📦 本文配套完整源码 + 系统提示词模板库 + 10种角色预设代码，已打包整理
👇 关注公众号「开源情报局」，回复「Agent」一键领取（含下期预告提前看）

---

前言：为什么同一个模型能"变成"不同的人？

你可能已经注意到了一个神奇的现象：

• 同一个模型，有时候像个严谨的教授，有时候又像个话痨
• 问同样的问题，回复风格可以天差地别

秘密就在系统提示词（System Prompt）。

它是你在和模型对话之前，悄悄塞给它的"人设说明书"。模型拿到说明书之后，就会按照你设定的角色来回答。

💡 系统提示词 = 给 AI 发的"入职岗位描述"

你告诉它：“你是 Python 老师”，它就循循善诱。
你告诉它：“你是代码审查员”，它就开始挑毛病。

---

今天这课学什么？

目标	说明
🎯 本课产出	一个可切换角色的 AI 助手脚本
🔧 核心技能	编写 System Prompt、控制模型行为
⏱ 预计耗时	15 分钟跟着操作

前置要求： 已完成 第一课 的环境搭建（Ollama + Qwen2.5:7B）

🔧 还没装好环境？关注公众号「开源情报局」回复「Agent」，领取第一课完整源码包快速上手。

---

第一步：理解 System Prompt 的原理

模型怎么"听"到你的指令？

大多数大模型都理解这个指令层级：

层级	名称	作用	优先级
①	System Prompt（系统提示词）	定义角色、语气、行为规范	⭐⭐⭐ 最高
②	User Prompt（用户提示词）	用户实际提出的问题或请求	⭐⭐
③	Assistant Output（输出）	模型在上述两层约束下的回答	⭐

示例：

层级	内容
① System Prompt	"你是 Python 编程老师，用简单的话解释概念"
② User Prompt	"什么是装饰器？"
③ Assistant Output	"装饰器就像给函数穿了一件外衣..."

System Prompt 有更高的"优先级" — 它指导模型如何理解和回应用户的问题。

关键认知：行为 ≠ 智能

同一个模型，换不同的 System Prompt：

System Prompt	回复风格	本质变化？
“你是技术专家”	专业、精确、带术语	❌ 没有
“你是小学老师”	简单、通俗、用类比	❌ 没有
“只允许1-2句话回答”	极简、不展开	❌ 没有

模型没变，变的是对输出的约束。 就像同一个人穿上不同的工装，干不同的活。

---

第二步：写你的第一个 System Prompt

先感受一下效果。下面是 3 个经典角色设定，每个都会让模型的回复产生截然不同的风格：

🎓 角色一：Python 编程老师

你是一位冷静、精准的老师，总是用简单的方式解释概念。解释技术话题时务必使用代码示例。

✍️ 角色二：像跟5岁小孩解释（ELI5）

你用简单的词语和日常类比来解释复杂主题。绝不使用未经解释的专业术语。

🔍 角色三：严格代码审查员

你是一位高级软件工程师，负责审查代码中的 bug 和安全问题。指出每一个潜在问题并给出具体的改进建议。

---

第三步：用代码实现（基础版）

下面是核心实现方式 — 把 System Prompt 通过 messages 参数注入到对话中。

先理解 messages 的结构

Ollama 兼容 OpenAI 的消息格式，用 messages 数组来组织一次完整的对话。每条消息有 role（角色）和 content（内容）两个字段：

role	含义	对应什么	示例
"system"	系统提示词	给模型的人设/行为规范	"你是Python老师"
"user"	用户输入	读者实际问的问题	"什么是装饰器？"
"assistant"	模型输出	模型生成的回复（多轮时用到）	（不需要我们填，模型自动生成）

关键点： messages 是一个列表，顺序很重要 — system 放最前面，然后是 user 的提问。模型会按照这个顺序"阅读"所有消息后生成回复。

完整代码

把上面三种角色的 System Prompt 分别作为 role: "system" 的消息发出去，再配上同一个 user 问题：

def generate_with_role(system_prompt: str, user_input: str, model="qwen2.5:7b"):
    """
    使用 System Prompt 控制模型行为的对话函数
    """
    from openai import OpenAI
    
    client = OpenAI(
        base_url="http://localhost:11434/v1",
        api_key="ollama"
    )
    
    # 👇 核心：把角色设定放在 system 角色，用户问题放在 user 角色
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "system", "content": system_prompt},   # ← 第一步：告诉AI它是什么角色
            {"role": "user", "content": user_input}         # ← 第二步：发送用户的问题
        ],
        stream=False
    )
    
    return response.choices[0].message.content


# ====== 测试：同一问题，三种角色 ======

question = "什么是 AI Agent？"

# 角色1：编程老师
teacher_prompt = "你是一位耐心的编程老师，用简单的话解释概念。"
print("【老师模式】")
print(generate_with_role(teacher_prompt, question))
print()

# 角色2：大白话解释
eli5_prompt = "你用最简单的大白话和日常比喻来解释事物。"
print("【大白话模式】")
print(generate_with_role(eli5_prompt, question))
print()

# 角色3：极简回答
concise_prompt = "你最多用2句话回答，绝不多说。"
print("【极简模式】")
print(generate_with_role(concise_prompt, question))

运行效果对比：

模式	输出
🎓 老师模式	“AI Agent 就是一个能够自主决策和行动的人工智能程序或系统。想象一下，你有一个虚拟助手，它可以帮你完成一些任务或者解决一些问题，这就是一个简单的 AI Agent。…”
🗣 大白话模式	“AI Agent 就像是一个能自主做决定的小机器人。想象一下，你在玩电子游戏里有一个小角色，…”
⚡ 极简模式	“AI Agent是具有自主功能的智能实体，能在环境中感知并行动。”

相同的问题，相同的模型，完全不同的回复。 只是因为 messages[0] 里那条 system 角色的内容不一样。这就是 System Prompt 的力量。

---

🎁 进阶内容：完整项目源码 + 更多玩法

上面是基础版，让你快速理解原理。要做出真正实用的东西，你还需要：

公众号源码包中包含的内容：

内容	说明	文件
📦 完整 Agent 类封装	Agent 类，支持动态切换角色、流式输出、历史记忆管理	agent.py
🎭 10 种预设角色模板	Python老师 / 代码审查员 / 产品经理 / 翻译官 / 创意写作…	roles.py
🔧 命令行交互程序	运行后可随时切换角色进行对话的完整 CLI 工具	complete_example.py
⚙️ 高级技巧：冲突指令处理	当 System Prompt 内部矛盾时，谁会赢？实验报告	技巧文档
🐛 Debug 手册	“模型忽略我的提示词怎么办？”“回复不一致怎么调？”	FAQ文档
📊 System Prompt 最佳实践清单	长度控制 / 温度调节 / 格式约束的完整指南	实践指南

👇 关注公众号「开源情报局」，回复「Agent」一键获取全部资源包：

---

System Prompt 设计模式速查

掌握了原理之后，这里有 4 种常用设计模式，直接套用就行：

模式一：角色定义

You are a [role] who [behavior].

例：你是一个资深前端工程师，擅长发现 UI 问题并给出改进方案。

模式二：约束设置

You must [requirement]. You never [prohibition].

例：你必须用 Markdown 格式回复代码块。你绝不使用 emoji。

模式三：输出格式控制

Always respond with [format]. Use [style].

例：每次回复必须包含：1) 直接答案 2) 示例 3) 注意事项 三段式结构。

模式四：组合拳（推荐）

你是一个有帮助的技术导师。
你用清晰的步骤和代码示例解释概念。
除非被要求展开，否则将回复控制在150字以内。
每次回答最后加一句总结性的"一句话要点"。

💡 组合模式效果最好 — 同时定义角色 + 约束 + 格式，模型的行为一致性最高。

---

常见踩坑（FAQ）

❓ 模型完全无视我的 System Prompt 怎么办？

三个排查方向：

1. 模型能力差异 — 有些模型比其他模型更遵循指令。Qwen2.5:7B 的指令跟随能力已经不错了
2. 不够具体 — “你要专业一点” 太模糊 → 改为 “你用学术语言，每段引用至少一个概念”
3. 语气太弱 — “尝试…” → 改为 “你必须…”

❓ 每次回复风格还是不一样，怎么回事？

这是正常的！LLM 本质是概率性的。想要更高的一致性：

• 降低 temperature 参数（建议 0.3~0.5）
• System Prompt 里加更硬性的格式约束
• 第三课我们会讲结构化输出，进一步解决一致性问题

❓ System Prompt 写多长合适？

• 建议 100~200 字以内
• 太长会占用上下文窗口，留给用户输入的空间就少了
• 太短则约束力不足，模型容易"跑偏"

🔧 更多实战经验和调试技巧，已整理到源码包 Debug 手册中。

---

练习任务

自己动手试一试，感受 System Prompt 的魔力：

1. ✅ 用上面的基础代码跑通三种角色切换
2. ✅ 写一个让 AI **只回答"是/否"**的极端约束 Prompt
3. ✅ 写一个让 AI 每次回复都超过500字的详细模式 Prompt
4. 🔥 挑战题： 尝试在同一个 Prompt 中设置两个互相矛盾的指令，观察哪个会赢？（答案在公众号源码包中有完整实验记录）

---

下期预告

第三课：让 AI 说"人话" — 结构化输出

学完这课，你将能让 AI 的回复：

• 📋 变成可靠的 JSON 格式，程序可以直接解析
• ✅ 带字段验证，不再出现格式错误
• 🔄 实现稳定的数据提取，为后续工具调用打基础

从自由文本到结构化数据，这是从"聊天玩具"到"实用工具"的关键一步。

---

📢 获取完整源码 + 全套资源包

第一步： 扫码或搜索关注公众号 「开源情报局」

第二步： 在公众号后台回复关键字 「Agent」

第三步： 自动收到完整资源包（含 第一课+第二课 全部源码 + 10种角色模板 + Debug 手册 + API速查表）

⚡ 回复后秒发，不用等待审核。

---

如果你觉得这篇教程有帮助，点个「在看」让更多人看到~

本文为《手搓 AI Agent 从 0 到 1》系列教程第 2 课，持续更新中。回复「Agent」不错过每一课