在构建智能对话系统（Chatbot）、RAG（检索增强生成）或 Agent（智能体） 时，上下文记忆（Context Memory）
是核心能力之一。模型本身是无状态的，它不知道您上一句说了什么，除非您显式地将历史对话记录传递给它们。
OpenAI 兼容接口（如阿里云 DashScope）的
参数设计得非常巧妙，它是一个列表（List），天然支持传入多条历史消息。本文将演示如何通过维护这个列表，实现具备”记忆力”的多轮对话。
大语言模型（LLM）本质上是基于概率预测下一个 token 的。如果没有历史信息，每一次请求对模型来说都是”初次见面”。
通过传入历史消息，我们可以实现：
- 指代消解：用户说”它多少钱？”，模型知道”它”指的是上一轮提到的商品。
- 逻辑推理：用户先说”A有2个苹果”，后说”B有3个苹果”，最后问”一共几个？”，模型能结合前文计算。
- 风格一致性：保持对话的人设和语气贯穿始终。
参数是一个字典列表，每个字典代表一条消息，包含 （角色）和 （内容）。
三种关键角色
📌 关键点 ：要实现多轮对话，只需将之前的 提问和 回答按时间顺序依次加入 列表即可。
以下代码演示了一个经典的”累加推理”场景。我们将多轮对话历史硬编码在列表中，观察模型如何结合上下文回答问题。
🔍 代码运行逻辑解析
- System Prompt：首先告诉模型”回答要简洁”，这会影响后续所有输出的风格。
- History Injection ：
- 用户说”小明有2条狗” -> 模型回”好的”。
- 用户说”小红有3条猫” -> Agent 智能体 模型回”好的”。
- 关键点 ：我们将这两组问答都放入了 列表。
- Final Query ：最后用户问”共有多少条宠物狗 ？”。
- 模型会扫描整个列表。
- 它发现第一条信息提到”2条狗”。
- 它发现第二条信息提到”3条猫“（与问题无关，忽略）。
- 结论：模型会回答”2条”。
🎯 测试建议：您可以尝试修改最后一句提问为”共有多少只宠物？”，模型应该会回答”5只”（2狗+3猫），证明它真正理解了上下文。
上面的例子是静态的（写死的列表）。在实际的聊天机器人应用中，我们需要动态地往列表里添加消息。
简易聊天循环示例
动态维护的关键点
- Append User : 每次用户说话后，立即 。
- Call Model : 发送整个 列表。
- Append Assistant : 收到模型回复后，必须 。如果不做这一步，模型就会”失忆”，不知道刚才自己说了什么。
1. Token 长度限制
列表不能无限增长。每个模型都有最大上下文窗口（Context Window），例如 8k, 32k, 128k tokens。
- 风险：如果列表太长，超过限制，API 会报错。
- 对策 ：当对话过长时，需要实施滑动窗口策略 （只保留最近 N 轮对话）或摘要策略（用模型总结之前的对话）。
2. System Prompt 的位置
虽然大多数模型对位置不敏感，但最佳实践是将 角色始终放在列表的第一个位置，以确保指令的全局有效性。
3. 数据清洗
在将用户输入加入 之前，最好进行简单的清洗（如去除多余空白、过滤敏感词），以保证上下文质量。
通过灵活运用 列表，我们可以赋予无状态的大模型以”记忆”。
- 基础用法 ：按顺序填入 , , 消息。
- 核心价值：实现指代理解、逻辑推理和人设保持。
- 工程落地 ：在代码中使用列表 操作动态维护对话历史。
掌握这一技术，是开发 RAG 系统和自主 Agent 的基石。下一步，您可以尝试结合向量数据库，将外部知识库作为”长期记忆”注入到 中！
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/284333.html原文链接：https://javaforall.net
