1.作者介绍
朱甜甜，女，西安工程大学电子信息学院，2025级研究生
研究方向：图像生成
电子邮件：1946451925@qq.com
李逸超，男，西安工程大学电子信息学院，2025级研究生，张宏伟人工智能课题组
研究方向：机器视觉与人工智能
电子邮件：2317314922@qq.com
2．系统整体架构
图 1系统核心流程
2.1 用户交互层
作为系统入口，接收用户的输入请求与交互指令，是用户与系统之间的核心交互枢纽。
2.2 API网关层
负责接收来自用户交互层的请求，实施路由与限流策略，并将合法请求转发至后端核心服务。
2.3 Flask后端服务层
Flask后端作为核心服务调度层，接收用户输入并执行路由分发，协调各模块完成业务逻辑处理与响应生成。
2.4 角色选择模块
实现虚拟角色的选取与配置，根据用户选择的角色设定，约束后续大模型的回复风格与行为边界。
2.5 GLM-4-Flash生成引擎
基于智谱AI的GLM-4-Flash模型实现语义理解与文本生成，根据上游选定的角色设定与用户输入，输出符合预期的角色化回复
2.6 SSE数据流
采用Server-Sent Events（SSE）技术建立长连接，将GLM-4-Flash生成引擎输出的语义信息以数据流形式实时推送至客户端，无需等待完整响应生成，显著降低感知延迟。
2.7 页面实时渲染
客户端接收流式数据后立即执行增量渲染，每个数据块到达即显示，实现平滑的逐字输出视觉效果。
3、系统页面展示
图 2系统页面
本界面包含以下功能组件：
角色选择器：选择福尔摩斯、黑客、诗人、说书人之一
文本输入框：输入用户问题
发送按钮：触发对话请求
清空按钮：清除所有历史对话记录
4、核心算法实现
4.1角色身份约束（Prompt工程）
核心思想：通过Prompt约束为大模型赋予"角色灵魂"
通过预定义的提示词模板，为大模型注入虚拟身份和行为约束，使模型回复始终保持一致的角色风格。
实现原理：
身份设定: 说明"你是谁"（如"你是黑客"）
行为约束: 限定"应该怎么说"（如"用数字化与系统思维回答"）
角色配置代码（app.py）
python
# 角色系统（Prompt算法核心）
roles = {
"detective": {
"name": "福尔摩斯",
"prompt": "你是福尔摩斯，依据逻辑推理，按严谨流程回答问题。"
},
"hacker": {
"name": "黑客",
"prompt": "你是冷酷黑客，说话充满数字化与系统思维。"
},
"poet": {
"name": "诗人",
"prompt": "你是抒情诗人，语言需要富有诗意。"
},
"storyteller": {
"name": "说书人",
"prompt": "你是市井说书人，用叙事手法回答问题。"
}
}4.2流式输出实现机制（SSE）
核心优势：将"等待延迟"转化为"渐进式交互"
传统模式的问题
传统模式下，系统需要等待大模型生成完整回复后才一次性返回数据。用户在整个生成过程中无法获得任何反馈，造成明显的响应等待感，严重削弱实时交互体验。
流式输出流程
- 逐块生成:大模型逐块生成响应内容，每生成一个数据块即立即输出
- 实时推送:后端通过SSE协议将每个数据块实时推送至数据流通道
- 持续监听:客户端持续监听数据流，每收到一个数据块即可立即获取
- 流式渲染:客户端按顺序拼接数据块并实时更新页面显示
后端代码实现（app.py）
python
@app.route("/chat", methods=["POST"])
def chat():
data = request.json
user_text = data["message"]
role_key = data["role"]
system_prompt = roles[role_key]["prompt"]
messages = [
{"role": "system", "content": system_prompt}
]
messages.extend(chat_history)
messages.append({"role": "user", "content": user_text})
def generate():
full_text = ""
response = client.chat.completions.create(
model="glm-4-flash",
messages=messages,
stream=True # 关键参数：启用流式输出
)
for chunk in response:
delta = chunk.choices[0].delta.content
if delta:
full_text += delta
yield delta # 逐块返回数据
# 演示优化：让流式效果"看得见"
time.sleep(random.uniform(0.02, 0.06))
# 保存短期记忆
chat_history.append({"role": "user", "content": user_text})
chat_history.append({"role": "assistant", "content": full_text})
# 存入数据库
conn = sqlite3.connect("chat.db")
c = conn.cursor()
c.execute(
"INSERT INTO chat(role,user,ai,time) VALUES (?,?,?,?)",
(role_key, user_text, full_text, str(datetime.datetime.now()))
)
conn.commit()
conn.close()
return Response(stream_with_context(generate()), content_type="text/plain")前端代码实现（script.js）
python
// 流式读取并渲染
const reader = response.body.getReader();
const decoder = new TextDecoder();
let aiText = "";
while (true) {
const { done, value } = await reader.read();
if (done) break;
aiText += decoder.decode(value);
aiDiv.querySelector(".bubble").innerHTML = aiText; // 实时更新UI
chatbox.scrollTop = chatbox.scrollHeight; // 自动滚动
}5、数据集介绍
本系统的数据集包含用户输入、模型回复、角色设定及时间戳四类字段。核心设计原则为保证对话一致性，其中角色设定的一致性通过时间戳进行验证。
表 1 数据采集维度说明
|------|------------------|
| 字段 | 说明 |
| 用户输入 | 用户在交互界面提交的原始文本 |
| 模型回复 | 大模型结合角色设定生成的反馈文本 |
| 角色设定 | 用户当前选择的交互角色 |
| 时间戳 | 对话发生的具体时间（精确到秒） |
6、实验验证
6.1 角色设定实验
输入问题："人工智能和人类的区别是什么"
表 2 不同角色回复风格对比
|------|---------------------|
| 角色 | 回复风格 |
| 福尔摩斯 | 逻辑严谨，以事实为依据，术语使用规范 |
| 黑客 | 使用数字化术语，以系统架构视角分析问题 |
| 诗人 | 语言优美，富有意象和隐喻，如诗般表达 |
| 说书人 | 叙事生动，富有画面感，以章回体方式铺陈 |
图 3 福尔摩斯回复
图 4 黑客回复
图 5 诗人回复
图 6 说书人回复
6.2 上下文记忆回溯实验
实验目的 ：验证系统是否能依据历史对话上下文进行准确回应。
回溯实验第1轮：
****用户输入："****我喜欢红色"
预期结果 ****：****系统以所选角色风格回复
图 7 回溯实验第1轮
回溯实验第2轮：
****用户输入：****我先前说我喜欢什么颜色"
预期结果 ****：****系统回复"红色"
实验结果：系统能依据历史对话上下文准确回忆用户之前输入的内容，验证了对话一致性机制的有效性。
图 8 回溯实验第2轮