大语言模型中 role 角色详解：user、assistant、system 的区别与应用

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。"
    }
]

def chat(user_input):
    """发送消息并获取回复"""
    # 添加用户消息
    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']
    
    # 保存助手回答到历史记录
    conversation_history.append({
        "role": "assistant",
        "content": assistant_response
    })
    
    return assistant_response

# 第一轮对话
response1 = chat("我需要安装一个软件，你能告诉我怎么做吗？")
print(f"助手：{response1}")

# 第二轮对话（基于上下文）
response2 = chat("上次你提到如何安装软件，我想知道如何配置它。")
print(f"助手：{response2}")

def summarize_conversation(conversation_history):
    """对历史对话进行摘要"""
    # 保留 system 消息
    system_message = conversation_history[0]
    
    # 对中间对话进行摘要
    summary_prompt = "请简要总结以下对话的关键信息：\n"
    for msg in conversation_history[1:-4]:  # 保留最近4条消息
        summary_prompt += f"{msg['role']}: {msg['content']}\n"
    
    # 获取摘要
    summary_response = openai.ChatCompletion.create(
        model="gpt-3.5-turbo",
        messages=[
            {"role": "system", "content": "你是一个对话摘要助手。"},
            {"role": "user", "content": summary_prompt}
        ]
    )
    
    summary = summary_response['choices'][0]['message']['content']
    
    # 重构对话历史
    new_history = [
        system_message,
        {"role": "assistant", "content": f"之前对话摘要：{summary}"},
        *conversation_history[-4:]  # 保留最近4条消息
    ]
    
    return new_history

MAX_HISTORY_LENGTH = 10  # 保留最近10条消息

def manage_conversation_history(conversation_history):
    """使用滑动窗口管理对话历史"""
    if len(conversation_history) > MAX_HISTORY_LENGTH:
        # 保留 system 消息和最近的消息
        return [conversation_history[0]] + conversation_history[-(MAX_HISTORY_LENGTH-1):]
    return conversation_history

import json
from datetime import datetime

class ConversationManager:
    def __init__(self, user_id):
        self.user_id = user_id
        self.file_path = f"conversations/{user_id}.json"
    
    def save_conversation(self, conversation_history):
        """保存对话到文件"""
        data = {
            "user_id": self.user_id,
            "timestamp": datetime.now().isoformat(),
            "conversation": conversation_history
        }
        with open(self.file_path, 'w', encoding='utf-8') as f:
            json.dump(data, f, ensure_ascii=False, indent=2)
    
    def load_conversation(self):
        """从文件加载对话"""
        try:
            with open(self.file_path, 'r', encoding='utf-8') as f:
                data = json.load(f)
                return data['conversation']
        except FileNotFoundError:
            return []

# ✅ 好的 system 消息
good_system = {
    "role": "system",
    "content": """你是一位经验丰富的 Python 编程导师。
    
要求：
1. 用简单易懂的语言解释概念
2. 提供实际代码示例
3. 指出常见错误和最佳实践
4. 鼓励学习者提问

风格：友好、耐心、专业"""
}

# ❌ 不好的 system 消息
bad_system = {
    "role": "system",
    "content": "你是助手"  # 太简单，缺乏具体指导
}

# 为模型提供上下文或示例
conversation = [
    {"role": "system", "content": "你是数学老师"},
    {"role": "user", "content": "什么是勾股定理？"},
    {
        "role": "assistant",
        "content": "勾股定理是直角三角形的基本定理，表述为：a² + b² = c²"
    },
    {"role": "user", "content": "能举个例子吗？"}  # 模型会基于前面的回答继续
]

def estimate_tokens(text):
    """粗略估算 token 数量（英文约 4 字符/token，中文约 1.5-2 字符/token）"""
    return len(text) // 2

def optimize_conversation(conversation_history, max_tokens=3000):
    """控制对话历史的 token 数量"""
    total_tokens = sum(estimate_tokens(msg['content']) for msg in conversation_history)
    
    if total_tokens > max_tokens:
        # 保留 system 和最近的消息
        system_msg = conversation_history[0]
        recent_msgs = []
        current_tokens = estimate_tokens(system_msg['content'])
        
        for msg in reversed(conversation_history[1:]):
            msg_tokens = estimate_tokens(msg['content'])
            if current_tokens + msg_tokens < max_tokens:
                recent_msgs.insert(0, msg)
                current_tokens += msg_tokens
            else:
                break
        
        return [system_msg] + recent_msgs
    
    return conversation_history