Prompt 角色的概念

在上篇文章中讲到了 AI 应用演进：从基础调用到自主智能体这篇我们从 AI 应用的细节开始探索。

大模型本质是"概率生成器"，依赖用户输入激活任务。若无明确指令，模型会自由发散，输出结果可能偏离需求。

在和大模型进行对话时，就像面对一名智者，使用者为了从智者那里获取更加准确的信息，需要修饰自己的提问，使模型能够更好地理解用户的需求。

修饰提问词的方式有很多种，比如：

直接输入问题
输入问题和背景信息
输入问题和期望的回答格式

为了应对可能出现的各种场景的提问，在和大模型的通信过程中如果指定提问的角色，会使大模型的回答更加专业。

例如提问： "你是一名资深 Python 工程师，优化以下 SQL..."。

大模型会根据 Python 工程师的专业知识，来优化 SQL 语句。

角色的分类

在主流大模型的设计中，预设了三种角色来构建对话结构、控制模型行为的关键机制。

系统角色（System）：在对话初始化阶段定义模型的行为边界（如身份、知识范围）和输出规范（如格式、风格），贯穿整个会话周期。
用户角色（User）：用户角色是指对话的发起方，通常是人类用户。用户角色的主要作用是向模型输入指令或问题，以及接收模型的回答。
助手角色（Assistant）：助手角色是指对话的接收方，通常是大模型。助手角色的主要作用是根据用户的指令或问题，生成符合要求的回答。

有了这三种角色，就可以构建出一个完善的对话系统。

例如：

sql 复制代码

系统角色：你是一名资深 Python 工程师，优化以下 SQL 语句。

用户角色：以下是 SQL 语句： 
  SELECT * FROM user WHERE id = 1

助手：当然可以，我会根据 Python 工程师的专业知识，来优化 SQL 语句。以下是优化后的 SQL 语句：
  SELECT id, name, age FROM user WHERE id = 1

用户：请解释一下这个 SQL 语句的执行计划。

助手：好的，我会根据 Python 工程师的专业知识，来解释一下这个 SQL 语句的执行计划。以下是执行结果： xxxxx

公众号会持续输出有关 AI 应用的有关知识和应用落地，欢迎关注。