同样是给大模型发指令，为什么有的人把要求写在system里效果很好，换成user消息后模型就开始“不听话”？或者反过来，明明在system里写得清清楚楚，模型却在几轮对话之后忘得一干二净。这两个问题的根源都在于没有真正理解System Prompt和User Prompt的区别。本文将从消息结构、优先级、使用场景三个层面详细拆解这两类提示词的差异，并给出实用的组织建议。
一、从消息角色机制看两者的本质区别
无论是OpenAI的Chat Completions接口，还是国内各家大模型的对话API，消息列表中的每一条message都携带一个role字段。常见的取值有三种：system、user、assistant。role并不是一个可有可无的标记，它直接影响模型在推理时对这段文本的“态度”。
System Prompt通常位于消息列表的最前面，用来定义模型的身份、能力边界、输出风格和全局规则。它在训练阶段就被赋予了较高的权重，模型会将其视为“系统级指令”，倾向于在整段对话中持续遵守。而User Prompt则是用户在每一轮对话中发出的具体输入，可能是一个问题、一段待处理文本，或一项任务指令。模型会把user消息当作“当前需要响应的内容”，优先针对它生成回答。
from openai import OpenAI
client = OpenAI()
response = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": "你是一名专业的数据库工程师，回答简洁准确，涉及SQL时必须给出可执行示例。"},
{"role": "user", "content": "如何给已存在的表加一列并设置默认值？"}
]
)
print(response.choices[0].message.content)从上面的代码可以看到，system消息和user消息在结构上是并列的两条记录，区别只在于role的取值。但正是这个取值，让模型在处理时采取了不同的策略：system内容会被当作长期约束，user内容被当作即时请求。如果把两者的内容互换，模型可能会在回答完第一个问题后，就忘记自己应该扮演数据库工程师的角色。
二、优先级、作用范围与稳定性的差异
理解了两者的定位，还需要搞清楚它们在实际效果上的三处关键差异。
第一是作用范围。System Prompt是全局性的，一旦设定，理论上贯穿整个会话；User Prompt是局部性的，主要影响当前这一轮回答。很多“模型聊着聊着就跑偏”的问题，本质上是把全局规则写在了user消息里，随着上下文变长，早期user消息的影响力被稀释，规则自然失效。
第二是优先级。当system和user的内容发生冲突时，绝大多数模型会优先遵循system中的约定。比如system里写了“回答必须使用中文”，即使用户用英文提问，模型通常仍会用中文回答。这个特性可以用来做输出格式的兜底控制。
第三是token消耗与计费方式。两者在计费上没有区别，都会计入上下文长度，但组织方式会影响总token数量。把不变的规则放进system、只写一次，比在每一轮user消息里重复规则更省token，也更不容易因为重复而让模型产生“这些规则可能是临时的”的误解。
| 对比维度 | System Prompt | User Prompt |
|---|---|---|
| 典型位置 | 消息列表首位，仅出现一次 | 每轮对话中由用户发出 |
| 作用范围 | 整个会话全程生效 | 主要影响当前轮次 |
| 典型内容 | 身份、风格、格式、安全边界 | 具体问题、任务、待处理素材 |
| 冲突优先级 | 较高，通常覆盖user要求 | 较低，可被system约束 |
三、如何正确组织System Prompt与User Prompt
一个实用的划分原则是：把“你是谁、你永远怎么做”写进system，把“这次请你做什么”写进user。具体来说，System Prompt适合承载四类内容：角色定义（你是一名资深前端工程师）、输出规范（回答不超过300字，先给结论再给解释）、行为边界（不讨论与编程无关的话题）、知识背景（项目使用Vue3和TypeScript）。User Prompt则承载具体任务、输入数据、临时性要求。
需要注意一个常见误区：system并不是万能保险箱。当对话轮次很多、上下文接近窗口上限时，部分模型对开头system的遵循度也会下降。工程上的常见做法有两种：一是控制会话长度，及时做摘要压缩；二是在关键轮次的user消息中重申一次最重要的格式要求，形成双保险。
messages = [
{"role": "system", "content": "你是代码审查助手。输出规则：1.只指出问题，不重写全部代码 2.按严重程度排序 3.使用中文"},
{"role": "user", "content": "审查下面这段Python函数，重点看空值处理：\n\ndef get_user(uid):\n return db.query(User).get(uid).name"},
{"role": "assistant", "content": "发现两个问题：\n1. 严重：get(uid)可能返回None，调用.name会抛出AttributeError\n2. 一般：未处理uid非法输入"},
{"role": "user", "content": "第一个问题怎么修？给出最小改动方案。"}
]上面的多轮对话示例展示了一个良好结构：system只写一次且内容稳定，每轮user聚焦当前任务，assistant的历史回答留在消息链中，让模型能准确理解“第一个问题”指的是什么。这种组织方式既保证了规则持续生效，又让对话上下文自然连贯。
最后补充一点，部分模型还支持developer或assistant类型的system替代角色，或者像DeepSeek那样将system内容拼接到对话开头。无论底层实现如何，“稳定约束放前面、易变请求放后面”这条原则都是通用的。掌握System Prompt和User Prompt的分工，是写好提示词的第一步，也是让大模型应用输出稳定可控的基础。
System PromptUser Prompt大模型提示词修改时间：2026-09-13 18:28:48