企业官网建设流程全解析

如何打造带记忆的智能聊天机器人：Generative AI for Beginners构建Chat应用完全指南

【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners

🤖 想在 Generative AI for Beginners 课程中亲手构建一个带记忆的智能聊天机器人？这份完全指南将带你理解聊天应用（Chat App）的工作原理：如何通过消息上下文实现"对话记忆"、如何用系统提示词实现个性化定制，以及如何用 RAG 向量检索为聊天机器人装上"长期记忆"——无需深厚基础，跟着课程 21 课体系走一遍即可上手。

为什么聊天应用需要"记忆"？

普通的文本生成应用只能"一问一答"，而聊天机器人要持续对话，就必须记住之前聊过什么。这正是 Generative AI for Beginners 第 7 课《Building Chat Applications》要解决的核心问题：

聊天应用已深度融入客服、技术支持和顾问系统。把生成式 AI 接入聊天平台后，复杂度显著提升——不仅要构建应用本身，还要考虑监控、隐私和负责任的 AI 部署。

课程把"记忆"拆成两个层次，这也是本指南的两大主线：

第一步：搭建学习环境

在动手写聊天机器人之前，先完成 课程配置课（00-course-setup） 的三步走：

1. Fork 仓库到你的账号，获得可修改的代码副本；
2. 创建 Codespaces，免去本地依赖配置（Code → Codespaces → New on main）；
3. 添加 API Key 密钥：在 Codespaces 的 User Secret 中加入OPENAI_API_KEY，避免密钥写进代码。

课程支持多种模型提供商（Azure OpenAI、OpenAI API、Foundry Local 离线运行等），配置细节可参考 providers.md 与 02-setup-local.md。

核心原理：用 messages 数组实现"对话记忆"

大模型本身是无状态的——它不记得上一句说了什么。所谓"记忆"，其实是每次请求时把完整的历史消息列表一起发给模型。

课程 TypeScript 示例 展示了这一技巧：

const result = await client.responses.create({ model: deploymentName, input: [ { role: "system", content: "You're the president of France" }, { role: "system", content: "You have just resigned" }, { role: "user", content: "What tasks needs doing?" } ], });

只需要一个input数组，每条消息带一个role（角色），智能聊天机器人的"记忆"就实现了：

• system：系统指令，定义机器人的人设、能力边界和输出格式（相当于"性格记忆"）；
• user：用户说的话；
• assistant：机器人此前的回答，追加进来后模型就能延续上下文。

💡 小技巧：课程 Python Notebook 练习 让你亲手体验"重复同一请求，结果是否一致"，直观感受模型的非确定性与上下文的作用。

让机器人更"聪明"：个性化定制三技巧

1️⃣ 系统提示词定义人设

微软官方给出了编写系统消息的 4 个维度：明确服务对象与能力边界、规定输出格式、给出行为示例、设置行为护栏。这就是给聊天机器人注入"性格记忆"的标准方法。

2️⃣ 上下文保留与个性化

课程特别强调：给用户上下文控制权是体验关键。就像 ChatGPT 的 "Custom instructions"——用户把自己的背景信息存入"档案"，模型回答时会自动参考。

⚠️ 但上下文记忆也带来隐私风险：需要考虑保留策略——历史信息存多久、用户能否清除，这正是平衡"记忆"与"隐私"的核心。

3️⃣ 建立监控指标体系

上线后如何保证聊天机器人质量？课程给了一份实用清单：

同时遵循负责任的 AI 六大原则（公平、可靠与安全、隐私与安全、包容、透明、问责），相关课程见 13-securing-ai-applications。

进阶：用 RAG 给聊天机器人装"长期记忆"

短期记忆（会话上下文）有 Token 上限，而企业知识量庞大。此时需要RAG（检索增强生成）：

1. 把知识库文档切片，用Embedding（文本嵌入）转成向量；
2. 存入向量数据库；
3. 用户提问时，先检索出语义最相近的片段，连同问题一起喂给模型。

课程第 8 课带你亲手搭建搜索应用，例如学生输入 "What are Jupyter Notebooks?"，机器人能定位到对应视频片段的精确位置：

想系统学习，继续第 15 课 RAG 与向量数据库，配套 Notebook 就在 notebook-rag-vector-databases.ipynb。

动手练习：课程 Assignment 清单 🛠️

第 7 课的 练习目录 提供多语言 Notebook（OpenAI / Azure OpenAI / GitHub Models 版本），任务层层递进：

• ✅ 运行你的第一条带记忆的聊天 Prompt；
• ✅ 对文本做分类与摘要（体验tl;dr:技巧）；
• ✅ 用 TypeScript 版本 chat-completions-app 复现多轮角色对话。

总结：你的学习路线图

跟着 Generative AI for Beginners 的 21 课体系，你不仅能构建出带记忆的智能聊天机器人，还会掌握从提示工程、应用监控到 RAG 检索的完整技能树。现在就开始第一课吧！🎓

【免费下载链接】generative-ai-for-beginners21 Lessons, Get Started Building with Generative AI项目地址: https://gitcode.com/GitHub_Trending/ge/generative-ai-for-beginners