dotnet/docs项目中Chat History示例代码的缺陷分析与修复
2025-06-13 15:32:29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-4.6
GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】Jinja00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0113AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
22
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
217
2.23 K

暂无简介
Dart
523
116

React Native鸿蒙化仓库
JavaScript
210
285

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
9
1

🎉 (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
982
580

Ascend Extension for PyTorch
Python
67
97

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++
564
87

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
399

GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】
Jinja
33
0