多轮对话Prompt优化策略

def manage_context(messages, max_messages=20, summary_threshold=10):
    """管理对话上下文"""
    if len(messages) <= max_messages:
        return messages
    
    # 保留最近N条消息
    recent = messages[-max_messages:]
    
    # 对较早的消息进行摘要
    old_messages = messages[:-max_messages]
    if len(old_messages) > 3:
        summary = summarize_conversation(old_messages)
        return [
            {"role": "system", "content": f"对话历史摘要：{summary}"},
            *recent
        ]
    
    return messages

# 对话关键信息（系统维护）
- 用户姓名：张三
- 用户需求：设计一个电商API
- 已确定的技术栈：FastAPI + PostgreSQL
- 已完成：数据模型设计
- 当前阶段：接口设计
- 待解决问题：认证方案选择

# 永久上下文（不压缩）
- 系统Prompt
- 用户画像
- 会话目标

# 重要上下文（压缩后保留）
- 关键决策记录
- 已确认的需求
- 重要的中间结果

# 临时上下文（可丢弃）
- 非关键闲聊
- 已完成的子任务讨论
- 已过时的中间结果

def inject_reminder(messages, system_prompt, interval=5):
    """定期重申系统指令"""
    if len(messages) % interval == 0 and len(messages) > 0:
        reminder = f"提醒：请始终遵循以下规则：\n{extract_key_rules(system_prompt)}"
        messages.append({"role": "system", "content": reminder})
    return messages

# 当前对话状态
## 任务
- 主任务：[当前任务描述]
- 子任务：[当前子任务]
- 进度：[完成/进行中/待开始]

## 约束
- 格式要求：[输出格式]
- 语言：中文
- 角色设定：[角色描述]

## 上下文
- 已知信息：[关键事实列表]
- 待确认事项：[需要用户确认的问题]

def detect_topic_shift(current_input, conversation_history):
    """检测话题切换"""
    prompt = f"""
    判断用户输入是否开启了新话题。
    
    对话历史摘要：{summarize(conversation_history[-5:])}
    用户输入：{current_input}
    
    判断（是/否）：
    """
    return model.generate(prompt).strip() == "是"

def handle_topic_shift(messages, new_input):
    """处理话题切换"""
    if detect_topic_shift(new_input, messages):
        # 保存当前话题上下文
        topic_context = extract_topic_context(messages)
        # 开始新话题，保留系统Prompt和摘要
        return [
            messages[0],  # 系统Prompt
            {"role": "system", "content": f"上一话题摘要：{summarize_topic(messages)}"},
            {"role": "user", "content": new_input}
        ]
    return messages + [{"role": "user", "content": new_input}]

# 活跃话题
## 话题A：API设计
- 状态：接口定义中
- 关键信息：[...]

## 话题B：数据库优化
- 状态：等待用户确认索引方案
- 关键信息：[...]

# 当前话题
用户当前正在讨论：话题B

def consistency_check(response, conversation_facts):
    """检查输出与已知事实的一致性"""
    prompt = f"""
    检查以下回复是否与已知事实一致。
    
    已知事实：
    {conversation_facts}
    
    回复：
    {response}
    
    是否一致？如果不一致，指出矛盾之处。
    """
    result = model.generate(prompt)
    if "不一致" in result:
        # 添加一致性提醒
        response = f"注意：请确保与之前提供的信息一致。\n{response}"
    return response

# 风格规范
- 语气：专业但不失亲和
- 称呼：使用"您"
- 回复长度：200-400字
- 格式：使用标题和列表提升可读性
- 禁止：使用网络用语、表情符号

# 对话流程
## 阶段1：需求收集（1-3轮）
目标：明确用户需求
检查点：需求描述完整、无歧义

## 阶段2：方案设计（3-8轮）
目标：提出解决方案
检查点：方案覆盖所有需求

## 阶段3：执行实施（8-20轮）
目标：实施方案
检查点：按方案执行、结果符合预期

## 阶段4：总结回顾（1-2轮）
目标：总结成果和后续建议

# 对话引导规则
- 如果用户需求不明确，主动提问澄清
- 如果检测到信息不足无法继续，明确告知需要什么信息
- 如果当前任务完成，主动询问是否需要其他帮助
- 如果对话偏离目标，温和地将话题引回