企业官网建设流程全解析

上一课的程序只能问一次就结束，体验很割裂。更奇怪的是，你告诉它「我叫小明」，下一句再问「我叫什么」，它会说「我不知道」。这一课，我们把这两件事一次性解决。

一、先让它能连续对话

只需要一个while循环。修改main.py：

from openai import OpenAI import os client = OpenAI( api_key=os.environ["DEEPSEEK_API_KEY"], base_url="https://api.deepseek.com" ) while True: user_input = input("你：") if user_input.lower() == "exit": break response = client.chat.completions.create( model="deepseek-chat", messages=[ {"role": "user", "content": user_input} ] ) print("AI：", response.choices[0].message.content)

运行后：

你：你好 AI：你好！有什么可以帮助你的？ 你：什么是 Transformer？ AI：Transformer 是一种…… 你：exit

恭喜，你已经做出了一个最简单的AI Chatbot。

一句话概括：while True让程序不再「问完就跑」，而是持续等待你的输入。

二、但它为什么记不住你？

试着这样对话：

你：我叫小明。 AI：好的。 你：我叫什么？ AI：我不知道。

别急着怪模型笨。问题出在我们自己身上——每一次请求，其实都是全新的、独立的：

第一次请求： 用户 →「我叫小明」→ LLM 第二次请求： 用户 →「我叫什么？」→ LLM ← 它根本没见过第一句话

模型没有记忆，它只看得见你这一次发给它的内容。第一次对话的内容，在第二次请求时压根没传过去。

一句话概括：模型不是失忆，是我们根本没把历史递给它。

三、引入「对话历史」

解决办法很简单：把每一轮对话都存进一个messages列表，每次请求都把整个历史一起发过去。

messages = [] while True: user_input = input("你：") if user_input.lower() == "exit": break # 1. 把你的话加入历史 messages.append({ "role": "user", "content": user_input }) # 2. 把整个历史发给模型 response = client.chat.completions.create( model="deepseek-chat", messages=messages ) answer = response.choices[0].message.content # 3. 把模型的回答也加入历史 messages.append({ "role": "assistant", "content": answer }) print("AI：", answer)

现在再试：

你：我叫小明 AI：你好，小明！ 你：我叫什么？ AI：你叫小明。

它记住了。因为每次请求，我们都把完整历史打包发给了模型。

这里有个关键角色：role

messages里每条消息都有一个role，它决定了这句话是谁说的：

一句话概括：Memory 的第一步，就是老老实实把对话历史存下来、每次都带上。

四、这就是 Agent 的「记忆」雏形

我们刚才做的messages列表，其实就是最朴素的 Memory。它不需要数据库，一个 Python 列表就够了。

随着项目变复杂，你会逐步升级它：

列表 memory → SQLite → PostgreSQL / Redis → 向量数据库 + Embedding → RAG

但对初学者来说，先用最简单的方式跑通，比一步到位更重要。

一句话概括：先有记忆，再谈智能；能记住上下文，才谈得上真正的 Agent。

总结

这一课我们做了两件事：用while循环让它能连续聊天，用messages历史让它能记住上下文。

到这里，你的程序已经是一个像样的聊天机器人了。但它还只会「聊天」——它不能搜索，不会计算，不能替你做任何实际操作。下一课，我们迎来最关键的一次跨越：给 AI 装上工具，让它学会Tool Calling。

下一课预告

第4课：让 AI 学会用工具——Tool Calling 第一步（计算器）。