在自然語(yǔ)言處理的領(lǐng)域中，多輪對(duì)話(huà)系統(tǒng)是構(gòu)建智能化交互應(yīng)用的關(guān)鍵。無(wú)論是聊天機(jī)器人、虛擬助手，還是客戶(hù)服務(wù)系統(tǒng)，能夠保持連貫的對(duì)話(huà)并記住上下文信息是用戶(hù)體驗(yàn)的核心。然而，大規(guī)模語(yǔ)言模型（如GPT等）的對(duì)話(huà)能力往往受限于其上下文窗口的長(zhǎng)度，這就給實(shí)現(xiàn)超長(zhǎng)多輪對(duì)話(huà)帶來(lái)了挑戰(zhàn)。想想很多思想的交流，都是通過(guò)不斷地對(duì)話(huà)實(shí)現(xiàn)的。（這里拋出一個(gè)問(wèn)題，對(duì)于雙方對(duì)話(huà)可以很容易實(shí)現(xiàn)交互，那么對(duì)于三者及三者以上呢？現(xiàn)在有比較好的方法來(lái)實(shí)現(xiàn)嘛？）那么，如何在上下文長(zhǎng)度有限的情況下實(shí)現(xiàn)超長(zhǎng)多輪對(duì)話(huà)呢？這里將探討大模型如何通過(guò)多種上下文管理技術(shù)來(lái)克服這一挑戰(zhàn)，提供流暢、連貫的長(zhǎng)時(shí)間對(duì)話(huà)體驗(yàn)。

首先為什么實(shí)現(xiàn)超長(zhǎng)多輪對(duì)話(huà)有難度？

1. 上下文窗口的限制

大多數(shù)基于Transformer架構(gòu)的語(yǔ)言模型有一個(gè)固定的上下文窗口限制，即模型可以處理的最大文本長(zhǎng)度（通常以token為單位）。這個(gè)限制意味著，模型一次只能處理一定數(shù)量的文本，當(dāng)對(duì)話(huà)超過(guò)這個(gè)限制時(shí)，早期的對(duì)話(huà)內(nèi)容將被裁剪掉。因此，如何管理對(duì)話(huà)歷史成為了一個(gè)關(guān)鍵問(wèn)題。

1.1 什么是Token？

Token是模型處理語(yǔ)言的基本單元，可能是一個(gè)單詞、部分單詞，甚至是標(biāo)點(diǎn)符號(hào)。每一輪對(duì)話(huà)中的所有單詞都會(huì)被拆分為若干個(gè)token，當(dāng)這些token數(shù)量超出模型的最大處理能力時(shí)，模型就無(wú)法直接記住所有對(duì)話(huà)內(nèi)容。一般而言，對(duì)于英語(yǔ)文本，1個(gè)token大約是3_{4個(gè)字符；而對(duì)于中文文本，則大約是1.5}1.8個(gè)漢字。

現(xiàn)有的一些解決方案有哪些？

大致可以總結(jié)為下述方法：

	優(yōu)點(diǎn)	缺點(diǎn)
常用：拼接所有的歷史對(duì)話(huà)，長(zhǎng)度不夠就進(jìn)行截?cái)?/td>	簡(jiǎn)單直接，完整存儲(chǔ)了歷史對(duì)話(huà)記錄，對(duì)歷史對(duì)話(huà)的理解肯定是對(duì)全面的	token消耗大，內(nèi)容冗余，超過(guò)限制會(huì)損失信息
摘要：對(duì)歷史對(duì)話(huà)記錄總結(jié)記錄	相比直接記錄歷史對(duì)話(huà)減少了冗余內(nèi)容，只抓關(guān)鍵點(diǎn)，大大增強(qiáng)了多輪對(duì)話(huà)能力	摘要效果取決于模型，模型不好可能會(huì)大量丟失關(guān)鍵信息，且需要額外的token去總結(jié)摘要
存儲(chǔ)	增加記憶數(shù)據(jù)庫(kù)，可以存儲(chǔ)更多多輪對(duì)話(huà)的內(nèi)容，在時(shí)間和容量上跨度很大	需要構(gòu)建外部記憶系統(tǒng)，并需要具備對(duì)應(yīng)的檢索能力
trunk & retrieval	綜合了上面方法的優(yōu)點(diǎn)	效果取決于檢索能力，關(guān)鍵點(diǎn)把握不住會(huì)存在語(yǔ)義偏差

2. 實(shí)現(xiàn)超長(zhǎng)多輪對(duì)話(huà)的技術(shù)策略

為了應(yīng)對(duì)模型上下文窗口的限制，開(kāi)發(fā)者可以使用以下幾種技術(shù)策略來(lái)實(shí)現(xiàn)超長(zhǎng)多輪對(duì)話(huà)。

2.1 截?cái)鄽v史記錄

最直接的方式是截?cái)鄬?duì)話(huà)歷史記錄。模型將根據(jù)上下文窗口的大小，保留最近幾輪對(duì)話(huà)，而丟棄早期的內(nèi)容。這種方法簡(jiǎn)單有效，但如果早期對(duì)話(huà)中的信息對(duì)后續(xù)交互至關(guān)重要，則可能會(huì)導(dǎo)致上下文信息丟失，影響對(duì)話(huà)的連貫性。

策略：

• 保留最近的對(duì)話(huà)輪次，以確保用戶(hù)與模型的當(dāng)前對(duì)話(huà)具有連續(xù)性。
• 在必要時(shí)，通過(guò)詢(xún)問(wèn)用戶(hù)或模型復(fù)述之前的關(guān)鍵點(diǎn)來(lái)重建上下文。

挑戰(zhàn)：截?cái)鄽v史記錄的主要缺點(diǎn)是，當(dāng)早期對(duì)話(huà)包含重要信息時(shí)，信息丟失會(huì)影響后續(xù)對(duì)話(huà)的質(zhì)量。

2.2 摘要生成（Summarization）

摘要技術(shù)是一種優(yōu)化的解決方案。當(dāng)對(duì)話(huà)內(nèi)容變得過(guò)長(zhǎng)時(shí)，模型可以通過(guò)生成一個(gè)摘要，將之前的對(duì)話(huà)壓縮成一個(gè)短小的表示形式。這種方式不僅節(jié)省了上下文窗口的空間，還可以保留對(duì)話(huà)的核心信息。

實(shí)現(xiàn)方式：

• 模型在每隔幾輪對(duì)話(huà)后生成一個(gè)總結(jié)，將之前的內(nèi)容簡(jiǎn)化為幾個(gè)關(guān)鍵點(diǎn)。
• 在后續(xù)對(duì)話(huà)中，使用這些摘要代替完整的對(duì)話(huà)歷史，從而保證上下文信息的持續(xù)性。

優(yōu)點(diǎn)：通過(guò)摘要技術(shù)，模型可以保持對(duì)重要信息的“記憶”，而不會(huì)丟失有價(jià)值的上下文。

示例： 假設(shè)用戶(hù)與模型討論了一項(xiàng)復(fù)雜的項(xiàng)目，模型可以在每輪對(duì)話(huà)結(jié)束時(shí)生成一個(gè)簡(jiǎn)短的總結(jié)，例如：“你正在開(kāi)發(fā)一個(gè)新項(xiàng)目，主要挑戰(zhàn)是資金不足和技術(shù)團(tuán)隊(duì)擴(kuò)展?！?/p>

2.3 記憶機(jī)制（Memory Mechanism）

高級(jí)對(duì)話(huà)系統(tǒng)可以通過(guò)“記憶機(jī)制”來(lái)實(shí)現(xiàn)更持久的上下文管理。雖然大多數(shù)基礎(chǔ)模型沒(méi)有“長(zhǎng)期記憶”的概念，但在系統(tǒng)層面，可以實(shí)現(xiàn)一個(gè)外部的記憶系統(tǒng)。該系統(tǒng)在每次對(duì)話(huà)結(jié)束時(shí)保存關(guān)鍵信息，并在后續(xù)對(duì)話(huà)中根據(jù)需要將其重新引入上下文。

具體方式：

• 在每輪對(duì)話(huà)中，系統(tǒng)提取重要的用戶(hù)偏好、意圖、需求等，并存儲(chǔ)到一個(gè)獨(dú)立的數(shù)據(jù)庫(kù)中。
• 在后續(xù)對(duì)話(huà)中，系統(tǒng)可以根據(jù)對(duì)話(huà)內(nèi)容或特定關(guān)鍵詞，從記憶系統(tǒng)中提取相關(guān)信息，動(dòng)態(tài)填充到當(dāng)前的對(duì)話(huà)中。

優(yōu)勢(shì)：記憶機(jī)制可以有效地模擬長(zhǎng)期上下文記憶，使模型在多輪對(duì)話(huà)中能夠記住用戶(hù)的偏好、需求和目標(biāo)，提升用戶(hù)體驗(yàn)。

2.4 外部存儲(chǔ)與動(dòng)態(tài)調(diào)用

通過(guò)結(jié)合外部存儲(chǔ)系統(tǒng)，模型可以將之前的對(duì)話(huà)歷史或關(guān)鍵信息存儲(chǔ)在外部數(shù)據(jù)庫(kù)中，而不是完全依賴(lài)上下文窗口。在需要時(shí)，系統(tǒng)可以從存儲(chǔ)中動(dòng)態(tài)調(diào)用這些信息并更新當(dāng)前對(duì)話(huà)的上下文。這種方法對(duì)于超長(zhǎng)時(shí)間或跨多天的對(duì)話(huà)特別有用。

工作流程：

• 每次對(duì)話(huà)結(jié)束時(shí)，重要的對(duì)話(huà)內(nèi)容被存儲(chǔ)在外部存儲(chǔ)系統(tǒng)中，如數(shù)據(jù)庫(kù)或緩存。
• 當(dāng)用戶(hù)在未來(lái)的某一時(shí)刻重新與系統(tǒng)進(jìn)行對(duì)話(huà)時(shí)，系統(tǒng)可以檢索之前存儲(chǔ)的內(nèi)容，填充到當(dāng)前上下文中。

場(chǎng)景：假如用戶(hù)和模型討論了一周前的一個(gè)項(xiàng)目細(xì)節(jié)，通過(guò)外部存儲(chǔ)，模型可以重新加載項(xiàng)目的關(guān)鍵信息，而無(wú)需用戶(hù)重新解釋。

2.5 基于主題的上下文聚焦

在一些復(fù)雜對(duì)話(huà)中，用戶(hù)可能會(huì)同時(shí)涉及多個(gè)主題。為了更好地管理超長(zhǎng)對(duì)話(huà)，模型可以使用基于主題的上下文聚焦策略。模型會(huì)識(shí)別當(dāng)前對(duì)話(huà)的主題，并只保留與該主題相關(guān)的上下文，而忽略或簡(jiǎn)化其他不相關(guān)的內(nèi)容。

示例： 如果用戶(hù)與模型討論了多個(gè)不同的項(xiàng)目，模型可以根據(jù)當(dāng)前對(duì)話(huà)的主題選擇性地回顧與之相關(guān)的上下文，而忽略不相干的主題信息。

優(yōu)點(diǎn)：這種方法幫助模型在復(fù)雜多主題對(duì)話(huà)中保持清晰的上下文結(jié)構(gòu)，并避免無(wú)關(guān)信息占用上下文窗口。

注意：

1、現(xiàn)在很多大模型對(duì)上下文窗口的限制已經(jīng)優(yōu)化很多了，Qwen2 模型可以處理 32K 或 128K token 長(zhǎng)的文本，其中 8K 長(zhǎng)度可作為輸出。ChatGPT-4o支持128K tokens的上下文輸入，16K tokens的輸出。

2、多輪對(duì)話(huà)技術(shù)優(yōu)化主要看重時(shí)間上的跨度和有用信息的集中程度（個(gè)人理解）

3、不同技術(shù)的細(xì)節(jié)需要根據(jù)實(shí)際需求調(diào)整

參考文獻(xiàn)：

1、(22 封私信 / 37 條消息) 大模型如何實(shí)現(xiàn)超長(zhǎng)多輪對(duì)話(huà)？ - 知乎 (zhihu.com)

2、解讀大模型（LLM）的token-騰訊云開(kāi)發(fā)者社區(qū)-騰訊云 (tencent.com)