1. 每轮把一问一答都存进 session_state#

1
# 保存用户输入的提示词
2
st.session_state.messages.append({"role": "user", "content": prompt})
3
...
4
# 保存大模型返回的结果
5
st.session_state.messages.append({"role": "assistant", "content": full_response})

2. 发请求时带上全部历史#

1
response = client.chat.completions.create(
2
    model="deepseek-chat",
3
    messages=[
4
        {"role": "system", "content": system_prompt},
5
        *st.session_state.messages        # 把历史消息一条条"摊开"接到后面
6
    ],
7
    stream=True
8
)

3. 顺序为什么是这样的#

1
messages[0]  system     设定身份
2
messages[1]  user       第1轮提问
3
messages[2]  assistant  第1轮回答
4
messages[3]  user       第2轮提问
5
...
6
最后一条     user       本轮提问（在调用前已经 append 进去）

调用前先 append 用户的问题，所以列表最后一条正好是本轮提问，不用再单独拼一次。

一、知识回顾（读完直接做下面的实践题）#

1. 与 AI 大模型的交互本质是无状态的：每一次请求响应相互独立，模型本身没有真正的会话记忆能力
2. 实现会话记忆的方案叫会话历史滚雪球（把之前对话都带上）
3. 发请求时把历史”摊开”接在 system 后面的写法：messages=[{"role": "system", ...}, *st.session_state.messages]
4. 列表解包符号是 *，作用是把列表里的元素逐个展开
5. system 消息必须放在最前面，而且只放一条
6. 调用前先 append 用户的问题，所以列表最后一条正好是本轮提问
7. 只存用户问题、不存 assistant 回复会怎样：模型看不到自己答过什么，前后逻辑会断
8. 滚雪球的两个代价：每轮 Token 越来越贵、可能超出模型的上下文长度上限

二、裸写题#

• 2-1 模拟”滚雪球” 不接大模型：写一个函数 add(role, content) 往列表追加消息，然后模拟三轮对话（用户问 → 假设的 AI 答 → 用户再问），每一轮都把”这次要发给模型的完整消息列表”打印出来，亲眼看到历史是怎么累积的。

  提示（先自己想，实在想不出再点开）

  一级 · 思路：发出去的是”system + 全部历史 + 本轮提问”，历史就是那个越来越长的列表 二级 · 方法：列表 append + 列表拼接（[system消息] + 历史列表） 三级 · 骨架：messages = [{"role": "system", "content": "……"}, ____history]

  参考答案（做完再点开）

  1
  history = []
  2
  
  3
  def add(role, content):
  4
      """往历史里追加一条消息"""
  5
      history.append({"role": role, "content": content})
  6
  
  7
  def messages_for(question):
  8
      """本轮要发给模型的完整 messages：system 在最前，后面接全部历史 + 本轮提问"""
  9
      return [{"role": "system", "content": "你是小甜甜"}] + history + [{"role": "user", "content": question}]
  10
  
  11
  # 第一轮
  12
  print(messages_for("12个苹果,3个人怎么均分?"))
  13
  add("user", "12个苹果,3个人怎么均分?")
  14
  add("assistant", "每个人可以分到 4 个苹果")
  15
  
  16
  # 第二轮：历史已经攒了 2 条
  17
  msgs = messages_for("那2个人呢?")
  18
  print(f"\n第二轮要发 {len(msgs)} 条：")
  19
  for m in msgs:
  20
      print(" ", m["role"], ":", m["content"])
  21
  
  22
  # 观察结论：同一个问题，轮次越靠后，发出去的消息条数越多 —— 这就是"滚雪球"

  显示更多显示更少

• 2-2 给聊天页加上记忆 把基本交互那版改成带记忆的版本：每轮把用户问的和 AI 答的都存进消息列表，发请求时带上全部历史；然后测两轮有前后关系的问题，验证 AI 能接上话。

  提示（先自己想，实在想不出再点开）

  一级 · 思路：界面渲染用这份列表，发给模型也用这份列表——同一份数据 二级 · 方法：st.session_state.messages.append(...) 两次（user 一次、assistant 一次） 三级 · 骨架：messages=[{"role": "system", "content": system_prompt}, *st.session_state.messages]

  参考答案（做完再点开）

  1
  import os
  2
  import streamlit as st
  3
  from openai import OpenAI
  4
  
  5
  st.set_page_config(page_title="AI智能伴侣", page_icon="🤖", layout="wide")
  6
  st.title("AI智能伴侣")
  7
  
  8
  system_prompt = "你是一名非常可爱的AI助理, 你的名字叫小甜甜, 请你使用温柔可爱的语气回答用户的问题"
  9
  
  10
  if "messages" not in st.session_state:
  11
      st.session_state.messages = []
  12
  
  13
  for message in st.session_state.messages:
  14
      st.chat_message(message["role"]).write(message["content"])
  15
  
  16
  client = OpenAI(api_key=os.environ.get("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com")
  17
  
  18
  prompt = st.chat_input("请输入您要问的问题")
  19
  if prompt:
  20
      st.chat_message("user").write(prompt)
  21
      st.session_state.messages.append({"role": "user", "content": prompt})
  22
  
  23
      response = client.chat.completions.create(
  24
          model="deepseek-chat",
  25
          messages=[
  26
              {"role": "system", "content": system_prompt},
  27
              *st.session_state.messages,        # 关键：把历史一条条摊开接在后面
  28
          ],
  29
          stream=False,
  30
      )
  31
      reply = response.choices[0].message.content
  32
      st.chat_message("assistant").write(reply)
  33
      st.session_state.messages.append({"role": "assistant", "content": reply})
  34
  
  35
  # 验证：先问"12个苹果,3个人怎么均分"，再问"那2个人呢" —— 这次 AI 能答对了

  显示更多显示更少