摘要：总结了大模型中role的三种常见值（'system', 'user', 'assistant）的作用，以及如何通过这些角色提供历史对话上下文。

大模型中role的不同值及其作用

1. role的种类及作用

      在与大模型交互时，role 是用来定义消息来源的角色或身份的关键字段。常见的 role 值包括 'system'、'user' 和 'assistant'。这些角色的设置对对话的行为和上下文管理有重要影响。

(1) 'system'

• 作用: 设置对话的整体规则、背景信息或行为指导。
• 使用场景: 定义模型的角色（如“你是客服助手”）、指定对话风格（如“回答要简短”）。
• 示例:

{
  "role": "system",
  "content": "你是一个专业的客服助手，回答问题时要保持礼貌和耐心。"
}

(2) 'user'

• 作用: 表示用户的输入或提问，驱动对话的主要内容。
• 使用场景: 用户提出具体问题或需求。
• 示例:

{
  "role": "user",
  "content": "请解释一下什么是人工智能？"
}

(3) 'assistant'

• 作用: 表示模型的回复内容，确保多轮对话的连贯性。
• 使用场景: 在多轮对话中，将模型的历史回复作为上下文传递。
• 示例:

{
  "role": "assistant",
  "content": "人工智能是通过计算机模拟人类智能的技术，能够完成学习、推理和决策等任务。"
}

2. 如何提供历史对话上下文

      为了实现连贯的多轮对话，可以通过将历史对话的消息按顺序组合成一个列表来提供上下文。每个消息都包含 role 和 content 字段，分别表示消息的发送者和内容。

格式示例

[{
  "role": "system",
  "content": "你是一个专业的客服助手，回答问题时要保持礼貌和耐心。"
}, {
  "role": "user",
  "content": "请解释一下什么是人工智能？"
}, {
  "role": "assistant",
  "content": "人工智能是通过计算机模拟人类智能的技术，能够完成学习、推理和决策等任务。"
}, {
  "role": "user",
  "content": "它有哪些应用场景？"
}, {
  "role": "assistant",
  "content": "人工智能的应用场景包括自动驾驶、医疗诊断、语音识别、推荐系统等。"
}]

关键点

• 顺序很重要: 消息必须按照时间顺序排列，从最早的对话到最新的对话。
• 保留完整对话链: 如果需要模型理解当前对话的背景，必须提供完整的对话历史。
• 限制上下文长度: 大模型对输入的 token 数量有限制，因此不能无限制地提供历史对话。

3. 实际应用示例

单轮对话

[{
  "role": "system",
  "content": "你是一个历史知识专家，回答问题时要确保准确性和专业性。"
}, {
  "role": "user",
  "content": "请问第一次世界大战是哪一年开始的？"
}]

多轮对话

[{
  "role": "system",
  "content": "你是一个专业的客服助手，回答问题时要保持礼貌和耐心。"
}, {
  "role": "user",
  "content": "我的订单状态是什么？"
}, {
  "role": "assistant",
  "content": "您的订单正在配送中，预计明天送达。"
}, {
  "role": "user",
  "content": "能帮我改送到另一个地址吗？"
}, {
  "role": "assistant",
  "content": "可以的，请您提供新的收货地址，我会为您修改配送信息。"
}]

4. 注意事项

• 避免冗余信息: 如果历史对话很长，建议只保留与当前问题相关的内容。
• 动态调整上下文: 对于非常长的对话，可以使用摘要技术提取关键信息。
• 特殊场景下的清理: 如果用户明确要求“重新开始对话”或“忽略之前的内容”，可以清空历史上下文。