9-3 多轮对话实战：用 Python 模拟 ChatGPT 式会话流程
多轮对话实现原理
消息数组机制
多轮对话的核心在于维护一个完整的对话历史数组（messages），每次API调用时都需要传递这个数组。OpenAI的Chat模型会根据这个数组中的上下文生成响应。消息数组中的每条消息必须包含role（角色）和content（内容）字段，角色分为：
system：系统指令，定义AI的行为模式。user：用户输入。assistant：AI的回复。
示例代码
messages = [
{"role": "system", "content": "你是一个成语接龙大师"},
{"role": "user", "content": "花好月圆"},
{"role": "assistant", "content": "圆圆满满"}
]
python
关键点
- 上下文依赖：模型的每次响应都基于完整的对话历史，因此必须包含所有之前的消息。
- 角色区分：严格区分角色确保模型能正确理解上下文。
- 动态更新：每次对话后需将新消息追加到数组中。
💡 提示：如果对话历史过长，可能会触发模型的token限制（如GPT-3.5的4096 tokens），需注意截断或摘要处理。
对话流程控制
1. While循环结构
通过while循环实现持续对话，直到用户输入退出指令（如exit或quit）。
示例代码：
while True:
user_input = input("用户：")
if user_input.lower() in ["exit", "quit"]:
break
messages.append({"role": "user", "content": user_input})
python
关键点
- 退出机制：提供明确的退出条件，避免无限循环。
- 用户输入处理：将用户输入转换为
user角色消息并追加到数组。
💡 扩展：可以增加输入验证逻辑，比如检查输入是否为空或是否符合预期格式（如四字成语）。
2. API调用与响应处理
每次用户输入后，调用API生成AI回复，并将回复追加到消息数组中。
示例代码：
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages
)
ai_reply = response.choices[0].message.content
messages.append({"role": "assistant", "content": ai_reply})
python
关键点
- API调用：使用
chat.completions.create方法，传入当前对话历史。 - 响应处理：从API返回的
response中提取AI回复内容。 - 消息更新：将AI回复追加到数组，确保下次调用包含完整上下文。
💡 优化：
- 错误处理：增加对API调用失败的捕获逻辑（如网络问题或无效输入）。
- 性能优化：对于长对话，可以定期清理或摘要历史消息以减少token消耗。
实践案例
成语接龙游戏
from openai import OpenAI
client = OpenAI(api_key="你的API密钥")
messages = [{"role": "system", "content": "你是一个成语接龙大师，每次只回复一个四字成语"}]
while True:
user_input = input("用户：")
if user_input.lower() in ["exit", "quit"]:
break
messages.append({"role": "user", "content": user_input})
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages
)
ai_reply = response.choices[0].message.content
print(f"大师：{ai_reply}")
messages.append({"role": "assistant", "content": ai_reply})
python
运行效果
用户：花好月圆
大师：圆圆满满
用户：满腹经纶
大师：纶巾羽扇
用户：exit
text
常见问题解答
- 为什么AI回复不符合预期？
- 检查系统提示词是否清晰（如“每次只回复一个四字成语”）。
- 确保对话历史未被截断或遗漏。
- 如何处理长对话的token限制？
- 定期清理旧消息或使用摘要技术压缩历史。
- 如何扩展为多角色对话？
- 在消息数组中添加更多角色（如
role: "bot"），并在提示词中定义其行为。
- 在消息数组中添加更多角色（如
延伸学习资源
- OpenAI官方API文档
- 提示词工程指南
- 相关工具库：
langchain：用于构建复杂对话链。tiktoken：计算token消耗的工具。
实战开发步骤
基础实现
1. 初始化系统提示
系统提示词（system角色）是多轮对话的核心控制机制，它定义了AI的初始身份和行为规范。在成语接龙案例中，我们通过以下代码初始化系统提示：
messages = [
{
"role": "system",
"content": "你是一个成语接龙大师，每次只回复一个四字成语"
}
]
python
关键点解析：
- 角色定义：
system角色用于设定AI的初始身份（如"成语接龙大师"）。 - 行为约束：通过提示词明确限制AI的输出（如"每次只回复一个四字成语"）。
- 灵活性：修改提示词可快速切换AI角色（如改为"编程助手"或"心理咨询师"）。
💡 提示：系统提示词的设计直接影响对话质量，建议遵循以下原则：
- 明确性：避免模糊描述（如"尽量简短"改为"回复不超过10个字"）。
- 具体性：包含示例（如"例如：用户说'一心一意'，你回复'意气风发'"）。
- 约束性：防止过度发散（如"禁止解释成语含义"）。
2. 完整会话代码
以下是一个完整的成语接龙多轮对话实现：
from openai import OpenAI
import os
# 初始化客户端（建议将API密钥存储在环境变量中）
client = OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
# 初始化对话历史
messages = [{"role": "system", "content": "你是一个成语接龙大师，每次必须且只能回复一个四字成语"}]
while True:
# 获取用户输入
user_input = input("用户：").strip()
if user_input.lower() in ["exit", "quit"]:
print("对话结束。")
break
# 更新对话历史
messages.append({"role": "user", "content": user_input})
try:
# 调用API生成回复
response = client.chat.completions.create(
model="gpt-3.5-turbo",
messages=messages,
temperature=0.7 # 控制回复的随机性（0-1）
)
ai_reply = response.choices[0].message.content
# 格式化输出
print(f"大师：{ai_reply.split('。')[0]}") # 取第一个句子
messages.append({"role": "assistant", "content": ai_reply})
except Exception as e:
print(f"发生错误：{e}")
break
python
代码优化点：
- 环境变量管理：使用
os.getenv保护API密钥。 - 输入处理：
strip()移除用户输入首尾空格。 - 错误处理：捕获API调用异常，避免程序崩溃。
- 温度参数：
temperature=0.7平衡回复的创造性和稳定性。
常见问题调试
1. 输出过长问题
问题现象：AI回复多个成语或附带解释。
根本原因：提示词约束不足或模型过度发散。
解决方案：
# 强化提示词约束
messages = [{
"role": "system",
"content": """
你是一个严格的成语接龙大师，必须遵守以下规则：
1. 每次只能回复一个四字成语
2. 禁止解释成语含义
3. 若无法接龙，回复"认输"
示例：
用户：一心一意 -> 你：意气风发
用户：发愤图强 -> 你：强词夺理
"""
}]
python
调试技巧：
- 使用
print(messages)检查实际发送的对话历史。 - 在OpenAI Playground中测试提示词效果。
2. 格式优化技巧
问题现象：AI回复包含多余标点或换行。
解决方案：
# 方法1：提取第一个句子
print(f"大师：{ai_reply.split('。')[0]}")
# 方法2：正则表达式清理
import re
clean_reply = re.sub(r"[^\u4e00-\u9fa5]", "", ai_reply) # 仅保留中文
print(f"大师：{clean_reply[:4]}") # 强制截取前4字
python
高级格式化：
# 添加对话时间戳
from datetime import datetime
timestamp = datetime.now().strftime("%H:%M")
print(f"[{timestamp}] 大师：{ai_reply.split('。')[0]}")
python
扩展功能
1. 多语言支持
通过修改提示词实现中英文混合接龙：
messages = [{
"role": "system",
"content": """
You are a bilingual idiom master. Follow these rules:
1. If user inputs Chinese idiom, reply with another Chinese idiom.
2. If user inputs English phrase, reply with a rhyming English phrase.
Example:
User: 画蛇添足 -> You: 足智多谋
User: Happy birthday -> You: Merry earthday
"""
}]
python
2. 对话记忆持久化
将会话历史保存到文件：
import json
# 保存对话
with open("dialogue_history.json", "w") as f:
json.dump(messages, f)
# 加载对话
with open("dialogue_history.json", "r") as f:
messages = json.load(f)
python
延伸学习
- 提示词工程：
- 进阶调试工具：
- 使用
tiktoken库计算Token消耗：import tiktoken encoder = tiktoken.encoding_for_model("gpt-3.5-turbo") tokens = encoder.encode(str(messages)) print(f"Token count: {len(tokens)}")python
- 使用
- 性能优化：
- 使用
asyncio实现异步API调用提升响应速度。
- 使用
应用扩展方向
1. 角色定制化
通过修改系统提示词（system角色），可以快速切换AI的职能和对话风格。以下是几个典型场景的示例：
编程助手
messages = [{
"role": "system",
"content": """
你是专业的Python编程助手，需遵守以下规则：
1. 仅回答与Python相关的问题
2. 代码需带详细注释
3. 若问题超出范围，回复"此问题不在服务范围内"
示例：
用户：如何用Pandas合并两个DataFrame？
你：可以使用pd.concat()方法，示例代码如下...
"""
}]
python
心理咨询师
messages = [{
"role": "system",
"content": """
你是心理咨询师，需遵守以下规则：
1. 用中立态度倾听，避免直接建议
2. 通过提问引导用户思考
3. 紧急情况提示联系专业机构
示例：
用户：最近压力很大...
你：能具体说说是什么让你感到压力吗？
"""
}]
python
电商客服
messages = [{
"role": "system",
"content": """
你是电商客服机器人，需遵守以下规则：
1. 回答仅限订单查询、退换货政策
2. 复杂问题转人工时回复"正在为您转接"
3. 保持友好语气
示例：
用户：我的订单物流到哪里了？
你：请提供订单号，我将为您查询。
"""
}]
python
💡 高级技巧：
- 使用角色+任务的提示词结构（如"你是一名______，你的任务是______"）
- 通过示例对话明确边界（
Few-shot prompting） - 添加输出格式要求（如"用Markdown代码块包裹代码"）
2. 多场景适配
不同领域需要设计差异化的对话流程和提示词策略：
教育领域
客服系统
娱乐应用
3. 行业解决方案模板
医疗咨询
messages = [{
"role": "system",
"content": """
你是医疗信息助手，需遵守：
1. 仅提供通用健康建议
2. 症状咨询必须提示"请及时就医"
3. 引用权威资料来源
示例：
用户：头痛怎么办？
你：建议休息并补充水分，若持续请就医。参考：WHO健康指南
"""
}]
python
法律顾问
messages = [{
"role": "system",
"content": """
你是法律信息助手，需遵守：
1. 不提供具体案件建议
2. 解释法律条文需注明出处
3. 复杂问题建议咨询执业律师
示例：
用户：劳动合同纠纷怎么处理？
你：根据《劳动法》第XX条...建议保留证据并咨询当地劳动仲裁委。
"""
}]
python
4. 前沿技术结合
语音交互集成
# 使用SpeechRecognition库实现语音输入
import speech_recognition as sr
r = sr.Recognizer()
with sr.Microphone() as source:
print("请说话...")
audio = r.listen(source)
user_input = r.recognize_google(audio, language="zh-CN")
python
多模态扩展
# 结合图像识别提问
messages.append({
"role": "user",
"content": [
{"type": "text", "text": "请描述这张图片"},
{"type": "image_url", "image_url": "https://example.com/image.jpg"}
]
})
python
5. 评估与优化
对话质量评估指标
| 指标 | 说明 | 优化方法 |
|---|---|---|
| 意图识别准确率 | 用户问题分类正确率 | 增加训练数据多样性 |
| 响应相关性 | 回复与问题的匹配度 | 优化提示词约束条件 |
| 用户满意度 | 对话结束后的评分反馈 | 添加情感分析模块 |
A/B测试框架
# 随机分配不同提示词版本
import random
prompt_version = random.choice(["v1_strict", "v2_creative"])
messages = [{"role": "system", "content": load_prompt(prompt_version)}]
python
延伸资源
- 领域知识库：
- 开源项目：
- 学术论文：
- 《ChatGPT Prompt Patterns for Improving Code Quality》
- 《Domain-Specific Prompt Engineering for Healthcare Chatbots》
核心要点总结与深度解析
1. 消息数组必须包含完整对话历史
- 技术原理：GPT模型是"无状态"的，每次请求都需要完整的上下文才能生成连贯回复
- 实现技巧：
# 典型错误：遗漏历史消息 messages = [{"role": "user", "content": latest_input}] # 错误示范 # 正确做法：包含完整历史 messages = [ {"role": "system", "content": "你是助手"}, {"role": "user", "content": "第一轮提问"}, {"role": "assistant", "content": "第一轮回答"}, {"role": "user", "content": latest_input} ]python - 性能优化：当对话超过模型token限制时（如GPT-3.5的4096 tokens），可采用：
- 自动删除最早的非系统消息
- 使用摘要技术压缩历史对话
2. 每次API调用后需更新消息数组
- 关键流程：
- 常见错误处理：
try: response = client.chat.completions.create(...) ai_reply = response.choices[0].message.content messages.append({"role": "assistant", "content": ai_reply}) except Exception as e: print(f"API错误：{e}") messages.pop() # 移除未成功的用户输入python
3. 提示词约束决定AI行为边界
- 工程化设计模板：
你是一个[角色]，需要遵守以下规则： 1. 核心职责：[明确任务] 2. 回答格式：[具体要求] 3. 禁止行为：[限制条款] 示例对话： 用户：[示例输入] 你：[示例输出]markdown - 多语言提示词示例：
messages = [{ "role": "system", "content": """You are a translation assistant. Rules: 1. Translate between English/Chinese 2. Preserve technical terms 3. Add pronunciation guide for Chinese Example: User: Hello world You: 你好世界 (Nǐ hǎo shìjiè)""" }]python
4. while循环实现持续对话
- 增强型循环结构：
max_turns = 10 # 防止无限循环 turn_count = 0 while turn_count < max_turns: user_input = get_input() # 可替换为语音/GUI输入 if is_exit_command(user_input): save_chat_log(messages) # 对话日志保存 break # ...其余处理逻辑... turn_count += 1python
5. 用户退出机制保证程序可控
- 多模态退出检测：
def should_exit(input_text): exit_keywords = ["退出", "quit", "exit", "stop"] exit_gestures = ["👋", "✋"] # 支持表情符号退出 return (input_text.lower() in exit_keywords) or (input_text in exit_gestures)python - 状态保存方案：
import pickle def save_session(messages, filepath="session.pkl"): with open(filepath, "wb") as f: pickle.dump(messages, f) # 下次启动时加载 def load_session(filepath="session.pkl"): try: with open(filepath, "rb") as f: return pickle.load(f) except: return initial_messages()python
实战挑战任务
- 记忆增强实验：
- 修改代码使AI能记住用户名字
- 示例效果：
用户：我叫张三 你：好的张三，请问今天需要什么帮助？ 用户：还记得我叫什么吗？ 你：您之前告诉我您叫张三text
- 多场景切换：
scenarios = { "成语接龙": "你是一个成语接龙大师...", "英语老师": "你是EFL教师...", "心理咨询": "你是倾听型心理咨询师..." } def switch_scenario(name): messages[0]["content"] = scenarios[name] print(f"已切换到{name}模式")python
下节课预告：对话记忆优化技术
- 关键技术栈：
- 向量数据库存储对话记忆（Pinecone/Chroma）
- 关键信息提取（NER技术）
- 长期记忆/短期记忆分离架构
- 预习资料：
# 提前安装实验环境 !pip install langchain chromadbpython
💡 现在可以尝试：用pickle模块实现对话历史保存功能，观察重启程序后AI是否能延续上次对话上下文。
↑