Day51——晚课 搭建你的AI聊天机器人

上篇回顾

早上我们聊了聊天机器人的基本原理——大语言模型如何通过API变成一个能对话的程序，以及聊天机器人的几种类型（问答型、任务型、角色型）。

今晚，我们直接动手。从零开始，一步步搭建一个真正能用的AI聊天机器人。

不需要你有编程基础，跟着做就行。

实操一：3分钟，让AI说第一句话

最简单的聊天机器人，只需要10行代码。

你需要准备的东西：

• 一个OpenAI API Key（昨天早课教过怎么申请）
• 电脑上安装了Python（3.8以上版本）

第一步：安装依赖

打开终端（Windows打开命令提示符），输入：

`bash

pip install openai

`

第二步：创建文件

新建一个文件，命名为 chat.py，粘贴以下代码：

`python

from openai import OpenAI

client = OpenAI(api_key=”你的API Key放这里”)

response = client.chat.completions.create(

model=”gpt-3.5-turbo”,

messages=[

{“role”: “user”, “content”: “你好，介绍一下你自己”}

]

)

print(response.choices[0].message.content)

`

第三步：运行

`bash

python chat.py

`

你会看到：AI回复了一段自我介绍。

关键参数解读：

参数	含义	推荐值

|——|——|——–|

model	使用的模型	gpt-3.5-turbo（便宜）或 gpt-4o（聪明）
messages	对话内容	列表格式，每条有role和content
role	说话的人	user=用户，assistant=AI，system=系统指令

试着改一下：把 "你好，介绍一下你自己" 换成任何你想问的问题，再运行一次。

💡 小贴士：把API Key存到环境变量里更安全：

`bash

export OPENAI_API_KEY=”sk-你的key”

`

代码里改成 client = OpenAI() 就行，不用写死Key了。

实操二：让AI记住你说过什么

刚才的代码有个问题——每次运行都是一次性对话，AI不记得你之前说了什么。

真正的聊天机器人需要记忆。我们来加上这个功能：

`python

from openai import OpenAI

client = OpenAI()

# 对话历史，AI的”记忆”

messages = [

{“role”: “system”, “content”: “你是一个友好的AI助手，用简洁的中文回答问题。”}

]

print(“AI聊天机器人已启动！输入 ‘quit’ 退出n”)

while True:

user_input = input(“你: “)

if user_input.lower() == ‘quit’:

print(“再见！”)

break

# 把用户的话加到历史里

messages.append({“role”: “user”, “content”: user_input})

# 发送整个对话历史

response = client.chat.completions.create(

model=”gpt-3.5-turbo”,

messages=messages

)

ai_reply = response.choices[0].message.content

print(f”AI: {ai_reply}n”)

# 把AI的回复也加到历史里

messages.append({“role”: “assistant”, “content”: ai_reply})

`

运行后试试：

1. 说 “我叫小明”
2. 说 “我是一个程序员”
3. 说 “你还记得我叫什么名字吗？”

AI会准确回答”你叫小明”——因为它记住了整个对话历史。

核心原理：

每次发送请求时，我们把从第一条到最新一条的所有消息都发给API。API没有”记忆”，是我们在客户端帮它维护了一条消息链。

`

第1次请求: [system, user消息1]

第2次请求: [system, user消息1, AI回复1, user消息2]

第3次请求: [system, user消息1, AI回复1, user消息2, AI回复2, user消息3]

`

⚠️ 注意：消息越多，消耗的Token越多，费用越高。一般超过20轮对话后，可以考虑截断早期消息或摘要压缩。

实操三：给机器人一个”人设”

system 消息是你的秘密武器。它决定了AI的性格、语气和行为方式。

试试这些人设模板：

模板1：专业顾问

`python

messages = [

{“role”: “system”, “content”: “””你是一位资深的职业规划顾问。

• 用温和但专业的语气回答
• 每次回答后提一个引导性问题
• 给建议时用具体例子说明
• 不要一次说太多，循序渐进”””}

]

`

模板2：英语老师

`python

messages = [

{“role”: “system”, “content”: “””你是一位耐心的英语老师。

• 用户用中文提问时，用中文回答语法点，附带英文例句
• 用户用英文提问时，先纠正语法错误（如果有），再回答问题
• 每次回答后鼓励用户用英文造一个句子
• 用emoji让学习氛围更轻松”””}

]

`

模板3：番茄小说推荐官

`python

messages = [

{“role”: “system”, “content”: “””你是一个超级懂网文的小说推荐官。

• 用户说喜欢什么类型，推荐3本匹配的小说
• 每本书用一句话勾起兴趣（不能剧透关键情节）
• 风格要像朋友聊天，不要太正式
• 如果用户说”书荒了”，按热门榜单推荐”””}

]

`

动手实验：

1. 选一个人设，替换到代码的 system 消息里
2. 运行程序，和AI对话10轮
3. 观察AI的语气和行为是否符合人设
4. 自己设计一个新的人设

💡 进阶技巧：在system消息里加”如果你不确定，就说不知道，不要编造”，可以大幅减少AI的”胡说八道”。

实操四：30分钟，做一个有界面的聊天机器人

命令行聊天不够酷？我们来做一个网页版聊天界面，只需要一个额外的库：Gradio。

第一步：安装Gradio

`bash

pip install gradio openai

`

第二步：创建 web_chat.py

`python

import gradio as gr

from openai import OpenAI

client = OpenAI()

def chat(message, history):

“””Gradio聊天回调函数”””

# 构建消息列表

messages = [

{“role”: “system”, “content”: “你是一个友好的AI助手，用简洁的中文回答。”}

]

# 把历史对话加进去

for user_msg, ai_msg in history:

messages.append({“role”: “user”, “content”: user_msg})

messages.append({“role”: “assistant”, “content”: ai_msg})

# 加上当前用户消息

messages.append({“role”: “user”, “content”: message})

# 调用API

response = client.chat.completions.create(

model=”gpt-3.5-turbo”,

messages=messages

)

return response.choices[0].message.content

# 创建界面

demo = gr.ChatInterface(

fn=chat,

title=”我的AI聊天机器人”,

description=”基于GPT-3.5-turbo，试试和它聊聊！”,

examples=[“今天天气真好，推荐我做点什么？”, “用Python写一个猜数字游戏”, “给我讲一个冷笑话”],

retry_btn=”重新生成”,

undo_btn=”撤销”,

clear_btn=”清空对话”

)

demo.launch()

`

第三步：运行

`bash

python web_chat.py

`

你会看到类似这样的输出：

`

Running on local URL: http://127.0.0.1:7860

`

打开浏览器访问这个地址——一个漂亮的聊天界面就出现了！

你会得到：

• 🎨 自动适配深色/浅色主题
• 💬 支持多轮对话
• 🔄 可以重新生成、撤销、清空
• 📱 手机浏览器也能用（同一WiFi下访问你的IP:7860）

试试改进：

1. 修改 title 和 description 为你的机器人名字
2. 修改system消息，做一个”专属于你的”机器人
3. 修改 examples 为你的使用场景示例

💡 分享给别人：把 demo.launch() 改成 demo.launch(share=True)，Gradio会生成一个公网链接，任何人都能用！链接24小时有效。

实操五：用开源方案本地部署

不想依赖OpenAI？用开源模型在自己电脑上跑，完全免费。

方案：Ollama + LangChain

第一步：安装Ollama

`bash

# macOS / Linux

curl -fsSL https://ollama.com/install.sh | sh

# Windows：去 ollama.com 下载安装包

`

第二步：下载一个模型

`bash

ollama pull qwen2.5:3b

`

这个是阿里通义千问的3B参数版本，普通电脑就能跑。

第三步：用Python调用

`bash

pip install langchain-community

`

`python

from langchain_community.llms import Ollama

llm = Ollama(model=”qwen2.5:3b”)

print(“本地AI聊天机器人！输入 ‘quit’ 退出n”)

while True:

user_input = input(“你: “)

if user_input.lower() == ‘quit’:

break

response = llm.invoke(user_input)

print(f”AI: {response}n”)

`

对比一下三种方案：

特性	OpenAI API	Ollama本地	Gradio界面

|——|———–|———–|———–|

费用	按Token付费	免费	免费（仍需API）
智能程度	高（GPT-4o）	中等（取决于模型大小）	取决于后端
速度	取决于网络	取决于电脑配置	取决于后端
隐私	数据发送到云端	完全本地	取决于后端
需要联网	是	否	否（本地模型时）

💡 推荐：学习阶段用OpenAI API（质量高、方便），做私密项目用Ollama本地部署。

今日总结

1. 10行代码就能做出一个聊天机器人——核心就是调用大模型API
2. 对话历史是聊天机器人有”记忆”的关键——在客户端维护消息链
3. system消息决定了机器人的”人设”——用好它，你就有了一个定制AI
4. Gradio让你30分钟做出网页版聊天界面——不需要学前端
5. Ollama让你在本地免费运行AI——隐私安全，不依赖网络

今日行动项

入门级：运行实操一的10行代码，和AI完成一次对话

进阶级：用实操四的Gradio代码，做一个有自己人设的网页聊天机器人，分享给朋友试用

挑战级：安装Ollama，用本地模型搭一个完全离线的聊天机器人

🚇 地铁深读：聊天机器人的”记忆”难题

你可能注意到了——我们今天的”记忆”方案其实很原始：每次把所有对话历史都发给API。

这带来三个问题：

1. Token爆炸

GPT-3.5-turbo的上下文窗口是16384个Token（约12000个中文字）。聊个30轮，历史消息就快塞满了。

2. 费用增长

每轮对话都重新发送全部历史，Token消耗是O(n²)增长。聊100轮，费用可能是聊10轮的100倍。

3. 注意力稀释

模型的”注意力”有限。当对话太长，模型可能忘记中间说过的细节。

业界的解决方案：

方案	原理	适用场景

|——|——|———-|

滑动窗口	只保留最近N轮对话	简单问答
摘要压缩	定期让AI总结之前的对话	长对话
向量存储	把历史对话存入向量数据库，按相关性检索	知识库型机器人
RAG	结合外部文档，AI先搜索再回答	企业知识库（明天的主题！）

一个简单的摘要压缩示例：

`python

def compress_history(messages, max_turns=10):

“””当对话超过max_turns轮时，压缩早期对话为摘要”””

if len(messages) <= max_turns * 2 + 1:

return messages

# 取出需要压缩的早期消息

early = messages[1:-max_turns*2] # 保留system和最近N轮

summary_text = “n”.join(

f”{m[‘role’]}: {m[‘content’]}” for m in early

)

# 用AI生成摘要

summary_response = client.chat.completions.create(

model=”gpt-3.5-turbo”,

messages=[

{“role”: “system”, “content”: “用50字以内总结以下对话的要点”},

{“role”: “user”, “content”: summary_text}

]

)

summary = summary_response.choices[0].message.content

# 重组消息：system + 摘要 + 最近N轮

return [

messages[0], # system

{“role”: “system”, “content”: f”之前的对话摘要：{summary}”},

*messages[-max_turns*2:] # 最近N轮

]

`

思考题：如果让你给自己的聊天机器人设计”记忆系统”，你会选择哪种方案？为什么？

明日预告：

明早8点：Day52——早课 RAG：让AI读你的文档

明晚5点：Day52——晚课 RAG实战：搭建你的知识库