你是不是也有过这样的经历：同样是问大模型“怎么学AI测试”，有时候回答冗长又空泛，有时候却简洁又有干货？有时候追问问题，大模型还会“答非所问”，完全忘了上一轮说过什么？
其实，这背后的关键，就在于你是否掌握了大模型对话中System、User、Assistant这三个核心角色的用法。这三个角色看似简单，却直接决定了大模型的回答质量和对话效率。今天我们就以AI测试学习场景为例，结合实际代码案例，彻底讲透这三个角色的区别与使用技巧。
一、先搞懂：三个角色到底是什么？
在大模型的对话体系中，System、User、Assistant就像一场对话的“三角主角”，各自有着明确的分工，缺一不可。我们先来看一段基础的代码结构，直观感受三个角色在代码中的体现：
import os from dotenv import load_dotenv from openai import OpenAI # 初始化客户端（以DeepSeek为例，可替换为其他大模型） load_dotenv() client = OpenAI( api_key=os.getenv("API_KEY"), base_url=os.getenv("BASE_URL", "https://api.deepseek.com/v1") ) # 对话消息列表：承载三个角色的交互 messages = [ {"role": "system", "content": "你是有5年经验的AI测试专家，回答简洁且有技术干货"}, {"role": "user", "content": "零基础怎么学AI测试？"}, # {"role": "assistant", "content": "大模型生成的回复会被放在这里，用于多轮对话承接"} ] # 调用大模型接口 response = client.chat.completions.create( model=os.getenv("MODEL", "deepseek-chat"), messages=messages, stream=False ) # 输出助手的回复 print(response.choices[0].message.content)从代码中能清晰看到，三个角色以字典的形式被放入messages列表，作为大模型的输入。接下来我们逐一拆解每个角色的核心作用：
1. System：大模型的“人设与规则制定者”
System角色，相当于给大模型设定了“隐形指令”——它决定了大模型以什么身份、什么风格、什么规则来回答问题。它不直接参与对话交互，但却是全局的“幕后指挥”。
在代码中，它是messages里第一个字典项，比如我们设定：
{"role": "system", "content": "你是有5年经验的AI测试专家，回答简洁且有技术干货，不超过50字。"}有了这个设定，大模型就不会再用泛泛的语言敷衍你，而是严格遵守“AI测试专家+简洁+50字以内”的约束。
2. User：对话的“发起者与提问者”
User角色就是我们自己，是问题的提出者、指令的下达者，也是对话的推动者。我们的每一个问题、每一次追问，都是给大模型的输入信号。
在代码中，它是messages里代表用户的字典项，比如：
{"role": "user", "content": "零基础怎么学AI测试？"} {"role": "user", "content": "推荐哪些AI测试工具？"}这些都是User角色的核心作用——明确对话的话题和方向。
3. Assistant：对话的“响应者与上下文承接者”
Assistant角色是大模型的化身，它的核心任务是根据System的设定和User的问题，生成符合要求的回答，并且在多轮对话中承接上下文。
在代码中，它是大模型返回的结果，我们会把它再放入messages列表，用于下一轮对话：
# 把助手的回复加入消息列表，用于上下文承接 messages.append({"role": "assistant", "content": response.choices[0].message.content}) # 新增用户的追问 messages.append({"role": "user", "content": "第3点怎么学？"})简单来说，它是执行层：既要遵守System定的“规矩”，又要回应User提的“问题”，还得记住自己上一轮说了什么，避免“失忆”。
二、实战对比：不同角色搭配，效果天差地别
光说理论太抽象，我们以AI测试学习的问题为例，结合代码案例看看不同角色搭配的效果。
案例1：没有System约束，回答有多“随意”？
代码实现：
messages = [ # 去掉System角色，仅保留User提问 {"role": "user", "content": "AI测试最该学啥？"} ] response = client.chat.completions.create( model=os.getenv("MODEL", "deepseek-chat"), messages=messages, stream=False ) print("无System约束的回答：", response.choices[0].message.content)效果展示：
大模型的回答可能是这样的：“学习AI测试需要掌握的内容很多，首先要懂编程语言，比如Python，然后要掌握测试框架（如pytest、unittest），还有AI相关的工具和算法基础，另外还要了解软件测试的基本流程，包括单元测试、集成测试等，最后还需要实操项目来积累经验……”
冗长、没有重点，完全达不到我们想要的效果。
案例2：加上System约束，回答立刻“精准”
代码实现：
messages = [ # 新增System角色约束 {"role": "system", "content": "你是严谨的AI测试技术导师，回答不超过30字。"}, {"role": "user", "content": "AI测试最该学啥？"} ] response = client.chat.completions.create( model=os.getenv("MODEL", "deepseek-chat"), messages=messages, stream=False ) print("有System约束的回答：", response.choices[0].message.content)效果展示：
大模型的回答会变成：“先学Python基础，再掌握测试框架与AI工具应用。”
简洁、有重点，完美符合我们的要求——这就是System角色的魔力。
案例3：多轮对话中，Assistant的“上下文承接力”有多重要？
这是最能体现角色配合的场景，我们来看完整的代码和对话流程：
代码实现：
messages = [ {"role": "system", "content": "你是AI测试专家，回答简洁且有步骤。"}, {"role": "user", "content": "零基础怎么学AI测试？"}, ] # 第一轮对话：助手生成初始回答 response = client.chat.completions.create( model=os.getenv("MODEL", "deepseek-chat"), messages=messages, stream=False ) assistant_reply = response.choices[0].message.content # 将助手的回复加入消息列表，用于上下文承接 messages.append({"role": "assistant", "content": assistant_reply}) print("助手第一轮回复：", assistant_reply) # 第二轮对话：用户追问，助手承接上下文 messages.append({"role": "user", "content": "第3点怎么学？"}) response = client.chat.completions.create( model=os.getenv("MODEL", "deepseek-chat"), messages=messages, stream=False ) print("助手第二轮回复：", response.choices[0].message.content)效果展示：
助手第一轮回复：“1.学Python基础；2.掌握测试框架；3.学AI工具应用。”
助手第二轮回复：“从AI用例生成工具入手，再学AI自动化测试平台实操。”
可以看到，因为我们把Assistant的历史回复加入了messages列表，大模型记住了自己上一轮提到的“3个步骤”，当用户追问“第3点怎么学”时，没有偏离话题，而是精准承接并展开——这就是Assistant角色的核心价值，也是多轮对话不“翻车”的关键。
三、实用技巧：用好三个角色的核心要点
结合代码案例和实战效果，我们总结出几个核心技巧，帮你快速上手：
1. System角色：越具体，效果越好
不要只写“你是专家”，要把身份、风格、规则都写清楚。在代码中，就是把content写得更详细：
❌ 错误示范：
{"role": "system", "content": "你是AI测试专家。"}✅ 正确示范：
{"role": "system", "content": "你是有5年AI测试经验的工程师，回答分点且每点不超过20字，仅推荐免费工具。"}越具体的System指令，大模型的回答越贴合你的需求。
2. User角色：问题要明确，避免模糊
不要问“怎么学AI测试？”，可以问“零基础学AI测试，推荐3个核心学习步骤”。在代码中，就是让User的content更精准：
❌ 错误示范：
{"role": "user", "content": "怎么学AI测试？"}✅ 正确示范：
{"role": "user", "content": "零基础学AI测试，推荐3个核心学习步骤，每个步骤不超过15字。"}明确的问题，能让大模型的回答更有针对性，减少无效信息。
3. Assistant角色：善用历史回复，强化上下文
在多轮对话中，messages一定要把Assistant的历史回复加入列表（就像案例3中的代码那样）。这样大模型才不会“失忆”，才能精准承接你的追问。
四、最后总结：三个角色的核心逻辑
其实，用好System、User、Assistant这三个角色，本质上是掌握了与大模型“有效沟通的逻辑”，而代码则是将这个逻辑落地的工具：
System：决定“大模型以什么姿态说话”，是代码中messages的初始约束；
User：决定“大模型说什么话题”，是代码中推动对话的输入；
Assistant：决定“大模型怎么回应并延续对话”，是代码中需要被保留的上下文。
无论是学习AI测试、写代码、做方案，还是日常使用大模型，只要掌握了这个逻辑，就能让大模型从“答非所问的工具”，变成“精准高效的助手”。
下次再用大模型时，不妨试试给它设定清晰的System角色，提出明确的User问题，再把Assistant的回复保留下来承接对话，看看会不会给你惊喜？
