Rollen: System, User en Assistant
Op deze pagina
Het rollsysteem begrijpen
De Chat Completions API van Mistral structureert elk gesprek rond rollen die aan berichten worden toegewezen. Elk bericht dat naar het model wordt verzonden, moet een rol bevatten die de functie ervan in de uitwisseling definieert: wie spreekt en met welk gezag. Dit mechanisme lijkt misschien een technisch detail, maar het is eigenlijk de ruggengraat van elke professionele prompt. Het is wat het onderscheid maakt tussen een simpele vraag in een chat en een zorgvuldig opgebouwde applicatie.
Mistral herkent vier verschillende rollen, elk met een precieze functie:
| Rol | Beschrijving | Voorbeeld |
|---|---|---|
| system | Definieert de persoonlijkheid, het gedrag en de algemene context van het model | "Je bent een Franse juridisch expert gespecialiseerd in arbeidsrecht." |
| user | Bevat het verzoek of de instructie van de gebruiker | "Wat zijn de verplichtingen van de werkgever bij een economisch ontslag?" |
| assistant | Vertegenwoordigt de antwoorden van het model, of stelt u in staat het begin van een antwoord vooraf in te vullen | "Hier zijn de 5 belangrijkste verplichtingen: 1. ..." |
| tool | Geeft het resultaat van een functieaanroep terug (function calling) | JSON-resultaat van een databasezoekopdracht |
De systeemrol: de fundering van uw prompt
Het system-bericht staat eerst in de berichtenlijst en fungeert als een permanente richtlijn die het hele gesprek beïnvloedt. Zie het als de functiebeschrijving die u een nieuw teamlid geeft voordat deze op de eerste werkdag begint: het definieert de verwachte persoonlijkheid (toon, formaliteitsniveau, taal), het gewenste expertisegebied, de regels voor wat het model wel en niet mag doen, en het standaardformaat voor de antwoorden. Zodra deze beschrijving is geschreven, past elke daaropvolgende uitwisseling binnen dit kader zonder dat u deze hoeft te herhalen.
messages = [
{
"role": "system",
"content": """Je bent een senior technisch schrijver gespecialiseerd in API-documentatie.
Regels:
- Gebruik nauwkeurig technisch Engels
- Voeg altijd Python-codevoorbeelden toe
- Structureer uw antwoorden met koppen en lijsten
- Overschrijd nooit 500 woorden per antwoord"""
},
{
"role": "user",
"content": "Leg uit hoe je HTTP-fouten in een REST API afhandelt."
}
]
Let op een belangrijk punt voor uw toekomstige applicaties: de systeemprompt wordt beheerd door de ontwikkelaar, niet door de eindgebruiker. De gebruiker van uw applicatie ziet deze nooit, maar alle interacties vinden plaats binnen het kader dat u daar heeft vastgelegd. Dit maakt het tot uw krachtigste controlemiddel.
De user-rol: het concrete verzoek
Het user-bericht bevat het specifieke verzoek. Dit is de meest intuïtieve rol: het vertegenwoordigt wat de mens tegen het model zegt, en elke nieuwe vraag of instructie van de gebruiker wordt een bericht met de rol user. Laat u door de schijnbare eenvoud niet verleiden om best practices te vergeten: wees precies in uw verzoek, specificeer het gewenste formaat als dit afwijkt van wat in de systeemprompt is gedefinieerd, en lever de gegevens die het model nodig heeft direct aan in het bericht—een tekst om samen te vatten, cijfers om te analyseren. Het model kan niet ophalen wat u het niet geeft.
De assistant-rol: het antwoord sturen
De assistant-rol is de meest subtiele van de drie omdat deze twee verschillende toepassingen heeft. De eerste is gespreksgeschiedenis: bij een uitwisseling met meerdere beurten worden eerdere antwoorden van het model opnieuw ingevoegd met de rol assistant om de context te behouden. Zo “herinnert” het model zich wat het heeft gezegd:
messages = [
{"role": "user", "content": "Wat is de hoofdstad van Frankrijk?"},
{"role": "assistant", "content": "De hoofdstad van Frankrijk is Parijs."},
{"role": "user", "content": "En de bevolking?"}
]
Zonder het tussenliggende assistant-bericht zou het “de” in de laatste vraag naar niets verwijzen: de API is stateless en u bouwt het geheugen bij elke oproep opnieuw op.
De tweede toepassing is prefilling (prefix): u kunt uw berichtenlijst afsluiten met een assistant-bericht dat het begin van het verwachte antwoord bevat. Het model gaat vanaf dit punt verder, alsof de eerste woorden al uit zijn mond zijn gekomen. Dit is een krachtige techniek om het uitvoerformaat te controleren:
messages = [
{"role": "user", "content": "Noem 3 Python-frameworks voor het web."},
{"role": "assistant", "content": "```json\n[", "prefix": True}
]
Let op het veld "prefix": True: de API van Mistral vereist dit bij dit laatste assistant-bericht om het als start van een antwoord te behandelen.
Hier begrijpt het model dat het JSON schrijft en zal het het gestarte array aanvullen, zonder inleiding of inleidende zin. Waar een tekstinstructie “antwoord in JSON” genegeerd zou kunnen worden, laat een al geschreven begin van het antwoord weinig keuze over.
De tool-rol: functieresultaten
De tool-rol komt in beeld tijdens function calling. Wanneer het model besluit een externe functie aan te roepen—een webzoekopdracht, een API-verzoek, een berekening—wordt het resultaat van die functie teruggestuurd als een tool-bericht, waarna het model dit integreert in zijn antwoord. Deze rol is geavanceerder en komt aan bod in gespecialiseerde cursussen; onthoud gewoon dat deze bestaat en het hoofddrietal aanvult.
Een compleet gesprek opbouwen
Laten we nu al deze elementen samenvoegen tot een realistische uitwisseling, waarbij de systeemprompt de assistant kadert, de geschiedenis de rode draad behoudt en de laatste vraag natuurlijk voortbouwt op wat eraan voorafging:
response = client.chat.complete(
model="mistral-large-latest",
messages=[
{
"role": "system",
"content": "Je bent een Franse culinaire assistent. Antwoord beknopt."
},
{
"role": "user",
"content": "Hoe maak ik een klassieke vinaigrette?"
},
{
"role": "assistant",
"content": "Voor een klassieke vinaigrette meng je 1 lepel mosterd, 3 lepels olijfolie en 1 lepel azijn."
},
{
"role": "user",
"content": "En voor een lichtere versie?"
}
]
)
Observeer de architectuur: eerst het systeem, daarna een afwisseling tussen user en assistant die de flow van het gesprek reproduceert. Deze volgorde is niet decoratief; het is wat het model in staat stelt om “een lichtere versie” correct te interpreteren als een variant van de vinaigrette die zojuist is besproken.
Belangrijkste punten
- De system-rol kadert het algemene gedrag van het model; het is uw krachtigste hefboom
- De user-rol draagt het concrete verzoek van de gebruiker
- De assistant-rol dient zowel als geschiedenis als leidraad voor het antwoordformaat
- De tool-rol verwerkt resultaten van functieaanroepen
- De volgorde van berichten is cruciaal: eerst system, daarna afwisseling tussen user en assistant