用开发者而言，System 和 Assistant 角色的精细化控制是工程化的关键；对于日常使用者，理解 User 角色的构建技巧（即提示词工程）是提升效率的核心。在 Claude Code 等 AI 编程工具中，这三种角色的协同直接决定了自动化任务的成功率与代码质量。