messages 中的消息按时间顺序从小到大排列

messages = [] def make_messages(input: str, n: int = 20) -> list[dict]: """ 使用 make_messaegs 控制每次请求的消息数量，使其保持在一个合理的范围内，例如默认值是 20。在构建消息列表 的过程中，我们会先添加 System Prompt，这是因为无论如何对消息进行截断，System Prompt 都是必不可少 的内容，再获取 messages —— 即历史记录中，最新的 n 条消息作为请求使用的消息，在大部分场景中，这样 能保证请求的消息所占用的 Tokens 数量不超过模型上下文窗口。 """ global messages # 首先，我们将用户最新的问题构造成一个 message（role=user），并添加到 messages 的尾部 messages.append({ "role": "user", "content": input, }) # new_messages 是我们下一次请求使用的消息列表，现在让我们来构建它 new_messages = [] # 每次请求都需要携带 System Messages，因此我们需要先把 system_messages 添加到消息列表中； # 注意，即使对消息进行截断，也应该注意保证 System Messages 仍然在 messages 列表中。 new_messages.extend(system_messages) # 在这里，当历史消息超过 n 条时，我们仅保留最新的 n 条消息 if len(messages) > n: messages = messages[-n:] new_messages.extend(messages) return new_messages def chat(input: str) -> str: """ chat 函数支持多轮对话，每次调用 chat 函数与 Kimi 大模型对话时，Kimi 大模型都会"看到"此前已经 产生的历史对话消息，换句话说，Kimi 大模型拥有了记忆。 """ # 携带 messages 与 Kimi 大模型对话 completion = client.chat.completions.create( model="kimi-k3", messages=make_messages(input) ) # 通过 API 我们获得了 Kimi 大模型给予我们的回复消息（role=assistant） assistant_message = completion.choices[0].message # 为了让 Kimi 大模型拥有完整的记忆，我们必须将 Kimi 大模型返回给我们的消息也添加到 messages 中 messages.append(assistant_message) return assistant_message.content print(chat("你好，我今年 27 岁。")) print(chat("你知道我今年几岁吗？")) # 在这里，Kimi 大模型根据此前的上下文信息，将会知道你今年的年龄是 27 岁 const OpenAI = require("openai") const client = new OpenAI({ apiKey: process.env.MOONSHOT_API_KEY, // 运行前请设置 MOONSHOT_API_KEY 环境变量 baseURL: "https://api.moonshot.cn/v1", }); // 我们将 System Messages 单独放置在一个列表中，这是因为每次请求都应该携带 System Messages const systemMessages = [ { role: "system", content: "你是 Kimi，由 Moonshot AI 提供的人工智能助手，你更擅长中文和英文的对话。你会为用户提供安全，有帮助，准确的回答。同时，你会拒绝一切涉及恐怖主义，种族歧视，黄色暴力等问题的回答。Moonshot AI 为专有名词，不可翻译成其他语言。", }, ]; // 我们定义一个全局变量 messages，用于记录我们和 Kimi 大模型产生的历史对话消息 // 在 messages 中，既包含我们向 Kimi 大模型提出的问题（role=user），也包括 Kimi 大模型给我们的回复（role=assistant） // messages 中的消息按时间顺序从小到大排列 let messages = []; async function makeMessages(input, n = 20) { /** * 使用 make_messages 控制每次请求的消息数量，使其保持在一个合理的范围内，例如默认值是 20。在构建消息列表 * 的过程中，我们会先添加 System Prompt，这是因为无论如何对消息进行截断，System Prompt 都是必不可少的 * 内容，再获取 messages —— 即历史记录中，最新的 n 条消息作为请求使用的消息，在大部分场景中，这样 * 能保证请求的消息所占用的 Tokens 数量不超过模型上下文窗口。 */ // 首先，我们将用户最新的问题构造成一个 message（role=user），并添加到 messages 的尾部 messages.push({ role: "user", content: input, }); // newMessages 是我们下一次请求使用的消息列表，现在让我们来构建它 let newMessages = []; // 每次请求都需要携带 System Messages，因此我们需要先把 systemMessages 添加到消息列表中； // 注意，即使对消息进行截断，也应该注意保证 System Messages 仍然在 messages 列表中。 newMessages = systemMessages.concat(newMessages); // 在这里，当历史消息超过 n 条时，我们仅保留最新的 n 条消息 if (messages.length > n) { messages = messages.slice(-n); } newMessages = newMessages.concat(messages); return newMessages; } async function chat(input) { /** * chat 函数支持多轮对话，每次调用 chat 函数与 Kimi 大模型对话时，Kimi 大模型都会"看到"此前已经 * 产生的历史对话消息，换句话说，Kimi 大模型拥有了记忆。 */ // 携带 messages 与 Kimi 大模型对话 const completion = await client.chat.completions.create({ model: "kimi-k3", messages: await makeMessages(input) }); // 通过 API 我们获得了 Kimi 大模型给予我们的回复消息（role=assistant） const assistantMessage = completion.choices[0].message; // 为了让 Kimi 大模型拥有完整的记忆，我们必须将 Kimi 大模型返回给我们的消息也添加到 messages 中 messages.push(assistantMessage); return assistantMessage.content; } (async () => { console.log(await chat("你好，我今年 27 岁。")); console.log(await chat("你知道我今年几岁吗？")); // 在这里，Kimi 大模型根据此前的上下文信息，将会知道你今年的年龄是 27 岁 })();