把历史对话作为提示词会怎样

、历史对话能作为提示词吗？

大模型的用户那么多，推理过程已经消耗许多算力了，不可能再给每个用户分配单独的存储空间以实现记忆功能。既然大模型放弃了记忆功能，开发者就得在AI应用这边增加对话记忆，以弥补大模型缺失的记忆。
具体而言，在用户每次退出会话之时，AI应用就要保存本次会话的各轮问答内容。然后下次开启新会话时，AI应用先把上次的多轮问答合并后作为初始提示词发给大模型，再接收处理用户的新问题。好让大模型知晓用户之前已经问过了哪些问题，并且上次的大模型都做了哪些回答，于是心中有数、方能投用户之所好。

二、提示词形式的历史对话例子

包含上回多轮问答内容的初始提示词举例如下：

“用户之前已经问过你多个问题了，后续推理请参考之前的问答内容。 上次用户的问题和AI的回答按照时间升序排列如下： 【用户】推荐一本关于历史的书，要内容详细、适合入门 【AI】推荐《明朝那些事儿》，通俗好读 【用户】有没有国外历史的？比如欧洲史 【AI】推荐《欧洲通史上下两千年》 【用户】太长了有没有更短的？我只想快速了解核心脉络 【AI】那看《极简欧洲史》精简版，100页搞定”

上面的初始提示词首先说明这不是普通的问题，而是上次用户与AI的问答交互内容；接着把用户与AI的对话内容一一罗列，其中用户的提问以【用户】开头，AI的回答以【AI】开头。这样大模型一开始就了解用户比较关注入门的历史读物，尤其是欧洲的历史梗概。

三、根据消息数量精简上下文

当然，历史会话中的问答内容可能很多，把所有历史对话统统发给下次的大模型，既不经济也不可取。只能摘取历史对话的局部内容，提炼之后形成下次会话的初始提示词，才是可行的做法。
历史对话的提炼方式有很多，最简单的就是拾取最新最近最靠后的几条问答内容。因为较老较远较靠前的问答过去比较久了，很可能用户已经不再关注。按照思维惯性，用户大概率更关注上次最后的几次问达，那么提取最新的会话问答就足够了。

接下来将以Python代码演示如何按照消息数量来截断早期的上下文（即问答内容）。在运行Python代码之前，请确保电脑已经按照本教程的第一篇文章安装了 Python 3.10.11 和 PyCharm 2022.2 。
下面是只保留两轮对话内容的Python代码例子：

# 上下文仓库：存放所有历史对话 context_history = [] # 限制最多保留 2 轮对话，超出自动截断 MAX_CONTEXT_ROUND = 2 # 模拟角色标记 ROLE_USER = "用户" ROLE_AI = "AI" # 模拟一轮对话 & 上下文管理 def chat(user_input: str) -> tuple[str, str]: # ① 先把当前用户问题加入上下文 context_history.append({ "role": ROLE_USER, "content": user_input }) # 关键：上下文截断，超出限制就删掉最旧的 while len(context_history) > MAX_CONTEXT_ROUND * 2: context_history.pop(0) # 删除列表第一个（最早的记录） # ② 拼接完整上下文的提示词（发给大模型的最终内容） full_prompt = "" for msg in context_history: full_prompt += f"{msg['role']}：{msg['content']}\n" # ③ 模拟AI回答（实际项目要调用大模型接口） ai_reply = f"我结合上下文回答：收到你的问题【{user_input}】" # ④ AI回答也存入上下文，供下一轮使用 context_history.append({ "role": ROLE_AI, "content": ai_reply }) return ai_reply, full_prompt # 测试运行 if __name__ == "__main__": # 连续多轮提问，观察截断效果 questions = [ "请推荐一本小说", "再来一本科幻的", "不要太长的", "有没有悬疑类？" ] for idx, q in enumerate(questions, 1): print(f"\n===== 第{idx}轮对话 =====") reply, prompt = chat(q) print("当前拼接的完整上下文：") print(prompt) print("AI回复：", reply)

四、历史对话上下文的精简结果

运行上面的Python代码，观察到下面的输出日志：

===== 第1轮对话 ===== 当前拼接的完整上下文： 用户：请推荐一本小说 AI回复： 我结合上下文回答：收到你的问题【请推荐一本小说】 ===== 第2轮对话 ===== 当前拼接的完整上下文： 用户：请推荐一本小说 AI：我结合上下文回答：收到你的问题【请推荐一本小说】 用户：再来一本科幻的 AI回复： 我结合上下文回答：收到你的问题【再来一本科幻的】 ===== 第3轮对话 ===== 当前拼接的完整上下文： AI：我结合上下文回答：收到你的问题【请推荐一本小说】 用户：再来一本科幻的 AI：我结合上下文回答：收到你的问题【再来一本科幻的】 用户：不要太长的 AI回复： 我结合上下文回答：收到你的问题【不要太长的】 ===== 第4轮对话 ===== 当前拼接的完整上下文： AI：我结合上下文回答：收到你的问题【再来一本科幻的】 用户：不要太长的 AI：我结合上下文回答：收到你的问题【不要太长的】 用户：有没有悬疑类？ AI回复： 我结合上下文回答：收到你的问题【有没有悬疑类？】