03-01-01 — Roles: system, user, assistant — e por que importam

O modelo de mensagens

Quando você chama a API do GPT-4, do Claude ou do Gemini, não está enviando um texto único. Está enviando um array de mensagens, cada uma com um role. Pense nisso como uma peça de teatro: o system define o palco, o user fala a fala, o assistant responde.

from openai import OpenAI

client = OpenAI()

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {
            "role": "system",
            "content": "Você é um assistente jurídico especializado em direito empresarial brasileiro. Responda sempre de forma objetiva, cite artigos de lei quando relevante, e recuse pedidos fora do escopo jurídico."
        },
        {
            "role": "user",
            "content": "O que é uma sociedade limitada?"
        }
    ]
)

print(response.choices[0].message.content)

O que cada role faz

system — a personalidade persistente

O system prompt é executado antes de qualquer mensagem do usuário. É aqui que você define:

• Persona: quem o modelo é ("você é um assistente sênior de DevOps")
• Restrições: o que ele não deve fazer ("nunca revele dados pessoais")
• Formato: como responder ("sempre use bullet points", "responda em JSON")
• Contexto de negócio: informações que todo usuário vai precisar

user — o input

Mensagens com role user representam o que o humano (ou seu sistema) está enviando. Podem conter texto, imagens (em modelos multimodais), ou até resultados de tool calls. É a entrada de dados da sua pipeline.

assistant — o output que virou contexto

Cada resposta do modelo tem role assistant. Em conversas multi-turn, você inclui as respostas anteriores no array de mensagens para que o modelo "lembre" do que disse. Sem isso, cada chamada é stateless — o modelo começa do zero.

O poder do system prompt: exemplo comparativo

O mesmo input do usuário, dois system prompts diferentes. Resultado radicalmente diferente:

import openai

user_input = "Explique machine learning em 3 linhas."

# System prompt 1: sem restrições
response_1 = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "Você é um assistente útil."},
        {"role": "user", "content": user_input}
    ]
)

# System prompt 2: audiência específica
response_2 = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {
            "role": "system",
            "content": "Você fala com CEOs de empresas de tecnologia .NET. Use analogias de arquitetura de software. Sem jargão acadêmico. Máximo 3 linhas."
        },
        {"role": "user", "content": user_input}
    ]
)

# Resposta 1: genérica, acadêmica
# Resposta 2: "Machine learning é como um sistema que aprende regras de negócio
# automaticamente a partir de dados históricos, em vez de você codificá-las.
# É o oposto de um if/else: o modelo descobre os padrões, você só fornece os exemplos."

Multi-turn: memória dentro da janela

LLMs são stateless por natureza. A "memória" de uma conversa é uma ilusão que você constrói injetando o histórico no array de mensagens:

messages = [
    {"role": "system", "content": "Você é um assistente de suporte técnico da Impar."}
]

# Simula uma conversa de 3 turnos
turns = [
    "Qual é o prazo de SLA para incidentes críticos?",
    "E para incidentes de alta prioridade?",
    "Me dá um resumo do que você disse."
]

for user_input in turns:
    messages.append({"role": "user", "content": user_input})
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=messages  # envia TODO o histórico
    )
    
    assistant_reply = response.choices[0].message.content
    messages.append({"role": "assistant", "content": assistant_reply})
    
    print(f"User: {user_input}")
    print(f"Assistant: {assistant_reply}\n")

Diferença entre providers: OpenAI vs Anthropic

A OpenAI usa os três roles (system, user, assistant). A Anthropic (Claude) separa o system do array de mensagens — ele vai num parâmetro dedicado:

import anthropic

client = anthropic.Anthropic()

# No Claude, system é parâmetro separado, não uma mensagem
response = client.messages.create(
    model="claude-opus-4-5",
    max_tokens=1024,
    system="Você é um assistente de arquitetura de software .NET.",  # parâmetro top-level
    messages=[
        {"role": "user", "content": "Quando usar microserviços vs monolito?"}
    ]
)

print(response.content[0].text)

Boas práticas para system prompts

• Seja específico: "responda em português brasileiro" é melhor que "responda no idioma do usuário"
• Defina o que não fazer: restrições negativas são tão importantes quanto positivas
• Coloque exemplos: um exemplo vale mil palavras de instrução
• Versione seus prompts: trate system prompts como código — commits, diffs, testes
• Teste com adversários: tente quebrar seu próprio prompt antes que o usuário faça isso