今天是我們對 OpenAI API 入門章節的最後一篇，本文將深入探討 chat completion 的角色設定。這個新一代的對話 API 為我們提供了更為精細的角色設定選項。讓我們可以更加靈活地控制對話流程，從而實現更自然和實用的用戶互動。

OpenAI 為我們預先設定了三種角色，分別是：「system（系統）」、「assistant（助理）」以及「user（使用者）」。下面，我們會一一針對這些預設角色的功能和用途做詳細的介紹。

系統角色（System Role）

系統角色（或 "system" 角色）主要是為了定義 Chat Completion API 在整個對話中的全域行為。簡單來說，這個角色就像是舞台導演，為整個對話定下基調和規則。

或許你還記得，在我們的上一篇文章中，我們提到過一些用於提示（prompts）的基本結構。那時，我們將所有與當前任務相關的提示訊息都直接放在了 "user" 訊息中，如下圖：

然而，Chat completion API 所定義系統角色則提供了另一種方法，它允許我們把角色扮演、任務指令、背景資料等提示放在系統訊息裡。

這種安排能使 Chat Completion API 更清晰地理解全域的需求和限制，讓整個對話流程更加一致。讓我們透過一個實例來看看這是如何運作的。

#這裏是使用者的訊息
user_message = f"""你好，很高興認識你~"""

messages =  [{
        'role':'system',
        'content': "你是一個專業的外語老師，請以簡短的方式對話。"
    }, {
        'role':'user',
        'content': f"{user_message}"
    }
]

# 呼叫 ChatCompletion
response = get_completion_from_messages(messages)
print(response)

Chat Completion 的回應：

你好！我也很高興認識你。請問有什麼外語方面的問題我可以幫助你解答嗎？

從這個範例中，你會發現在我們為系統角色設定了角色扮演指令後，Chat Completion 的回應就變得與一位專業的外語老師交談一樣。這正是因為系統訊息裡的設定，幫助 API 理解了它應該採取怎樣的角色和口吻。

總之，善用系統角色能讓你更有針對性地指導 Chat Completion API 的行為，使其更符合特定場景或用戶需求。

Assistant 與 User 角色

Assistant 和 User 角色基本上則是用於存儲聊天機器人和使用者之間的對話記錄。在這裡，assistant 角色負責存放機器人的回應，而 user 角色則儲存了使用者的問題和評論。這樣的結構使得整個對話流程能夠被清晰地記錄和管理。

一個完整的 Chat completion 訊息資料結構會大致如下：

下面的實際程式碼示例將會更清晰地展示這結構。

#這裏是使用者的訊息
user_message = f"""我想學習英文~"""

messages =  [
    {
        'role':'system',
        'content': "你是一個專業的外語老師，請以簡短的方式對話"
    },
    { # 這裏存放的是使用者增進輸入的訊息
        'role':'user',
        'content': "你好，很高興認識你"
    },
    { # 這個則是聊天機器人的回應訊息
        'role':'assistant',
        'content': f"你好！我也很高興認識你。有什麼外語方面的問題我可以幫助你解答嗎？"
    },
    { # 這個則是這次使用者輸入的訊息
        'role':'user',
        'content': f"{user_message}"
    }
]

# 呼叫 ChatCompletion
response = get_completion_from_messages(messages)
print(response)

實際的回應：

太好了！學習英文是一個很有趣且實用的過程。你有什麼具體的學習目標或是想要專注於哪個方面呢？我可以提供一些學習英文的建議給你

從這個例子中，你可以看到一個完整的對話流程，包括系統、使用者和助理角色的互動。特別是，透過 system 角色的全域指令，assistant 的回應顯然是遵循了專業外語老師的角色扮演，更具目的性和專業性。

總之，了解如何適當地使用 assistant 和 user 角色能夠讓你更有效地控制和管理對話流程，從而實現更多符合你需求的應用場景。

Chat Completion 的記憶問題

你可能會好奇，為什麼每次呼叫 Chat Completion 的時候，我們都需要附上整個對話的歷史記錄呢？

這主要是因為 Chat Completion 並不具備「記憶」功能。換句話說，它不會記得過去的對話或者用戶提供的資訊。以下是一個例子，假設我們問 Chat Completion 關於我們自己的名字：

#這裏是使用者的訊息
user_message = f"""請回答我的名字~"""

messages =  [
    {
        'role':'system',
        'content': "你是一個專業的外語老師，請如實並且簡短的回答問題"
    },
    {
        'role':'user',
        'content': f"{user_message}"
    }
]

# 呼叫 ChatCompletion
response = get_completion_from_messages(messages)
print(response)

Chat Completion 會這樣回應：

很抱歉，我無法回答你的名字，因為我不知道你的名字。

然而，如果我們在對話歷史中添加了關於我們名字的資訊，Chat Completion 就能使用這個「即時的記憶」來適當地回答問題。下面是如何操作：

#這裏是使用者的訊息
user_message = f"""請回答我的名字"""

# 訊息區同時也提供給 Chat Completion 記憶的功能
messages =  [
    {
        'role':'system',
        'content': "你是一個專業的外語老師，請如實並且簡短的回答問題"
    },
    {
        'role':'user',
        'content': "我的名字叫小明"
    },
    {
        'role':'user',
        'content': f"{user_message}"
    }
]

# 呼叫 ChatCompletion
response = get_completion_from_messages(messages)
print(response)

Chat Completion 這次會回應：

你的名字是小明。

這樣，只有當我們提供足夠的對話背景時，Chat Completion 才能更準確地回答我們的問題。這就是為什麼在呼叫 API 的時候，搭配完整的對話歷史是很有用的。

角色訊息的進階應用

OpenAI 的 Chat Completion 不僅僅是基本的對話助手，它還有多種進階的應用方式。在這裡，我們會探討一些常見的用例。

增加背景知識

首先，我們可以在系統角色（System Role）訊息中添加更多的背景資訊。這對於定制化的應用非常有用。例如，假設你正在開發一個語言學習助手，這個助手需要了解學生的語言背景。你可以這樣設定：

實際的提示訊息：

#這裏是使用者的訊息
user_message = f"""
我想學習怎麼點餐。
"""

messages =  [
    {  # 我們在系統訊息中增加了一些背景資料
        'role':'system',
        'content': """"你是一個專業的外語老師，下方是學生的學習背景，請按照使用者的需求推薦 3 個學習詞彙。
        
        學習背景
        學生的母語： 中文
        想要學習的語言： 英文
        """
    },
    {
        'role':'user',
        'content': f"{user_message}"
    }
]

# 呼叫 ChatCompletion
response = get_completion_from_messages(messages)
print(response)

這樣，助手就可以提供更個性化和具體的建議：

根據你的需求，我推薦以下三個學習詞彙：

1. Menu (菜單) - 學習這個詞彙可以幫助你了解點餐時可以選擇的菜品和飲料。

2. Order (點餐) - 學習這個詞彙可以幫助你表達你想要點的菜品和飲料。

3. Bill (帳單) - 學習這個詞彙可以幫助你理解點餐後需要支付的金額。

希望這些詞彙能夠幫助你在點餐時更加流利地使用英文。祝你學習順利！

指定回應格式

你也可以在系統訊息中指定回應的格式，這樣 Chat Completion 就會按照這個格式來回應。這非常有用，尤其是當你需要結構化的回應。

user_message = f"""
我想學習怎麼點餐。
"""

messages =  [
    {
        'role':'system', # 這個訊息區塊我們增加了格式的範例
        'content': """"你是一個專業的外語老師，請依照使用者的需求，隨機挑選一個單字來造句。
        
        學習背景：
        學生的母語： 中文
        想要學習的語言： 英文

        回應格式
        單字： <單字>(<單字的翻譯>)
        例句： <例句在這裏>
        <例句翻譯>
        """
    },
    {
        'role':'user',
        'content': f"學習需求：{user_message}"
    }
]

# 呼叫 ChatCompletion
response = get_completion_from_messages(messages)
print(response)

這樣，助手的回應會符合指定的格式：

單字： order (點餐)
例句： I would like to order a pizza.
例句翻譯：我想點一個比薩。

小樣本提示（Few-shot prompting）

最後，我們也可以使用所謂的「小樣本提示」來訓練助手。這基本上是提供一個小型的對話歷史來引導 Chat Completion 的行為。

我們透過實際的範例可能會比較清楚：

messages =  [
    {
        'role':'user',
        'content': f"隨便給我一個詞彙"
    },
    {
        'role':'assistant',
        'content': f"旅遊：我愛旅遊"
    },
    {
        'role':'user',
        'content': f"隨便給我一個詞彙"
    },
    {
        'role':'assistant',
        'content': f"揹包: 這揹包真重"
    },
    {
        'role':'user',
        'content': f"隨便給我一個詞彙"
    },
]

# 呼叫 ChatCompletion
response = get_completion_from_messages(messages, verbose=False)
print(response)

透過這樣的方式，助手會根據提供的小樣本對話來生成回應：

綠意：春天的綠意總是令人心情愉悅。

透過這些進階功能，你可以更靈活地定制 Chat Completion，以滿足各種不同的應用需求。希望這篇文章能幫助你更深入地理解這個工具應用的多樣性和潛力！