prompt 窗口化对话

窗口化的思想

假设你要申请银行贷款，整个过程比较复杂，涉及多个步骤，银行会让你按照一定的顺序提供各种信息。这就是典型的“窗口化思想”。
比如说:

• 第一步：填写个人信息（窗口1）

  • 在第一个窗口，你只需要提供一些基本信息，比如姓名、年龄、收入等。银行并不要求你一次性提供全部贷款所需的材料，而是一步步引导你。你不需要一次性记住或者提交很多信息，这让你感觉更轻松。

• 第二步：选择贷款金额和还款方式（窗口2）

  • 进入第二步，你需要选择贷款金额、还款期限等。此时银行系统会根据你输入的信息，给你一些推荐方案或提示。你仍然没有提交任何正式申请，只是在根据前面窗口的信息做更精确的决策。

• 第三步：上传证明材料（窗口3）

  • 在接下来的窗口，系统会要求你上传个人财务证明、信用记录等文件。这个阶段只是完成申请的一部分，系统会给出逐步指导，比如文件格式、大小要求等。
  • 此时，你的个人信息和贷款金额已经在系统中存在，银行能够根据这些信息来帮助你判断需要哪些材料，避免你提供不必要的内容。

• 最后一步：提交并等待审批（窗口4）

  • 完成所有步骤后，你可以查看所有填写的内容并进行确认。银行系统会根据所有阶段的信息，最终生成一份贷款申请。然后，银行会根据你的贷款申请和背景资料进行审核。

• 窗口化的好处：

  • 分步骤进行：每次只需要关注一个阶段，减少了信息负担。
  • 渐进式处理：系统能根据前面的信息提示你下一步需要做什么，从而避免了在前期没有必要的信息。
  • 减少错误：每个窗口都可以进行实时校验，确保信息正确后再进入下一步。

class ChatWindow:
    def __init__(self, max_history_length=5):
        # 初始化窗口，最多保留的历史对话数
        self.history = []
        self.max_history_length = max_history_length

    def add_message(self, role, message):
        # 添加用户/模型消息到历史
        self.history.append((role, message))
        if len(self.history) > self.max_history_length:
            self.history.pop(0)  # 超过最大历史长度时，移除最旧的消息

    def get_conversation_context(self):
        # 返回当前对话的上下文（历史消息）
        return "\n".join([f"{role}: {msg}" for role, msg in self.history])

    def process_input(self, user_input):
        # 将用户输入添加到历史
        self.add_message('User', user_input)
        context = self.get_conversation_context()
        
        # 这里我们模拟大模型的响应，实际上可以调用OpenAI GPT、LLama等API生成响应
        model_response = self.generate_response(context)
        
        # 将模型响应添加到历史
        self.add_message('AI', model_response)
        
        return model_response

    def generate_response(self, context):
        # 模拟模型响应，实际中这里可以替换成真实的AI模型API调用
        return f"AI的回应：基于当前上下文生成的回答。上下文:\n{context}"

# 使用示例

def main():
    chat_window = ChatWindow()

    # 模拟多轮对话
    while True:
        user_input = input("请输入你的问题（输入'exit'退出）：")
        
        if user_input.lower() == 'exit':
            print("退出对话")
            break
        
        # 处理用户输入，并获得模型的响应
        response = chat_window.process_input(user_input)
        
        # 打印模型响应
        print(response)
        print("-" * 50)

if __name__ == "__main__":
    main()