大语言模型中，role为user、assistant、system有什么区别

本文主要是介绍大语言模型中，role为user、assistant、system有什么区别，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

这里写目录标题

大语言模型中，role为user、assistant、system有什么区别
要实现多轮对话，也就说要记住历史问答，该如何设置System、User、Assistant？
管理历史对话

大语言模型中，role为user、assistant、system有什么区别

在大语言模型中，通常涉及到三种角色：用户（user）、助手（assistant）和系统（system）。它们的区别在于其在对话或交互过程中扮演的角色和功能。
系统（system）：

系统是指整个大语言模型或者其中的某个部分，负责处理用户输入并生成相应的输出。
明确对话的主题或领域（例如，技术支持、教育、娱乐等）
指示模型扮演特定角色（例如，老师、顾问等）。

用户（user）：

用户是指与系统进行交互的个体或实体，通常是真实的人类用户或其他系统。
用户通过输入文本、语音或其他形式与系统进行沟通，提出问题、请求信息或执行操作。

助手（assistant）：

助手是一种程序或系统组件，设计用来协助用户完成特定的任务、获取信息或提供服务。
助手通常具有自然语言处理能力，能够理解用户的输入，并根据输入提供相应的反馈、建议或执行操作，是模型生成响应的地方。

示例：

 curl -s https://api.openai.com/v1/chat/completions \-H "Content-Type: application/json" \-H "Authorization: Bearer YOUR-API-KEY" \-d '{"model": "gpt-3.5-turbo-16k","messages": [{"role": "system","content": "您是足球专家"},{"role": "user","content": "谁赢得了2018年的FIFA世界杯？"},{"role": "assistant","content": "法国赢得了2018年的FIFA世界杯。"},{"role": "user","content": "下一届FIFA世界杯什么时候举行？"}]}'

要实现多轮对话，也就说要记住历史问答，该如何设置System、User、Assistant？

让大模型记住历史问答，就要传递上下文，在每次请求中，将之前的对话内容作为上下文传递给模型。其实就是初始化一个列表，将大模型每次的回答，保存给Assistant，append到列表中。

import openai# 初始化对话历史
conversation_history = [{"role": "system", "content": "你是一个智能助手，专注于提供技术支持。请记住用户的历史问题和你的回答，以便在后续对话中提供更好的帮助。"}
]# 用户的第一个问题
user_input = "我需要安装一个软件，你能告诉我怎么做吗？"
conversation_history.append({"role": "user", "content": user_input})# 调用API生成响应
response = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=conversation_history
)# 获取助手的回答
assistant_response = response['choices'][0]['message']['content']
conversation_history.append({"role": "assistant", "content": assistant_response})print(assistant_response)# 用户的第二个问题
user_input = "上次你提到如何安装软件，我想知道如何配置它。"
conversation_history.append({"role": "user", "content": user_input})# 调用API生成响应
response = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=conversation_history
)# 获取助手的回答
assistant_response = response['choices'][0]['message']['content']
conversation_history.append({"role": "assistant", "content": assistant_response})print(assistant_response)