多轮对话

多轮对话是指 AI 系统能够记住之前的对话内容，在多次交互中保持上下文连贯性的对话方式。

核心概念

什么是多轮对话

与单轮问答不同，多轮对话需要：

• 记住历史对话
• 理解指代和省略
• 保持话题连贯
• 追踪对话状态

对话示例

用户：北京天气怎么样？
AI：北京今天晴，25°C。

用户：那上海呢？  ← 省略了"天气怎么样"
AI：上海今天多云，28°C。

用户：哪个更适合出行？  ← 指代"北京和上海"
AI：北京天气更好，更适合出行。

技术实现

1. 消息格式

OpenAI 格式的多轮对话：

messages = [
    {"role": "system", "content": "你是一个有帮助的助手。"},
    {"role": "user", "content": "我叫小明"},
    {"role": "assistant", "content": "你好小明，有什么可以帮助你的？"},
    {"role": "user", "content": "我刚才说我叫什么？"},
    {"role": "assistant", "content": "你刚才说你叫小明。"}
]

2. 角色说明

角色	说明
system	系统提示，设定 AI 的行为
user	用户的输入
assistant	AI 的回复

3. 上下文管理

from openai import OpenAI

client = OpenAI(api_key="your-api-key", base_url="https://api.weelinking.com/v1")

class ChatSession:
    def __init__(self, system_prompt="你是一个有帮助的AI助手。"):
        self.messages = [{"role": "system", "content": system_prompt}]
    
    def chat(self, user_input):
        # 添加用户消息
        self.messages.append({"role": "user", "content": user_input})
        
        # 调用 API
        response = client.chat.completions.create(
            model="gpt-4o",
            messages=self.messages
        )
        
        assistant_message = response.choices[0].message.content
        
        # 添加助手回复
        self.messages.append({"role": "assistant", "content": assistant_message})
        
        return assistant_message
    
    def get_history(self):
        return self.messages

# 使用示例
session = ChatSession()
print(session.chat("我叫小明"))
print(session.chat("我刚才说我叫什么？"))

上下文窗口管理

问题：上下文过长

当对话很长时，可能超出模型的上下文窗口限制。

解决方案

1. 截断策略

保留最近的 N 条消息：

def truncate_messages(messages, max_messages=20):
    if len(messages) > max_messages:
        # 保留 system 消息和最近的对话
        return [messages[0]] + messages[-(max_messages-1):]
    return messages

2. 摘要策略

定期总结历史对话：

def summarize_history(messages):
    summary_prompt = "请总结以下对话的关键信息：\n" + format_messages(messages)
    summary = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content": summary_prompt}]
    ).choices[0].message.content
    
    return [
        {"role": "system", "content": f"之前对话摘要：{summary}"},
        messages[-1]  # 保留最后一条
    ]

3. 滑动窗口

保留固定 Token 数量：

import tiktoken

def sliding_window(messages, max_tokens=4000):
    encoder = tiktoken.encoding_for_model("gpt-4o")
    
    total_tokens = 0
    result = []
    
    # 从后往前添加消息
    for msg in reversed(messages):
        msg_tokens = len(encoder.encode(msg["content"]))
        if total_tokens + msg_tokens > max_tokens:
            break
        result.insert(0, msg)
        total_tokens += msg_tokens
    
    return result

对话状态追踪

什么是对话状态

对话状态是对当前对话情况的结构化表示：

dialogue_state = {
    "user_name": "小明",
    "current_topic": "天气查询",
    "mentioned_cities": ["北京", "上海"],
    "user_preference": "晴天"
}

状态追踪实现

def update_state(messages, current_state):
    prompt = f"""
    当前对话状态：{json.dumps(current_state, ensure_ascii=False)}
    
    最新对话：
    用户：{messages[-1]['content']}
    
    请更新对话状态，返回 JSON 格式。
    """
    
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[{"role": "user", "content": prompt}],
        response_format={"type": "json_object"}
    )
    
    return json.loads(response.choices[0].message.content)

多轮对话的挑战

1. 指代消解

理解"它"、"那个"、"这里"等指代词：

• 显式：通过上下文推断
• 隐式：模型内部处理

2. 话题切换

用户可能突然改变话题：

• 检测话题变化
• 适当保留或清除上下文

3. 长期记忆

跨会话的记忆：

• 用户偏好
• 历史交互
• 个人信息

最佳实践

1. 明确的 System Prompt： 设定清晰的对话规则
2. 合理的历史长度： 保留足够但不过多的上下文
3. 状态持久化： 重要状态单独存储
4. 错误处理： 处理上下文理解错误
5. 用户确认： 关键信息主动确认

应用场景

• 客服机器人： 跨轮次理解用户问题
• 教育辅导： 持续跟踪学习进度
• 心理咨询： 记住用户情况和偏好
• 个人助理： 理解用户习惯和需求