使用 .NET 开发 AI 应用(6): 为 AI 添加“记忆”
原文中文，约4500字，阅读约需11分钟。
📝
内容提要
本文介绍了使用.NET开发AI应用的过程，通过为AI添加记忆功能，使其能更好地理解用户请求并生成满意的答案。文章提供了代码实现和相关学习资源。
🔎
延伸解读
无状态设计的权衡
AI模型无状态的设计是为了高效服务大量用户，避免为每个用户维护持久状态带来的资源开销。这种设计提高了扩展性和可靠性，但导致模型无法记住对话历史，影响连贯性。文章指出，这是AI模型的基本特性，开发者需要理解其背后的原因，才能更好地设计应用。
提示工程实现记忆
通过提示工程，可以将对话历史转化为提示词的一部分，让模型在生成响应时参考之前的交互。文章示例中，将历史对话和当前用户输入组合成提示模板，传递给模型。这种方法相当于给模型一个记忆窗口，使其能生成更连贯和个性化的回答，而无需修改模型本身。
Gradio.Net的上下文传递
Gradio.Net框架自动记录对话历史，开发者只需将其作为上下文传递给模型。在GenerateResponse方法中，从Chatbot组件获取历史消息，转换为提示字符串，并与当前用户输入一起传入提示模板。这样，每次交互都包含之前的对话，模型能基于完整上下文生成响应，实现记忆效果。
❓
Q&A
如何为AI添加记忆功能？
可以通过提示工程设计提示词，将对话历史转化为提示词，使模型在生成响应时考虑之前的交互。
无状态设计对AI模型有什么影响？
无状态设计提高了模型的效率和可靠性，但限制了对话的连贯性。
Gradio.NET的主要功能是什么？
Gradio.NET旨在成为.NET开发者开发Web应用的首选框架，简化开发过程。
提示工程在AI应用中如何使用？
提示工程通过设计提示词，引导模型提供更准确的信息，帮助模型理解请求的意图。
如何记录对话历史以改善AI响应？
使用Gradio.Net可以记录对话历史，并将其作为上下文传递给模型，以生成更连贯的回答。
LLM的无状态限制如何克服？
通过提示工程和适当工具，可以克服LLM的无状态限制，提供更丰富的对话体验。
🏷️
