Error in user YAML: (<unknown>): could not find expected ':' while scanning a simple key at line 3 column 1

---
- oeasy Python 0778
- 这是 oeasy 系统化 Python 教程，从基础一步步讲，扎实、完整、不跳步。愿意花时间学，就能真正学会。
本教程同步发布在： 

     个人网站： `https://oeasy.org` 
     蓝桥云课： `https://www.lanqiao.cn/courses/3584` 
     GitHub： `https://github.com/overmind1980/oeasy-python-tutorial` 
     Gitee： `https://gitee.com/overmind1980/oeasypython` 
---

文生图模型调用

总结

上次可以悄悄设置系统人设了
- 总共两种消息类型

类型	核心定位	作用与特点	典型使用场景举例
system	系统	1. 提前设定模型 2. 不直接参与对话，用户看不到 3. 影响整个对话的回答风格和方向	你是孙悟空
user	对话需求发起者	1. 用户的问题 2. 直接触发模型 ,生成回应 3.不能在暗中设置人设	你喜欢什么颜色？

想让大模型知道
- 和他对话的我
- 是猪八戒
- 可以吗？🤔

孙悟空人设代码

可以在对话里面自报家门

from openai import OpenAI


def show_messages(messages):
    print("==========消息开始==============")
    counter = 1
    for message in messages:
        print("\033[4" + str(counter) + "m",end="")
        print(message,end="")
        print("\33[0m")
        counter = counter + 1
        if counter == 7:
            counter = 1
    print("==========消息结束==============")
            

client = OpenAI(
    base_url = 'https://api-inference.modelscope.cn/v1',
    api_key = 'ms-81c1f87a-fa0a-4edc-a4a5-4bc7ba3cbbba'
)
messages=[
    {
        'role': 'system',
        'content': '你是孙悟空'
    },
    {
        'role': 'user',
        'content': input("问题：")
    }
]
response = client.chat.completions.create(
    model='Qwen/Qwen3-Next-80B-A3B-Instruct', # ModelScope Model-Id
    messages=messages,
    stream=True
)

show_messages(messages)
for chunk in response:
    print(chunk.choices[0].delta.content, end='', flush=True)

效果

想让孙悟空
- 悄悄自动知道
- 猪八戒是谁

系统信息

不需要八戒自己介绍

from openai import OpenAI


def show_messages(messages):
    print("==========消息开始==============")
    counter = 1
    for message in messages:
        print("\033[4" + str(counter) + "m",end="")
        print(message,end="")
        print("\33[0m")
        counter = counter + 1
        if counter == 7:
            counter = 1
    print("==========消息结束==============")
            

client = OpenAI(
    base_url = 'https://api-inference.modelscope.cn/v1',
    api_key = 'ms-81c1f87a-fa0a-4edc-a4a5-4bc7ba3cbbba'
)
messages=[
    {
        'role': 'system',
        'content': '你是孙悟空，我是猪八戒'
    },
    {
        'role': 'user',
        'content': input("问题：")
    }
]
response = client.chat.completions.create(
    model='Qwen/Qwen3-Next-80B-A3B-Instruct', # ModelScope Model-Id
    messages=messages,
    stream=True
)

show_messages(messages)
for chunk in response:
    print(chunk.choices[0].delta.content, end='', flush=True)

这也可以
- 让大模型知道
- 我是猪八戒

两种方法哪个好呢？

方法比较

对比维度	System 指令设定	对话内直接说明
人设稳定性	极高，大模型会将设定作为核心规则贯穿全程，几乎不会偏离“猪八戒”身份	较低，易受后续对话内容干扰，可能出现人设模糊或遗忘的情况
响应一致性	强，所有回复都会严格贴合猪八戒的语气（如憨厚、贪吃、爱偷懒）和行为逻辑	较弱，仅在说明后的短时间内符合人设，后续易回归默认交互风格
设定优先级	最高，System 指令是大模型的核心遵循规则，优先级高于对话内容	较低，属于普通对话信息，优先级低于 System 指令和后续关键指令
操作便捷性	一次设定终身生效，后续无需重复强调，操作高效	需在对话中反复提及以强化人设，若中断容易失效，操作繁琐
适用场景	适合长期、沉浸式的角色扮演，如持续的故事创作、情景对话	适合短期、简单的互动，如临时的趣味问答、单次情景模拟

有什么应用的场合吗？

解决数学问题

需要怎样的人设？

代码

from openai import OpenAI


def show_messages(messages):
    print("==========消息开始==============")
    counter = 1
    for message in messages:
        print("\033[4" + str(counter) + "m",end="")
        print(message,end="")
        print("\33[0m")
        counter = counter + 1
        if counter == 7:
            counter = 1
    print("==========消息结束==============")
            

client = OpenAI(
    base_url = 'https://api-inference.modelscope.cn/v1',
    api_key = 'ms-81c1f87a-fa0a-4edc-a4a5-4bc7ba3cbbba'
)
messages=[
    {
        'role': 'system',
        'content': '你是一个小学三年级数学老师，会用有趣的方式讲解思路，将解题步骤详细清晰地列出来'
    },
    {
        'role': 'user',
        'content': '两车货共48吨，已知第一车比第二车多6吨，第一车有多少吨'
    }
]
response = client.chat.completions.create(
    model='Qwen/Qwen3-Next-80B-A3B-Instruct', # ModelScope Model-Id
    messages=messages,
    stream=True
)

show_messages(messages)
for chunk in response:
    print(chunk.choices[0].delta.content, end='', flush=True)

两个消息

思路和解法

思路

解法

还可以有哪些系统人设呢？

系统人设

人设名称	核心定位	详细提示词
细致步骤推导者	逻辑拆解专家	你是一位擅长逻辑拆解的步骤推导者，回答时必须将问题解决过程拆分为1、2、3...等清晰步骤，每个步骤仅包含一个核心操作，不跳步、不省略前提，确保零基础用户也能按步骤理解或复现。
思考过程透明化达人	思维可视化助手	你需要以“自问自答”的方式完全公开思考过程：先分析“用户的核心需求是什么”，再思考“解决这个问题需要哪些知识点/工具”，接着推导“为什么选择这种方法而不是其他”，最后得出结论，让用户清晰看到你从提问到解答的完整思维路径。
言简意赅精炼师	信息压缩专家	你是专注于信息压缩的回答者，严格遵循“核心结论+1个关键依据”的结构，拒绝冗余解释和扩展内容。回答长度控制在2-3句话内，用最凝练的语言直击问题本质，适合快速获取关键信息的场景。
场景化类比讲解师	通俗化翻译官	你是擅长用生活场景类比的讲解师，面对专业概念或复杂问题时，必须先找到1个大众熟悉的生活场景（如购物、做饭、通勤等）进行类比，再结合类比内容解释核心逻辑，让抽象知识变得直观易懂。
多维度辩证分析者	理性思辨顾问	你需要从“优势/好处”“劣势/风险”“适用场景”三个固定维度分析问题，每个维度给出2-3个具体观点，不偏袒任何一方，语言客观中立，帮助用户全面、辩证地看待问题，而非直接给出单一结论。
鼓励式教学引导者	耐心启蒙老师	你是一位擅长鼓励新手的启蒙老师，回答时先肯定用户的提问（如“这个问题抓得很关键”），再用“我们可以这样想”的引导式语气拆解问题，最后加上1句鼓励性话语（如“多练习几次就能熟练掌握”），营造轻松的学习氛围。
清单式解决方案提供者	实用主义规划师	你需要将问题的解决方案整理成清单形式，每个清单项以“动词+核心任务”开头（如“收集：准备XX材料”“执行：按XX顺序操作”），清单内容覆盖前、中、后全流程，确保用户能直接对照清单落地执行。
故事化知识传播者	趣味内容创作者	你是擅长用故事传递知识的创作者，回答时先构建一个简短的微型故事（包含场景、人物和小冲突），再将知识点自然融入故事的解决过程中，让用户在听故事的同时理解并记住核心信息，避免枯燥的理论堆砌。
数据化结论支撑者	严谨论证分析师	你回答问题时必须以“数据/事实”为核心支撑，先给出明确结论，再列出2-3个具体的数据、案例或权威依据（如“根据XX报告显示”“以XX案例为例”），拒绝主观臆断，让结论更具说服力和可信度。
反向提问启发者	深度思考引导员	你不直接给出答案，而是通过提出3-4个层层递进的反向问题引导用户思考：先问“你是否明确问题的核心矛盾？”，再问“解决这个问题你已具备哪些条件？”，最后问“你尝试过的方法中哪些有效？”，帮助用户自主找到答案。

总结

这次
- 不但告诉大模型
  - 他要扮演孙悟空
- 而且告诉大模型
  - 和他对话的是猪八戒
从简单的api调用
- 演化成了一个智能体系统

有各种各样的角色
- 可以让大模型扮演
- 甚至可以让大模型
- 详细描述自己的心理活动
可以选择哪些大模型去扮演角色呢？🤔
我们下次再说！

本文来自 oeasy Python 系统教程。
想完整、扎实学 Python，
搜索 oeasy 即可。

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

文生图模型调用

总结

孙悟空人设代码

效果

系统信息

方法比较

解决数学问题

代码

思路和解法

系统人设

总结

FilesExpand file tree

0778.md

Latest commit

History

0778.md

File metadata and controls

文生图模型调用

总结

孙悟空人设代码

效果

系统信息

方法比较

解决数学问题

代码

思路和解法

系统人设

总结