关于大模型多轮问答的两种方式

前言

大模型的多轮问答难点就是在于如何精确识别用户最新的提问的真实意图，而在常见的使用大模型进行多轮对话方式中，我接触到的只有两种方式：

一种是简单地直接使用 user 和 assistant 两个角色将一问一答的会话内容喂给大模型，让它能够结合最新的问题靠自己去理解用户的最新的问题的含义。
另外一种方式是在会话过程中将历史的问题进行维护，再使用另外一个大模型结合最新的问题去理解用户当前的意图。

两种方式都可以，但是在我目前的业务上我目前使用的是后者，因为比较容易实现，效果也不错。

第一种方式

这是使用的是 qwen 的多轮问答 api ，要使用这一种方式，需要维护一个相当长的历史会话记录 messages ，而且要保证 messages 中的 user/assistant 消息交替出现，这是一个必须要遵循的条件，如果是碰到异常，必须要对 messages 中最后的无效对话进行清理。这里就是将理解用户意图和解决用户的问题都混在了一块，对于我要做的业务，回答内容的不确定性太高，而且实现成本也高，需要在会话中加入大量业务代码，所以果断放弃了。

这里的代码主要实现了一个简易地关于烹饪的对话，只有两轮，实现逻辑比较简单，写的比较粗糙，理解意思即可。

ini
复制代码
def multi_round():
    messages = [{'role': 'system', 'content': '你是一个绝佳的烹饪助手'},
                {'role': 'user', 'content': '如何做西红柿炖牛腩？'}]
    response = Generation.call(model="qwen-turbo",  messages=messages, result_format='message')
    if response.status_code == HTTPStatus.OK:
        print(response)
        messages.append({'role': response.output.choices[0]['message']['role'],
                         'content': response.output.choices[0]['message']['content']})   # 将assistant的回复添加到messages列表中
    else:
        print(response.message)
        messages = messages[:-1]  # 如果响应失败，将最后一条user message从messages列表里删除，确保 user/assistant 消息交替出现
    messages.append({'role': 'user', 'content': '不放糖可以吗？'})  # 将新一轮的user问题添加到messages列表中
    
    response = Generation.call(model="qwen-turbo", messages=messages, result_format='message', )
    if response.status_code == HTTPStatus.OK:
        print(response)
        messages.append({'role': response.output.choices[0]['message']['role'],
                         'content': response.output.choices[0]['message']['content']})  # 将第二轮的assistant的回复添加到messages列表中
    else:
        print(response.message)
        messages = messages[:-1]  # 如果响应失败，将最后一条user message从messages列表里删除，确保 user/assistant 消息交替出现

第二种方式

在我所做地业务中，对于 assistant 的回复不关心，主要关心的是用户的问题，所以我只关注 user 的历史提问，在实现的时候只需要维护一个列表 history，始终将最新的用户提问追加即可，为了保证列表信息的有效性，我始终只维护最后 10 个问题。我这里使用 qwen-max 模型对历史提问进行总结，并且按照我要求的方式进行输出。也就是说这个模型只负责总结历史问题，对于业务问题的回答是其他大模型干的事情，任务分工明确就减少了不确定性。

python
复制代码
history = []
@app.route('/getAnwser', methods=["POST"])
def getAnwser():
    data = request.get_json()
    question = data['question']
    global history
    history.append(question)
    history = history[-10:]  # 始终只维护最后 10 个问题
    print("正在解析用户意图...\n\n")
    try:
        # 将 history 拼接成字符串传入 prompt 中
        history_str = ""
        if history:
            history_str = '['
            for h in history:
                history_str += f"'{h}',"
            history_str.strip(",")
            history_str += ']'
        messages = [
            {'role': 'system', 'content': '您是一名精通总结多轮问题含义的助手，请根据历史问题做出有效的判断，帮我总结最新的问题，保证不会丢失关键信息，需要注意的是越靠近新的对话越重要'},
            {'role': 'user', 'content': f"历史上我依次提问了以下问题：{history_str}，请帮我总结出我最新的问题，不要做冗余的解释或者赘述。如果用户提出的问题语义模糊不清无法识别，可以直接返回空字符串。答案的模板必循遵循”【{{我的最新的问题描述}}】“"}
        ]
        response = Generation.call(model="qwen-max", messages=messages, result_format='message')
        if response.status_code == HTTPStatus.OK:
            resp = response.output.choices[0]['message']['content'].replace("【", "").replace("】", "")
        else:
            raise Exception("接口限流，请稍后重试。")
        print(f"您的最新问题是：{resp} \n\n")
    except BaseException as e:
        if history:
            history = history[:-1]  # 异常时候，将本次新增的问题删除
        print( f"Error: {str(e)}\n\n".encode())

如何系统的去学习大模型LLM ？

作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。

但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的 AI大模型资料 包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

所有资料 ⚡️ ，朋友们如果有需要全套《LLM大模型入门+进阶学习资源包》，扫码获取~

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

一、全套AGI大模型学习路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

阶段1：AI大模型时代的基础理解

目标：了解AI大模型的基本概念、发展历程和核心原理。
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
  - L1.4.1 知识大模型
  - L1.4.2 生产大模型
  - L1.4.3 模型工程方法论
  - L1.4.4 模型工程实践
- L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
内容：
- L2.1 API接口
  - L2.1.1 OpenAI API接口
  - L2.1.2 Python接口接入
  - L2.1.3 BOT工具类框架
  - L2.1.4 代码示例
- L2.2 Prompt框架
  - L2.2.1 什么是Prompt
  - L2.2.2 Prompt框架应用现状
  - L2.2.3 基于GPTAS的Prompt框架
  - L2.2.4 Prompt框架与Thought
  - L2.2.5 Prompt框架与提示词
- L2.3 流水线工程
  - L2.3.1 流水线工程的概念
  - L2.3.2 流水线工程的优点
  - L2.3.3 流水线工程的应用
- L2.4 总结与展望

阶段3：AI大模型应用架构实践

目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
内容：
- L3.1 Agent模型框架
  - L3.1.1 Agent模型框架的设计理念
  - L3.1.2 Agent模型框架的核心组件
  - L3.1.3 Agent模型框架的实现细节
- L3.2 MetaGPT
  - L3.2.1 MetaGPT的基本概念
  - L3.2.2 MetaGPT的工作原理
  - L3.2.3 MetaGPT的应用场景
- L3.3 ChatGLM
  - L3.3.1 ChatGLM的特点
  - L3.3.2 ChatGLM的开发环境
  - L3.3.3 ChatGLM的使用示例
- L3.4 LLAMA
  - L3.4.1 LLAMA的特点
  - L3.4.2 LLAMA的开发环境
  - L3.4.3 LLAMA的使用示例
- L3.5 其他大模型介绍