恭喜你！当你发现 AI "记不住前文"时，你已经触碰到了大模型应用开发中最核心的逻辑------状态管理。
今天（第4天）的任务是：赋予你的 AI "记忆力"。我们将从原理出发，通过改造代码，让你的机器人能接住你抛出的"烂梗"或连续的业务逻辑。
第一站：解密大模型------为什么它是"鱼的记忆"？
1. 大模型（LLM）到底是什么？
从工程角度看，大模型本质上是一个巨大的数学函数。
f(输入文本)=输出文本f(输入文本) = 输出文本f(输入文本)=输出文本
它不是一个一直运行、有自我意识的实体，而是一个"即用即走"的推理机。
2. 为什么大模型"无记忆"？
- 技术原因（无状态性）： 为了保证服务器能同时处理全球数百万人的请求，模型被设计为"无状态（Stateless）"的。这意味着服务器不会为每个用户开辟专门的存储空间来记聊天记录。对它来说，每一次请求都是全新的、独立的。
- 类比： 就像一个极其聪明但只有"秒瞬记忆"的教授。你推门进去问他问题，他答完你就被推出来了；你第二次推门进去，他根本不记得你刚才来过。
第二站：如何赋予它"记忆"？（核心操作）
1. 为什么这么设计？
既然模型记不住，我们就在每次请求时，把之前的聊天记录全部打包发给它。
就像你第二次推门进教授办公室时，手里拿着一张纸，上面写着："我刚才问了A，你回答了B，现在我想问C。" 教授读完这张纸，就能接上话了。
2. 具体操作：维护 messages 列表
在 OpenAI 的标准接口中，messages 字段是一个列表，它可以按顺序存放多条消息：
{"role": "user", "content": "..."}：用户说的话。{"role": "assistant", "content": "..."}：AI 说的话（必须存进去，否则 AI 记不住自己刚才承诺过什么）。{"role": "system", "content": "..."}：系统指令（设定 AI 的身份，如"你是一个材料学专家"）。
🚀 今日最终里程碑：编写"有记忆"的聊天机器人
在 Cursor 中新建文件 day4_memory_bot.py。我们将引入一个全局列表 history 来存储对话。
python
import requests
def start_memory_bot():
url = "https://api.siliconflow.cn/v1/chat/completions"
api_key = "你的API_KEY"
headers = {
"Authorization": f"Bearer {api_key}",
"Content-Type": "application/json"
}
# --- 关键：创建一个列表来存放对话上下文 ---
# 我们先放一个 system 消息，设定它的专家身份
history = [
{"role": "system", "content": "你是一位资深的高分子材料研发工程师，擅长PI、CPI等材料的合成与性能分析。"}
]
print("=== 记忆助手已启动 (输入 'clear' 重置记忆，'quit' 退出) ===")
while True:
user_input = input("\n👤 你: ")
if user_input.lower() in ["quit", "退出"]:
break
# 增加一个重置记忆的功能
if user_input.lower() == "clear":
history = [{"role": "system", "content": "你是一位资深工程师。"}]
print("✨ 记忆已清空！")
continue
# 1. 把用户的新问题 append 到 history 列表中
history.append({"role": "user", "content": user_input})
payload = {
"model": "Qwen/Qwen2.5-7B-Instruct",
"messages": history, # 2. 发送的是整个列表，而不仅仅是最后一句话
"temperature": 0.7
}
try:
response = requests.post(url, headers=headers, json=payload)
if response.status_code == 200:
res_json = response.json()
ai_reply = res_json["choices"][0]["message"]["content"]
print(f"🤖 AI: {ai_reply}")
# 3. 重要！把 AI 的回答也 append 到 history 中
# 这样下次提问时，模型才知道它刚才说了什么
history.append({"role": "assistant", "content": ai_reply})
else:
print(f"请求失败: {response.status_code}")
except Exception as e:
print(f"错误: {e}")
if __name__ == "__main__":
start_memory_bot()验证环节：如何证明它有记忆了？
运行代码后，请按顺序输入以下问题进行测试：
- 输入： "你好，我叫王小明，我正在研究聚酰亚胺的透光率。"
- AI 回答： 应该会以专家身份欢迎你。
- 输入： "我刚才说我叫什么名字？我在研究什么？"
- 验证： 如果 AI 能准确答出"你叫王小明"和"研究聚酰亚胺透光率"，说明 上下文记忆功能成功跑通！
- 输入： "clear"
- 再问： "我是谁？"
- 验证： AI 应该表示不认识你。
💡 学习技巧：注意"长度爆炸"
这种把所有记录都发过去的方法有一个缺陷：对话越长，消耗的 Token 越多，且模型会有长度限制（Context Window）。
在实际项目中（比如第 6 周），我们会学习如何"裁剪"这个列表，只保留最近的几轮对话。但今天，请先尽情享受这种"能接话"的快感！