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。

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。

@app.route('/get_last_question', methods=["POST"])
def get_last_question():global user_datalogging.info("-"*20)data = request.get_json()if 'question' not in data or not data['question'] or 'userId' not in data or not data['userId']:return "无法理解或者无法解决，请重新输入问题"question = data['question']userId = data['userId']try:user_data = load_data(config)  # 加载用户数据if userId not in user_data:user_data[userId] = []user_data[userId].append(question)  # 获取 userId 对应的历史对话记录user_data[userId] = user_data[userId][-10:]  # 只保留历史上 10 个对话记录logging.info(f"正在解析用户 【{userId}】 意图，问题历史是 {user_data[userId]}...\n\n")history = user_data[userId]history_str = ""if len(history)>1:history_str = "历史上我依次提问了以下问题：\n"for i,h in enumerate(history[:-1]):history_str += f"时间 10:06:0{i+1} ，问题是： {h}\n"else:history_str += "目前暂无用户提问历史记录。"messages = [{'role': 'system','content': '您是一名善于从历史提问中分析用户的最新意图的助手，请根据提问历史记录，分析并总结用户的最新问题的完整意图。'},{'role': 'user','content': f"根据提问历史记录，分析并总结用户的最新问题的完整意图。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}}】”，总结出来的问题还必须要满足下面的要求:\n"f"1、如果用户的问题查询的是“杭州市”或者“杭州”范围的数据一律使用“全市”进行替换，因为业务数据范围默认就是全杭州市的数据，所以无需重复再提起，但是我们不对包含“杭州市”或者”杭州“字符串的单位名称进行任何处理，因为单位名称具有独特的含义。\n"f"2、用户的简短问题或者意图模糊的提问（如‘2024年呢’等）通常是对之前历史问题的追问或者补充，请根据历史问题记录推断出完整的问题。\n"f"例子：\n"f"输入的历史问题列表是:\n "f"时间 2024-6-6 ，问题是：升序统计2023年各项目类型下管线项目计划数和计划投资金额\n "f"我最新的问题是：统计杭州市2023年管线和管廊建设计划的执行率\n"f"经过分析历史问题列表发现最新的问题和前面的问题关系不大，所以直接最后总结出来的问题是 “统计杭州市2023年管线和管廊建设计划的执行率”， 从问题中可以看出要查询杭州市范围的数据，按照要求我们知道默认数据范围就是全杭州市，所以要用”全市“进行替换，所以输出结果为“【统计全市2023年管线和管廊建设计划的执行率】”。\n"f"例子：\n"f"输入的历史问题列表是: \n"f"时间 2024-6-6，问题是：升序统计杭州市2023年各项目类型下管线项目计划数和计划投资金额\n"f"我最新的问题是：2024年呢\n"f"经过分析发现列表中最新的问题和前面的问题关系有联系，所以经过分析最后总结出来的问题是 “升序统计杭州市2024年各项目类型下管线项目计划数和计划投资金额”， 从问题中可以看出要查询杭州市范围的数据，按照要求我们知道默认数据范围就是全杭州市，所以要用”全市“进行替换，所以输出结果为“【升序统计全市2024年各项目类型下管线项目计划数和计划投资金额】”。\n"f"例子：\n"f"输入的历史问题列表是: \n"f"时间 2024-6-6，问题是：升序查询杭州市2023年权属单位是杭州市政府的管线信息\n"f"我最新的问题是，问题是：2024年呢\n"f"经过分析发现列表中最新的问题和前面的问题关系有联系，所以经过分析最后总结出来的问题是 “升序查询杭州市2024年权属单位是杭州市政府的管线信息”， 从问题中可以看出要查询杭州市范围的数据，按照要求我们知道默认数据范围就是全杭州市，所以要用”全市“进行替换，所以输出结果为“【升序查询全市2024年权属单位是杭州市政府的管线信息】”，我们不对包含“杭州市”或者”杭州“字符串的单位名称进行任何处理。\n"f"\n{history_str}\n，现在我的最新的问题是 “{history[-1]}” ，请严格遵守上述要求并总结出用户的最新问题并给出完整的意图，并简要介绍思考过程。"}]logging.info(f"总结用户最新意图 prompt ：{messages}")response = Generation.call(model="qwen-max-0428", messages=messages, result_format='message')resp = response.output.choices[0]['message']['content']logging.info(f"用户最新意图是：{resp}")g = re.search(r"【.*】", resp)if g:resp = g.group().replace("【", "").replace("】", "")save_data(user_data, config)return respreturn ""except Exception as e:logging.info("提取总结最新的问题过程中报错")logging.error(e)return ""

那么，我们该如何学习大模型？

作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。至于能学习到多少就看你的学习毅力和能力了。我已将重要的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。

一、大模型全套的学习路线

学习大型人工智能模型，如GPT-3、BERT或任何其他先进的神经网络模型，需要系统的方法和持续的努力。既然要系统的学习大模型，那么学习路线是必不可少的，下面的这份路线能帮助你快速梳理知识，形成自己的体系。

L1级别:AI大模型时代的华丽登场

L2级别：AI大模型API应用开发工程

L3级别：大模型应用架构进阶实践

L4级别：大模型微调与私有化部署

一般掌握到第四个级别，市场上大多数岗位都是可以胜任，但要还不是天花板，天花板级别要求更加严格，对于算法和实战是非常苛刻的。建议普通人掌握到L4级别即可。