dotnet/docs项目中Chat History示例代码的缺陷分析与修复
2025-06-13 20:45:12作者:邓越浪Henry
问题背景
在dotnet/docs项目的Microsoft Extensions AI文档中,提供了一个关于聊天历史记录的示例代码片段。该代码旨在展示如何使用流式响应处理聊天对话,并将对话历史保存下来。然而,原始代码中存在一个关键缺陷,导致无法正确记录聊天历史。
原始代码分析
原始代码片段的结构如下:
List<ChatMessage> chatHistory = [];
while (true)
{
Console.Write("Q: ");
chatHistory.Add(new(ChatRole.User, Console.ReadLine()));
List<ChatResponseUpdate> updates = [];
await foreach (ChatResponseUpdate update in
client.GetStreamingResponseAsync(history))
{
Console.Write(update);
}
Console.WriteLine();
chatHistory.AddMessages(updates);
}
这段代码的主要目的是:
- 创建一个空的聊天历史列表
- 进入无限循环,持续接收用户输入
- 将用户输入添加到聊天历史
- 获取AI的流式响应并显示
- 将AI响应更新添加到聊天历史
问题识别
代码中存在一个关键缺陷:在流式响应处理循环中,虽然将每个更新(update)输出到控制台,但没有将这些更新添加到updates列表中。这导致chatHistory.AddMessages(updates)实际上是在向聊天历史添加一个空列表,无法正确保存对话历史。
技术影响
这个缺陷会导致:
- 聊天历史记录不完整,只保存了用户输入,没有AI响应
- 后续对话可能缺乏上下文,因为历史记录不完整
- 影响聊天体验的连贯性
解决方案
修复方法很简单:在流式响应处理循环中,将每个update添加到updates列表中。修正后的代码如下:
List<ChatMessage> chatHistory = [];
while (true)
{
Console.Write("Q: ");
chatHistory.Add(new(ChatRole.User, Console.ReadLine()));
List<ChatResponseUpdate> updates = [];
await foreach (ChatResponseUpdate update in
client.GetStreamingResponseAsync(history))
{
Console.Write(update);
updates.Add(update); // 关键修复:将更新添加到列表
}
Console.WriteLine();
chatHistory.AddMessages(updates);
}
深入理解
流式响应处理
在AI聊天应用中,流式响应处理是一种常见的技术,它允许逐步接收和处理AI生成的响应,而不是等待完整响应生成完毕。这种方式能够:
- 提高用户体验,减少等待时间
- 允许逐步显示响应内容
- 更高效地处理长响应
聊天历史的重要性
完整的聊天历史记录对于:
- 维持对话上下文至关重要
- 支持多轮对话
- 提供连贯的聊天体验
- 可能用于后续的分析或训练
最佳实践建议
- 完整性检查:在处理流式响应时,确保所有关键数据都被正确收集
- 错误处理:考虑添加适当的错误处理机制,特别是在网络请求和流处理中
- 资源管理:对于长时间运行的聊天会话,考虑实施历史记录清理策略
- 性能考量:大量历史记录可能影响性能,需要权衡历史长度和性能
总结
这个示例代码的修复虽然简单,但体现了在流式处理场景中常见的一个陷阱:处理数据流时容易忽略数据的收集和保存。开发者在实现类似功能时,应当特别注意确保所有需要的数据都被正确处理和保存,而不仅仅是显示或使用。
通过这个案例,我们可以学到在编写流式处理代码时,数据收集和数据显示通常是两个独立但都需要关注的操作,不能因为已经处理了显示而忽略数据的持久化保存。
登录后查看全文
热门项目推荐
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00
请把这个活动推给顶尖程序员😎本次活动专为懂行的顶尖程序员量身打造,聚焦AtomGit首发开源模型的实际应用与深度测评,拒绝大众化浅层体验,邀请具备扎实技术功底、开源经验或模型测评能力的顶尖开发者,深度参与模型体验、性能测评,通过发布技术帖子、提交测评报告、上传实践项目成果等形式,挖掘模型核心价值,共建AtomGit开源模型生态,彰显顶尖程序员的技术洞察力与实践能力。00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00
热门内容推荐
最新内容推荐
Degrees of Lewdity中文汉化终极指南:零基础玩家必看的完整教程Unity游戏翻译神器:XUnity Auto Translator 完整使用指南PythonWin7终极指南:在Windows 7上轻松安装Python 3.9+终极macOS键盘定制指南:用Karabiner-Elements提升10倍效率Pandas数据分析实战指南:从零基础到数据处理高手 Qwen3-235B-FP8震撼升级:256K上下文+22B激活参数7步搞定机械键盘PCB设计:从零开始打造你的专属键盘终极WeMod专业版解锁指南:3步免费获取完整高级功能DeepSeek-R1-Distill-Qwen-32B技术揭秘:小模型如何实现大模型性能突破音频修复终极指南:让每一段受损声音重获新生
项目优选
收起
deepin linux kernel
C
27
11
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
569
3.84 K
Ascend Extension for PyTorch
Python
379
453
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
893
676
暂无简介
Dart
802
199
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
350
203
昇腾LLM分布式训练框架
Python
118
147
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
12
1
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer(第 2 版)》、《程序员面试金典(第 6 版)》题解
Java
68
20
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.37 K
781