 详解与应用实战)
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)importopenai responseopenai.ChatCompletion.create(modelgpt-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\npython\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。Assistant (模型)System (系统规则)User (用户)Assistant (模型)System (系统规则)User (用户)设定全局行为与安全边界结合 System 规则处理 User 输入结合历史对话记忆生成修正后的回复1. 用户提问 (User)2. 模型回复 (Assistant)3. 用户追问或纠正 (User)4. 生成最终回答 (Assistant)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AssistantAI 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。
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
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)importopenai responseopenai.ChatCompletion.create(modelgpt-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\npython\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。Assistant (模型)System (系统规则)User (用户)Assistant (模型)System (系统规则)User (用户)设定全局行为与安全边界结合 System 规则处理 User 输入结合历史对话记忆生成修正后的回复1. 用户提问 (User)2. 模型回复 (Assistant)3. 用户追问或纠正 (User)4. 生成最终回答 (Assistant)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AssistantAI 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。