三、多轮对话

3.1 什么是多轮对话

多轮对话（Multi-turn Conversation）指的是人工智能系统与用户之间进行连续交互的能力，即系统能够在对话中保持上下文、理解用户意图，并在多轮问答中提供连贯、智能的回应。与单轮问答不同，多轮对话强调上下文依赖和逻辑延续，能够处理复杂的对话场景，如客户服务、智能助理、咨询问答等。

---

简单例子：

用户：明天北京天气如何？ 系统：明天北京多云，气温 10-18℃。 用户：那后天呢？ 系统：后天北京晴，气温 12-20℃。

---

在这个例子中，系统记住了用户之前询问的是“北京”，即便用户第二次只说“后天”，也能正确理解上下文。

3.2 多轮对话应用场景

• 智能客服
  • 自动解答常见问题，辅助人工客服处理复杂问题。
• 智能助理
  • 如 Siri、Alexa、ChatGPT，可管理日程、查询信息、执行任务。
• 医疗咨询
  • 提供症状分析、健康建议，保持连续对话记录。
• 教育与培训
  • 智能问答、互动式教学，针对学生问题提供逐步指导。
• 企业内部知识问答
  • 帮助员工查询文档、流程或政策，提高工作效率。

3.3 多轮对话上下文窗口工作原理

1. 早期对话（第 1-3 轮）

• 每一轮对话时，上下文窗口会包含之前所有的历史消息（比如第 2 轮输入是 “问题 1+AI 回复 1 + 问题 2”，第 3 轮输入是 “问题 1+AI 回复 1 + 问题 2+AI 回复 2 + 问题 3”）。
• 这样 AI 能基于完整的历史对话，给出连贯的回复（比如回复 2、回复 3 都能承接前面的内容）。

2. 后期对话（第 n 轮）

• 当对话轮数变多，历史消息总量会超过上下文窗口的长度限制。
• 此时 AI 会自动截断更早的历史消息（只保留近期的几轮对话，比如图里的 “问题 n-2 到问题 n”），甚至可能对更早的内容做摘要压缩，避免超出窗口长度。

简单说：上下文窗口就像 AI 的 “短期记忆”—— 对话初期能记住全部内容，聊久了会自动 “精简记忆”，只保留最近的关键信息，保证对话连贯的同时不超负载。

3.4 多轮对话示例

其中需要配置自己的密钥文件参考如下：

具体代码实现如下

# 每次手动输入问题，实现多轮对话
import os
from dotenv import load_dotenv
from openai import OpenAI

# 加载 .env 文件
load_dotenv()

# 从 .env 文件读取配置
api_key = os.getenv("DEEPSEEK_API_KEY")
base_url = os.getenv("DEEPSEEK_BASE_URL")

# 初始化客户端
client = OpenAI(api_key=api_key, base_url=base_url)

# 用于存储对话消息
messages = []

print("多轮对话测试开始，输入 'exit' 退出。")

while True:
    # 用户输入问题
    user_input = input("你: ")
    if user_input.lower() in ["exit", "quit"]:
        print("对话结束。")
        break

    # 添加用户消息
    messages.append({"role": "user", "content": user_input})

    # 调用 Chat API
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages
    )

    # 获取模型回答（注意使用属性访问）
    assistant_message = response.choices[0].message

    # 添加模型回答到 messages 中
    messages.append({"role": assistant_message.role, "content": assistant_message.content})

    # 输出模型回答
    print(f"AI: {assistant_message.content}\\n")