多轮对话技术是人工智能领域的重要研究方向，很多公司都有这样的场景，其目标是构建能够理解上下文、识别意图并生成连贯响应的智能系统。今天我来通过一个真实案例并给出核心代码给你讲透，请一定看完。

一、实际落地场景中的问题

多轮对话在业务场景落地的过程中有一系列问题：

• 业务场景的复杂性

多轮对话系统需处理用户连续提问、话题切换、信息省略等复杂交互，例如用户从“订机票”突然转向“支付方式”，系统需动态调整任务目标。传统基于规则或检索的方法难以应对此类动态场景。

• 模型能力的局限性

尽管LLM在单轮对话中表现优异，但其对长上下文的记忆能力有限，且生成内容易出现逻辑矛盾（如前文提及“北京”后文误答“上海天气”）。此外，模型对模糊表达（如“大概几点”）的意图识别准确率仍需提升。

• 工程实现的复杂性

多轮对话系统需集成内容审核、用户意图识别、提示词构建、历史消息、模型调用、中断处理、存储层实现等模块，并解决实时性、成本控制等问题。

二、实现的核心流程

从工程的角度来说，实现多轮对话系统的核心需要从这几个方面进行：

• 上下文控制：设置超时时间，并在适当的地方进行取消操作。

• 初始化请求管道：创建模型响应通道和中断监听通道。

• 前置处理：

  • 创建初始消息记录
  • 对用户问题进行安全审核

• 中断监听：创建一个协程监听用户的中断请求。

• 记忆网络：存储并索引历史对话。

• 构建模型提示词：根据请求内容构建AI模型需要的提示词。

• 调用模型获取回答：异步调用AI模型，将响应发送到输出通道。

• 处理模型响应：

  • 使用select监听多个通道

  • 处理超时情况

  • 处理模型返回的数据包

  • 处理用户中断请求

• 结束逻辑：

  • 更新最终消息内容和状态

  • 记录会话历史

  • 设置输出信息

三、代码实现 

以下是基于Golang的Kratos框架和SSE推送技术的实践。

核心处理流程：

func (f *FreeAskUsecase) freeAskHandle(ctx context.Context, req *FreeAskReq, output *FreeAskResp) {    // 上下文控制    ctx, cancel := context.WithTimeout(ctx, time.Minute*2)    defer cancel()        // 初始化请求管道    modelCh := make(chan *ModelResponse, 10)    interruptCh := make(chan struct{}, 1)    var msgIdStr string    var msg *Message        // 前置处理：创建消息、安全审核等    msg, err := f.createInitialMessage(ctx, req)    if err != nil {        f.log.Errorf("创建初始消息失败: %v", err)        output.Status = StatusFailed        output.Message = "创建消息失败"        return    }        msgIdStr = msg.Msg.Id    output.MsgId = msgIdStr        // 获取历史对话记录    chatHistory, err := f.repo.GetRecentChatHistory(ctx, req.TalId, req.SubjectId, 2)    if err != nil {        f.log.Warnf("获取历史对话记录失败: %v", err)        // 继续处理，不影响主流程    }        // 构建消息历史    messages := make([]Message, 0, len(chatHistory)*2+1)        // 系统提示词    systemPrompt := f.buildSystemPrompt(req.SubjectId, intent, intentDetails)    messages = append(messages, Message{        Role:    "system", // 系统角色        Content: systemPrompt,    })        // 添加历史对话    for _, chat := range chatHistory {        // 用户问题        messages = append(messages, Message{            Role:    "user", // 用户角色            Content: chat.Question,        })                // AI回答        messages = append(messages, Message{            Role:    "assistant", // 模型角色            Content: chat.Answer,        })    }        // 添加当前问题    messages = append(messages, Message{        Role:    "user",        Content: req.Question,    })        // 用户意图识别    intent, intentDetails := f.recognizeUserIntent(ctx, req.Question)    f.log.Infof("用户意图识别结果: %s, 详情: %+v", intent, intentDetails)        // 根据意图处理特殊请求    if f.handleSpecialIntent(ctx, intent, intentDetails, req, output) {        // 如果特殊意图已处理完毕，直接返回        return    }        // 安全审核    safeResult, err := f.safetyCheck(ctx, req.Question)    if err != nil || !safeResult.IsSafe {        f.log.Errorf("内容安全审核未通过: %v", err)        output.Status = StatusRejected        output.Message = "内容包含不安全信息，请修改后重试"        // 更新消息状态为拒绝        f.repo.UpdateMessageStatus(ctx, msgIdStr, MessageStatusRejected)        return    }        // 2. 创建中断监听    // 用户可能会打断模型输出        go f.listenForInterruption(ctx, req.TalId, msgIdStr, interruptCh)        // 3. 构建模型提示词    // 将用户意图信息添加到提示词中    promptOptions := &PromptOptions{        Intent: intent,        IntentDetails: intentDetails,    }    prompt, err := f.buildPromptWithOptions(ctx, req, promptOptions)    if err != nil {        f.log.Errorf("构建提示词失败: %v", err)        output.Status = StatusFailed        output.Message = "系统处理异常"        return    }        // 创建DeepSeek-R1模型请求    modelRequest := &DeepSeekModelRequest{        Model:       "deepseek-r1",        Messages:    messages,        MaxTokens:   2048,        Temperature: 0.7,        Stream:      true, // 流式输出    }        // 构建模型上下文    modelCtx, modelCancel := context.WithCancel(ctx)    defer modelCancel()        // 添加中断处理    go func() {        select {        case <-interruptCh:            // 接收到中断信号，取消模型请求            modelCancel()        case <-ctx.Done():            // 上下文已结束            return        }    }()        // 创建响应通道    modelCh := make(chan *DeepSeekResponse, 10)        // 异步调用模型    go func() {        defer close(modelCh)                // 调用DeepSeek-R1模型进行流式生成        err := f.deepSeekClient.GenerateStream(modelCtx, modelRequest, func(chunk *DeepSeekChunk) error {            if chunk.Error != nil {                modelCh <- &DeepSeekResponse{                    Error: chunk.Error,                }                return chunk.Error            }                        // 处理模型流式响应            modelCh <- &DeepSeekResponse{                Content:       chunk.Content,                IsFinal:       chunk.IsFinal,                ToolCalls:     chunk.ToolCalls,                GeneratedText: chunk.GeneratedText,                Usage:         chunk.Usage,            }                        return nil        })                if err != nil && !errors.Is(err, context.Canceled) {            f.log.Errorf("DeepSeek-R1模型调用失败: %v", err)            modelCh <- &DeepSeekResponse{                Error: err,            }        }    }()        // 5. 处理模型响应    var fullContent strings.Builder    isFirstChunk := true        for {        select {        case <-ctx.Done():            // 处理超时            f.log.Warnf("请求处理超时: %s", msgIdStr)            output.Status = StatusTimeout            output.Message = "处理超时，请稍后重试"                        // 通过SSE发送超时事件            sseWriter.WriteEvent(&SSEEvent{                Event: "timeout",                Data: map[string]interface{}{                    "msg_id": msgIdStr,                    "message": "处理超时，请稍后重试",                },            })                        // 更新消息状态            f.repo.UpdateMessageStatus(ctx, msgIdStr, MessageStatusFailed)            return                    case resp, ok := <-modelCh:            if !ok {                // 处理响应结束                goto END            }                        // 处理模型返回的错误            if resp.Error != nil {                f.log.Errorf("模型返回错误: %v", resp.Error)                output.Status = StatusFailed                output.Message = "AI生成回答失败"                                // 通过SSE发送错误事件                sseWriter.WriteEvent(&SSEEvent{                    Event: "error",                    Data: map[string]interface{}{                        "msg_id": msgIdStr,                        "message": "AI生成回答失败",                    },                })                                f.repo.UpdateMessageStatus(ctx, msgIdStr, MessageStatusFailed)                return            }                        // 处理模型返回的数据包            // 追加内容、安全检查、发送给客户端等            content := resp.Content                        // 安全检查每个片段            if len(content) > 0 {                safeResult, _ := f.safetyCheck(ctx, content)                if !safeResult.IsSafe {                    f.log.Warnf("模型回复内容存在安全风险: %s", content)                    content = "对不起，我无法提供这方面的回答。"                }            }                        // 追加到完整内容            fullContent.WriteString(content)                        // 如果是第一个数据包，更新消息状态为进行中            if isFirstChunk {                isFirstChunk = false                f.repo.UpdateMessageStatus(ctx, msgIdStr, MessageStatusInProgress)                                // 返回初始响应给客户端                output.Status = StatusSuccess                output.AnswerBegin = content                                // 通过SSE发送开始事件                sseWriter.WriteEvent(&SSEEvent{                    Event: "answer_begin",                    Data: map[string]interface{}{                        "msg_id": msgIdStr,                        "content": content,                    },                })            } else {                // 非首个数据包，通过SSE发送内容片段                sseWriter.WriteEvent(&SSEEvent{                    Event: "answer_chunk",                    Data: map[string]interface{}{                        "msg_id": msgIdStr,                        "content": content,                    },                })            }                        // 如果响应中包含特殊标记，处理特殊逻辑            if resp.HasSpecialFunction {                f.handleSpecialFunction(ctx, resp.SpecialFunction, msgIdStr, req.TalId, sseWriter)            }                    case _, ok := <-interruptCh:            if !ok {                continue            }            // 处理用户中断            f.log.Infof("用户中断请求: %s", msgIdStr)            msg.Msg.IsInterrupt = 1                        // 通过SSE发送中断事件            sseWriter.WriteEvent(&SSEEvent{                Event: "interrupted",                Data: map[string]interface{}{                    "msg_id": msgIdStr,                },            })                        f.handelInterrupt(ctx, msgIdStr, msg.SubjectId)            goto END        }    }    END:    // 处理结束逻辑    // 生成提示词、更新消息等    finalContent := fullContent.String()        // 更新最终消息内容和状态    err = f.repo.UpdateMessageContent(ctx, msgIdStr, finalContent)    if err != nil {        f.log.Errorf("更新消息内容失败: %v", err)    }        if msg.Msg.IsInterrupt == 0 {        // 正常结束        f.repo.UpdateMessageStatus(ctx, msgIdStr, MessageStatusCompleted)                // 发送完成事件        sseWriter.WriteEvent(&SSEEvent{            Event: "answer_complete",            Data: map[string]interface{}{                "msg_id": msgIdStr,                "content": finalContent,            },        })                // 记录会话历史        f.updateSessionHistory(ctx, req.TalId, req.Question, finalContent, msgIdStr)    } else {        // 中断结束        f.repo.UpdateMessageStatus(ctx, msgIdStr, MessageStatusInterrupted)    }        // 设置输出信息    output.FullAnswer = finalContent    output.Status = StatusSuccess    output.Suggestions = suggestions    output.Knowledge = knowledge}

处理意图识别特殊逻辑：

// 处理特殊意图func (f *FreeAskUsecase) handleSpecialIntent(ctx context.Context, intent string, details map[string]interface{}, req *FreeAskReq, output *FreeAskResp) bool {    switch intent {    case "greeting":        // 处理问候意图        output.FullAnswer = f.generateGreeting(req.TalId, details)        output.Status = StatusSuccess        return true            case "homework_submission":        // 处理作业提交意图        if subjectID, ok := details["subject_id"].(string); ok {            // 重定向到作业提交服务            redirectInfo := f.homeworkService.GetSubmissionRedirect(ctx, req.TalId, subjectID)            output.RedirectInfo = redirectInfo            output.Status = StatusRedirect            return true        }            case "schedule_query":        // 处理日程查询意图        if date, ok := details["date"].(string); ok {            scheduleInfo := f.scheduleService.GetSchedule(ctx, req.TalId, date)            output.FullAnswer = f.formatScheduleResponse(scheduleInfo)            output.Status = StatusSuccess            output.StructuredData = scheduleInfo            return true        }            case "calculator_request":        // 处理计算器请求        if expression, ok := details["expression"].(string); ok {            result, err := f.calculatorService.Calculate(ctx, expression)            if err == nil {                output.FullAnswer = fmt.Sprintf("计算结果是: %s", result)                output.Status = StatusSuccess                output.StructuredData = map[string]interface{}{                    "type": "calculation",                    "expression": expression,                    "result": result,                }                return true            }        }    }        // 如果不是特殊意图或者处理失败，返回false继续常规处理    return false}

构建系统提示词：​​​​​​​

// 构建系统提示词func (f *FreeAskUsecase) buildSystemPrompt(subjectId int32, intent string, intentDetails map[string]interface{}) string {    var builder strings.Builder        // 基础教学角色定义    builder.WriteString("你是一位专业的教育助手，名为「xxx学习助手」。")        // 根据学科添加特定指引    switch subjectId {    case 1: // 数学        builder.WriteString("你擅长数学教学，能够用清晰的方式解释数学概念和解题步骤。请注重培养学生的数学思维和解题能力。")    case 2: // 语文        builder.WriteString("你擅长语文教学，能够帮助分析文章含义、解释字词、指导写作。请注重培养学生的语言表达和理解能力。")    case 3: // 英语        builder.WriteString("你擅长英语教学，能够帮助学生掌握英语知识、理解语法规则、提升语言运用能力。请用中文回答，适当穿插英文解释。")    case 4: // 物理        builder.WriteString("你擅长物理教学，能够解释物理概念、公式和物理现象。请注重培养学生的科学思维和实验精神。")    default:        builder.WriteString("你能够提供全面的学科指导，包括答疑解惑、知识讲解和学习方法指导。")    }        // 添加教学风格和方法指引    builder.WriteString("\n\n请遵循以下教学原则：")    builder.WriteString("\n1. 循序渐进：从简单到复杂，确保学生能够理解每一步")    builder.WriteString("\n2. 举一反三：通过类比和例子帮助理解")    builder.WriteString("\n3. 启发式教学：引导学生思考，而不是直接给出答案")    builder.WriteString("\n4. 耐心友好：使用鼓励性语言，营造积极学习氛围")        // 根据意图添加特定指引    if intent == "homework_help" {        builder.WriteString("\n\n当前学生正在寻求作业帮助，请引导他们理解问题，提供解题思路，但不要直接给出完整答案。")    } else if intent == "concept_explanation" {        builder.WriteString("\n\n当前学生正在寻求概念解释，请用通俗易懂的语言和生动的例子解释相关概念。")    }        // 添加输出格式要求    builder.WriteString("\n\n回答格式要求：")    builder.WriteString("\n- 开始时简要总结问题")    builder.WriteString("\n- 分步骤详细解释")    builder.WriteString("\n- 适当使用公式、图表等辅助说明")    builder.WriteString("\n- 结尾总结要点或给出拓展思考")        return builder.String()}

 大模型&AI产品经理如何学习

求大家的点赞和收藏，我花2万买的大模型学习资料免费共享给你们，来看看有哪些东西。

 

1.学习路线图

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

2.视频教程

网上虽然也有很多的学习资源，但基本上都残缺不全的，这是我自己整理的大模型视频教程，上面路线图的每一个知识点，我都有配套的视频讲解。

（都打包成一块的了，不能一一展开，总共300多集）

因篇幅有限，仅展示部分资料，需要点击下方图片前往获取

3.技术文档和电子书 

这里主要整理了大模型相关PDF书籍、行业报告、文档，有几百本，都是目前行业最新的。

4.LLM面试题和面经合集

这里主要整理了行业目前最新的大模型面试题和各种大厂offer面经合集。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集***

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓