🎭 大模型对话里的「三角关系」：System、User、Assistant 到底谁是谁？

当你第一次写 messages = [{"role": "user", "content": "..."}] 时，有没有想过：
为啥非要分三个角色？我直接一句话扔给 AI 不行吗？

行，但就像让演员上台不带剧本——能演，但容易演砸。

---

一、先认识这三位「戏精」

在大模型的对话系统里，每条消息都必须挂一个身份牌。这不是形式主义，而是让 AI 知道"这句话是谁说的"。

角色	真实身份	职责	生活类比
🎬 system	导演/编剧	定规则、给背景、设约束	开机前给演员的剧本和指令
🙋 user	观众/甲方	提问题、下指令、给材料	观影时举手提问的人
🤖 assistant	演员/乙方	理解上下文，生成回答	台上表演的主角

---

二、为什么要分这么清？三个核心原因

原因 1：别把「剧本」当成「台词」

如果你把规则混在 user 里，AI 会懵：

# ❌ 错误示范：规则和问题搅在一起
messages = [
    {"role": "user", "content": "你是一个成本分析专家。请分析这张发票。"}
]
# AI 可能会回答："好的，我是一个成本分析专家..." 
# 然后就没有然后了——它把规则当成问题回答了！

# ✅ 正确姿势：各司其职
messages = [
    {"role": "system", "content": "你是一位资深成本分析专家，擅长识别发票信息。"},
    {"role": "user", "content": "请分析这张发票。"}
]

system 是"后台指令"，user 是"前台交互"。分开，AI 才知道该听谁的。

---

原因 2：多轮对话不能「串戏」

AI 没有真正的记忆，它靠的是消息列表里的上下文。如果不标记每句话是谁说的，它会把自己上次的回答当成新的指令，逻辑直接崩盘。

# 一段正常的多轮对话
messages = [
    {"role": "user", "content": "北京今天天气怎么样？"},
    {"role": "assistant", "content": "北京今天晴，25度，适合出门。"},
    {"role": "user", "content": "那明天呢？"}  
    # AI 看到"assistant"是自己，知道"那"指代天气，才能连贯回答
]

想象一下，如果不分角色，AI 看到历史记录里有一句"北京今天晴，25度"，它可能会想：“这是用户在告诉我天气？还是让我评价天气？”

标记角色，就是给 AI 一个"记忆坐标系"。

---

原因 3：System 是开发者的「遥控器」

system 是开发者控制 AI 行为的秘密通道：

messages = [
    {
        "role": "system", 
        "content": "你是一位成本分析专家。请严格遵守：
1. 只回答与成本、预算、财务相关的问题
2. 涉及金额必须标注货币单位（如 ¥、$）
3. 不确定的信息要明确说明，禁止编造数据
4. 输出格式必须是 JSON，包含字段：item, cost, currency"
    },
    {"role": "user", "content": "分析这张采购单"}
]

这些规则如果放在 user 里，用户一句话就可能覆盖掉。放在 system 里，AI 会把它当作底层约束，优先级更高。

---

三、实战：成本分析场景怎么搭？

回到你截图里的 CostAnalysisPipeline，一个优雅的对话结构应该是这样的：

class CostAnalysisPipeline:
    def LLM_QA(cls, llm_q):
        qa_template = f"### 待处理问题 ###
{llm_q}"

        messages = [
            # 🎬 导演发话：定调子、立规矩（长期有效）
            {
                "role": "system", 
                "content": "你是一位资深成本分析专家。工作原则：
- 聚焦成本、预算、财务领域，拒绝跑题
- 所有金额必须带货币单位
- 不确定时明确标注'无法确认'，绝不编造
- 复杂分析优先用表格呈现"
            },
            # 🙋 用户提问：具体问题（每次不同）
            {"role": "user", "content": qa_template}
        ]

        response = cls.get_completion(messages)
        # 🤖 AI 的回答会自动以 assistant 角色返回
        answer = response.choices[0].message.content.strip()
        return answer

---

四、一张表看懂所有场景

你在做什么	system 写什么	user 写什么	assistant 是什么
首次提问	设定 AI 身份和专业领域	你的具体问题	AI 的第一次回答
追问/多轮	通常不变，保持连续性	新的问题或补充信息	AI 基于上下文的续答
调整 AI 行为	更新规则或输出格式要求	“请用表格重新整理刚才的回答”	AI 按新格式输出
Few-shot 学习	描述任务类型	给 2-3 组「输入→输出」示例	AI 模仿示例回答新问题
角色扮演	“你现在是唐朝诗人李白”	“写一首关于月亮的诗”	AI 以李白风格创作

---

五、一句话总结

system 是幕后导演，user 是台下观众，assistant 是台上演员。

区分他们，就是让 AI 知道谁在说啥、该听谁的、该扮演谁。

没有 system，演员没剧本；不分 user/assistant，演员会串戏。

---

附：常见误区

误区	真相
“system 可有可无”	简单对话可以不要，但专业场景必须有，否则 AI 行为不可控
“assistant 消息是我写的”	除非你在做 Few-shot 示例，否则 assistant 内容应该来自 AI 回复
“角色名可以随便改”	标准 API 只认这三个，自定义角色名会被忽略或报错
“消息越多越好”	上下文有长度限制，保留关键 system + 最近几轮 user/assistant 即可

---

💡 最后的小技巧：如果你发现 AI 总是"不听话"，先检查你的规则是不是放在 user 里了。把它移到 system，效果往往立竿见影。