Os três papéis
Um chat é armazenado como uma lista de mensagens, e cada mensagem carrega um papel indicando de quem ela veio:
system— instruções permanentes que enquadram toda a conversa: quem é o assistente, o que ele deve e não deve fazer. Escritas por quem implanta o modelo, não ditas por ninguém no chat.user— o que a pessoa perguntou ou disse.assistant— o que o modelo respondeu.
Alguns provedores usam outros nomes para a mesma ideia — model em vez de assistant, um campo separado para instruções de sistema, ou developer para instruções — e alguns adicionam um papel tool para resultados retornados por funções que o modelo chamou. A estrutura é a mesma.
O que o modelo realmente lê
Um modelo lê uma sequência linear de tokens, não uma lista de objetos. Um template de chat converte as mensagens nessa sequência, inserindo tokens especiais que marcam onde cada turno começa e termina e de quem é o turno. O modelo aprendeu esses marcadores durante o ajuste de instruções. É assim que ele sabe que o usuário terminou, que é a sua vez de falar e quando parar.
<|im_start|>system You are the support assistant.<|im_end|> <|im_start|>user How do I reset my password?<|im_end|> <|im_start|>assistant Open Settings → Security and choose Reset password.<|im_end|>
Cada família de modelos tem seu próprio template. Usar o template errado, ou nenhum, produz uma entrada que o modelo nunca viu nesse formato, e a qualidade cai drasticamente. Serviços de treinamento hospedados aplicam o template certo para você; para modelos abertos, bibliotecas como Hugging Face Transformers o armazenam junto com o tokenizador.
Como os papéis moldam o treinamento
No ajuste fino supervisionado, os papéis decidem o que é aprendido. O modelo é treinado para produzir mensagens assistant; as mensagens system e user são o contexto que ele lê, mas não é treinado para escrever. É por isso que um conjunto de dados de chats ensina o modelo a responder como seu assistente, em vez de fazer perguntas como seus usuários.
Os papéis também explicam por que o prompt de sistema é tão importante. Um modelo ajustado com uma mensagem de sistema específica aprende seu comportamento na presença dessa mensagem, e se comporta mais como o modelo treinado quando recebe as mesmas instruções no tempo de execução.
system: “Você é o assistente de suporte de um produto de faturamento. Responda em etapas curtas e numeradas.”user: “Como adiciono um número de IVA a uma fatura?”assistant: “1. Abra as Configurações → Empresa. 2. Insira o número de IVA. 3. Salve — ele agora aparecerá nas novas faturas.”- No treinamento, as duas primeiras mensagens são contexto. A terceira é o que o modelo aprende a escrever, dado esse contexto.
Regras que a maioria dos formatos de treinamento impõe
- Os turnos se alternam entre usuário e assistente.
- Após qualquer mensagem de sistema, a conversa começa com o usuário.
- Geralmente há uma mensagem de sistema, logo no início.
- Um registro termina com uma mensagem do assistente se o objetivo for ensinar algo.
Erros comuns
- Colocar instruções em uma mensagem de usuário durante o treinamento, mas no prompt de sistema no tempo de execução, ou vice-versa.
- Treinar com um prompt de sistema e implantar com outro.
- Formatar a entrada de um modelo aberto manualmente em vez de usar seu template de chat.
- Deixar mensagens consecutivas do mesmo papel, o que a maioria dos formatos rejeita.
Referências e leitura complementar
Fontes externas abrem em uma nova aba.
- 01Chat templatesHugging Face Transformers docs · huggingface.coComo as mensagens são transformadas na entrada de um modelo, com templates reais.
- 02Chat TemplatesHugging Face LLM Course · huggingface.coUm capítulo de curso sobre papéis e templates no ajuste fino.
- 03Model Spec (2025/12/18)OpenAI · model-spec.openai.comComo um provedor classifica as instruções de mensagens de sistema, desenvolvedor e usuário.
- 04Training language models to follow instructions with human feedbackOuyang et al., 2022 · arXiv · arxiv.orgDe onde vem o comportamento de seguir instruções e alternar turnos.