一、简介

问答机器人是一种能够理解用户提问并提供相关答案的程序。它可以用于各种场景，如客户支持、在线教育、信息检索等。用户通过自然语言输入问题，机器人则通过分析问题并检索相关信息来提供回答。

使用什么技术实现的？

1. 自然语言处理（NLP）：

   • 文本分析：使用库如 NLTK、spaCy 进行文本预处理和分析，提取关键词、句子结构等。
   • 意图识别：通过机器学习模型识别用户的意图，例如使用 TensorFlow 或 PyTorch 训练分类模型。

2. 深度学习模型：

   • 使用预训练模型，如 BERT、GPT 等进行文本生成和理解。可以利用 Hugging Face 的 Transformers 库来快速构建问答系统。

3. API 调用：

   • 利用 API 进行信息检索，比如调用外部知识库或搜索引擎获取答案。

4. 数据库：

   • 存储和管理问答数据，使用 SQLite、PostgreSQL 等数据库进行持久化存储。

5. Web 框架：

   • 使用 Flask 或 FastAPI 构建 Web 应用接口，使用户能够通过浏览器与机器人交互。

有什么意义？

1. 提高效率：

   • 自动化处理常见问题，减轻客服负担，提高响应速度和效率。

2. 用户体验：

   • 提供24/7服务，用户随时都能获取所需信息，提升客户满意度。

3. 数据分析：

   • 通过收集用户提问数据，分析用户需求和偏好，为业务决策提供支持。

4. 个性化服务：

   • 根据用户历史互动记录，提供个性化的回答和建议，提高用户粘性。

5. 知识传播：

   • 使知识更加可获取，尤其在教育和信息查询领域，帮助更多人获取所需知识。

二、对话机器人

import requests
import json

# 发送 API 请求获取回复
url = "http://localhost:11434/api/generate"

while True:
    # 从用户输入获取问题
    user_input = input("请输入你的问题（输入exit退出）：")
    if user_input.lower() == 'exit':
        break

    payload = {"model": "llama3", "prompt": user_input+"请使用中文回答我"}
    
    response = requests.post(url, json=payload, stream=True)  # 确保使用 stream=True

    # 尝试解析流式 JSON 响应
    try:
        for line in response.iter_lines():
            if line:  # 确保行不为空
                try:
                    response_json = json.loads(line.decode('utf-8'))
                    if 'response' in response_json:
                        print(response_json['response'], end='', flush=True)
                    if 'done' in response_json and response_json['done']:
                        print("\nStream ended.")
                        break
                except json.JSONDecodeError as e:
                    print("\nJSON decode error:", e)
                    continue
    except json.JSONDecodeError:
        print("Initial JSON decode error: potentially non-stream response")

 

如果不存储对话历史，机器人在每次对话时都无法参考之前的内容，这就导致了几个问题：

1. 上下文丧失：用户的提问可能与之前的对话相关，如果没有记忆，机器人无法理解这些关系，可能会给出不相关或无意义的回答。

2. 交互体验差：用户可能希望进行连续的对话，例如追问或深入探讨某个主题。如果机器人每次都重置，它无法维持自然的对话流，可能会让用户感到沮丧。

3. 学习与适应能力缺失：如果机器人不能记住用户的偏好或之前的互动，它无法适应用户的需求。长期互动中，记忆可以帮助机器人提供更加个性化的体验。

4. 对话的连贯性：记忆可以帮助建立更连贯的对话，用户可能会希望回顾之前的讨论或者更详细地询问某个主题，而没有记忆的机器人难以做到这一点。

为了改善用户体验，存储对话历史是一种有效的方式。这不仅使对话更具连贯性，还能让机器人在处理复杂问题时更为智能。如果需要，可以根据对话的主题和用户的偏好，灵活管理历史记录的大小和内容。通过这样的方式，机器人能够更好地理解用户的需求，并在互动中表现得更为人性化。

 

三、有记忆的对话机器人

import requests
import json

# 发送 API 请求获取回复
url = "http://localhost:11434/api/generate"

# 存储对话历史
conversation_history = []

while True:
    # 从用户输入获取问题
    user_input = input("请输入你的问题（输入exit退出）：")
    if user_input.lower() == 'exit':
        break

    # 将用户输入添加到对话历史
    conversation_history.append(f"用户: {user_input}")

    # 创建完整的提示，包括之前的对话历史
    full_prompt = "\n".join(conversation_history) + "\n助手: "

    payload = {"model": "llama3", "prompt": full_prompt + "请使用中文回答我"}
    
    response = requests.post(url, json=payload, stream=True)  # 确保使用 stream=True

    # 尝试解析流式 JSON 响应
    try:
        for line in response.iter_lines():
            if line:  # 确保行不为空
                try:
                    response_json = json.loads(line.decode('utf-8'))
                    if 'response' in response_json:
                        print(response_json['response'], end='', flush=True)
                        # 将助手的回复添加到对话历史
                        conversation_history.append(f"助手: {response_json['response']}")
                    if 'done' in response_json and response_json['done']:
                        print("\nStream ended.")
                        break
                except json.JSONDecodeError as e:
                    print("\nJSON decode error:", e)
                    continue
    except json.JSONDecodeError:
        print("Initial JSON decode error: potentially non-stream response")