跳转至

05: 对话历史

概述

展示 AI 如何通过多轮对话来维护和演进对用户的理解。每一轮都添加或完善知识，展示对话系统中增量记忆构建。

主题

对话记忆演进

策略

MERGE_FIELD 增量事实累积

关键特性

  • ✅ 逐轮记忆更新
  • ✅ 增量事实累积
  • ✅ 自动上下文维护
  • ✅ 记忆感知的响应生成
  • ✅ 用户偏好追踪

数据结构

ConversationMemory

session_id: str                    # 对话会话 ID
user_name: str | None              # 用户名
known_topics: list[str]            # 讨论的主题
user_preferences: list[str]        # 明确的偏好
user_interests: list[str]          # 推断的兴趣
communication_style: str | None    # 首选风格
problem_history: list[str]         # 以前的问题
solutions_applied: list[str]       # 尝试过的方案
session_count: int                 # 会话数
last_interaction: str | None       # 最后更新时间

使用场景

对话 AI 与聊天机器人：构建聊天机器人和对话系统，记住用户偏好、追踪对话历史，通过累积知识随时间改进响应。

优势： - 基于历史的个性化响应 - 减少重复解释上下文的需要 - 渐进式信任构建 - 改善用户体验

运行示例

cd examples/
python 05_conversation_history.py

输出

结果存储在 temp/conversation_memory/： - memory.json：对话记忆记录 - metadata.json：模式和统计信息

无需 API ✅

此示例无需任何外部 API 密钥或依赖，仅需核心 OntoMem 包。

您将学到

  1. 多轮更新：跨对话轮更新记忆
  2. 增量累积：通过对话渐进构建档案
  3. 上下文维护：保持对话上下文追踪
  4. 偏好追踪：记录用户偏好和兴趣
  5. 对话集成：将 OntoMem 与聊天系统集成

复杂度

⭐⭐⭐ 中级：展示实用的对话系统集成模式。

相关概念

后续示例