1. 大模型对话机制与上下文记忆的本质问题
大语言模型(LLM)的对话机制本质上是一种"无状态"的交互模式。每次调用模型时,模型只会根据当前输入的提示词(prompt)生成响应,而不会自动保留之前的对话历史。这种设计源于模型的基础架构——Transformer神经网络在每次推理时都是独立处理输入序列的。
测试1中的现象完美印证了这一点:
python复制messages = [sys_message, human_message] # 第一次对话包含系统消息和用户提问
response = chat_model.invoke(messages) # 模型知道"我叫小智"
response1 = chat_model.invoke("你叫什么名字?") # 单次调用丢失上下文
第二次调用时,由于没有传递之前的对话历史,模型就像初次见面一样重新自我介绍。这种现象在技术层面被称为"上下文窗口限制"——模型只能处理当前传入的token序列。
关键理解:大模型的"记忆"完全依赖于开发者显式传递的对话历史。这与人类对话有本质区别,人类会自然记住上下文,而AI需要开发者手动实现记忆机制。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. LangChain中的多轮对话实现方案
2.1 消息序列拼接技术
测试2和测试3展示了最基本的上下文保持方法:将历史对话作为新的输入部分。当我们将多个HumanMessage和SystemMessage按顺序组合时,模型会将这些消息视为连续的对话流:
python复制messages = [
SystemMessage(content="我是小智"),
HumanMessage(content="猫王是猫吗?"),
HumanMessage(content="你叫什么名字?") # 模型能回答名字,因为系统消息在上下文中
]
这种方法的三个关键特征:
- 消息顺序决定理解逻辑(最后的问题会结合前面内容回答)
- SystemMessage定义AI角色(在整个对话中持续生效)
- 每次调用都需要完整传递历史记录
2.2 对话状态管理的进阶技巧
测试5引入了AIMessage类型,这代表着更专业的对话状态管理:
python复制messages = [
System
