状态控制

1. 对话状态管理

状态的本质

对话状态是指维护在多轮交互中的关键信息，确保模型能够在上下文中保持一致性和连贯性。

对话状态包含：
├── 用户画像      ← 偏好、背景、身份
├── 对话意图      ← 当前目标和历史意图
├── 已确认信息    ← 双方已达成共识的内容
├── 待处理任务    ← 尚未完成的子任务
└── 上下文变量    ← 对话中产生的临时变量

QUESTION 面试高频：大模型应用中如何维护多轮对话的状态？

1. 会话级状态：通过消息历史维护在上下文窗口中
2. 摘要级状态：将长对话压缩为摘要注入 System Prompt
3. 外部状态存储：使用数据库/Redis 存储结构化状态
4. 向量记忆：将对话片段存入向量数据库，按需检索
5. 混合策略：短期记忆（上下文窗口）+ 长期记忆（向量检索）

2. 多轮记忆策略

记忆层级

记忆检索策略

用户发送消息
   ↓
┌─────────────────────────────────────┐
│ 1. 从工作记忆中读取当前对话历史       │
│ 2. 从短期记忆中读取会话状态          │
│ 3. 从长期记忆中检索相关历史对话       │
│ 4. 从用户画像中读取偏好设置          │
└─────────────────────────────────────┘
   ↓
组装上下文
   ↓
调用模型生成回复
   ↓
更新各层级记忆

记忆更新机制

def update_memory(user_msg: str, assistant_msg: str, session):
    # 1. 追加到工作记忆（对话历史）
    session.history.append({"role": "user", "content": user_msg})
    session.history.append({"role": "assistant", "content": assistant_msg})

    # 2. 提取关键信息更新短期记忆
    key_info = extract_key_info(user_msg, assistant_msg)
    session.state.update(key_info)

    # 3. 判断是否需要持久化到长期记忆
    if is_important(user_msg, assistant_msg):
        embedding = embed(f"{user_msg}\n{assistant_msg}")
        vector_db.upsert(session.user_id, embedding, metadata={
            "turn": session.turn_count,
            "topic": detect_topic(user_msg)
        })

    # 4. 更新用户画像
    profile_updates = extract_profile_updates(user_msg)
    user_profile.update(session.user_id, profile_updates)

3. 用户意图跟踪

意图识别与追踪

QUESTION 面试高频：如何在多轮对话中跟踪用户意图的变化？ 意图追踪需要维护一个意图状态机：

意图状态模型：
[初始] → [探索] → [明确] → [执行] → [确认]
  ↑                                  ↓
  └─────── [修正] ←──────────────────┘

意图追踪实现

## System Prompt 中的意图追踪指令

在每次回复前，分析用户的意图状态：
- EXPLORING: 用户在探索可能的选项
- CLARIFYING: 用户在澄清需求
- CONFIRMED: 用户确认了具体需求
- EXECUTING: 正在执行用户确认的任务
- MODIFYING: 用户在修改之前的请求

根据意图状态调整你的回复策略：
- EXPLORING → 提供选项和建议
- CLARIFYING → 提出精确的问题
- CONFIRMED → 执行并报告结果
- EXECUTING → 专注完成当前任务
- MODIFYING → 理解变更并重新执行

槽位填充（Slot Filling）

任务：预订餐厅

必填槽位：
├── 餐厅类型  ← 已确认：中餐
├── 日期      ← 已确认：明天
├── 时间      ← 已确认：18:00
├── 人数      ← 待确认
└── 预算      ← 可选

当必填槽位不完整时，主动询问缺失信息。

4. 上下文中的状态控制

状态注入到提示词

# 当前会话状态
- 用户身份：{user_profile}
- 对话主题：{current_topic}
- 已确认信息：{confirmed_facts}
- 待处理任务：{pending_tasks}

# 行为指令
基于以上状态信息回答用户的问题。
如果用户的问题与当前主题不符，先确认是否切换话题。

状态驱动的行为控制

## 根据对话阶段调整行为

### 开场阶段（Turn 1-3）
- 主动了解用户需求
- 提供概览性信息
- 收集关键参数

### 深入阶段（Turn 4-10）
- 聚焦于具体问题
- 提供详细的分析和建议
- 确认用户的理解

### 收尾阶段
- 总结讨论要点
- 确认下一步行动
- 提供后续支持选项

5. 多轮对话一致性保证

一致性检查清单

矛盾检测与修复

def check_consistency(new_response: str, conversation_state: dict) -> dict:
    """检查新回复是否与已有状态矛盾"""
    issues = []

    # 检查事实矛盾
    for fact in conversation_state["confirmed_facts"]:
        if contradicts(new_response, fact):
            issues.append(f"与已确认事实矛盾: {fact}")

    # 检查承诺矛盾
    for promise in conversation_state["promises"]:
        if violates(new_response, promise):
            issues.append(f"违背了之前的承诺: {promise}")

    return {"consistent": len(issues) == 0, "issues": issues}

6. 实践建议

状态管理架构

┌────────────────────────────────────────────┐
│              应用层                         │
├────────────────────────────────────────────┤
│  状态管理器                                │
│  ├── 意图追踪                              │
│  ├── 槽位填充                              │
│  ├── 一致性检查                            │
│  └── 记忆管理                              │
├────────────────────────────────────────────┤
│  存储层                                    │
│  ├── Redis (会话状态)                      │
│  ├── 向量DB (长期记忆)                     │
│  └── SQL (用户画像)                        │
└────────────────────────────────────────────┘

设计原则

1. 最小化上下文状态：只保留必要信息，避免冗余
2. 结构化存储：用 schema 约束状态格式
3. 增量更新：只更新变化的部分
4. 降级策略：状态丢失时有合理的恢复方案
5. 可观测性：记录状态变化日志，便于调试

相关笔记：上下文工程、系统提示词、长上下文处理