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？
-
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。
-
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。
-
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。
-
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。
-
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？
-
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。
-
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。
-
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。
-
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。
-
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':breakpayload = {"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.")breakexcept json.JSONDecodeError as e:print("\nJSON decode error:", e)continueexcept 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：
-
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。
-
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。
-
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。
-
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.")breakexcept json.JSONDecodeError as e:print("\nJSON decode error:", e)continueexcept json.JSONDecodeError:print("Initial JSON decode error: potentially non-stream response")
