在前一篇文章中，我們學會了如何簡易開發生成式 AI Chat。但有一個關鍵問題還沒解決：如何讓 AI 記住之前說過的話？

大多數初學者的第一個 AI 應用都是「單次問答」—— 每次都是全新的對話，AI 完全不記得剛才討論了什麼。但真正實用的 AI 助手需要能夠：

• 記住用戶的偏好設定
• 延續上一輪的話題討論
• 在多輪對話中保持邏輯一致性

今天介紹最簡單且實用的解決方案：用 List 管理對話歷史。

一、為什麼需要上下文管理？

無記憶的尷尬情況

# 第一次對話
user: "我今年 25 歲，想要減重"
ai: "好的，根據您 25 歲的年齡，建議每日攝取..."

# 第二次對話（沒有上下文）
user: "那我應該做什麼運動？"
ai: "請問您的年齡和減重目標是什麼？我需要更多資訊才能給建議"

這種體驗對用戶來說非常frustrating，明明剛說過的事情，AI 馬上就忘記了。

有記憶的流暢對話

# 有上下文管理的對話
conversation_history = [
    {"role": "user", "parts": [{"text": "我今年 25 歲，想要減重"}]},
    {"role": "model", "parts": [{"text": "好的，根據您 25 歲的年齡，建議每日攝取..."}]},
    {"role": "user", "parts": [{"text": "那我應該做什麼運動？"}]}
]

# AI 可以基於完整歷史回答
ai: "基於您 25 歲的年齡和減重目標，我推薦以下運動..."

二、最簡單的實作：用 List 儲存對話

基礎版本

class SimpleChat:
    def __init__(self):
        self.conversation_history = []
        self.model = genai.GenerativeModel('gemini-pro')
    
    def add_message(self, role, content):
        """新增訊息到對話歷史"""
        message = {
            "role": role,
            "parts": [{"text": content}]
        }
        self.conversation_history.append(message)
    
    def chat(self, user_input):
        """進行對話"""
        # 1. 將用戶訊息加入歷史
        self.add_message("user", user_input)
        
        # 2. 將完整歷史送給模型
        response = self.model.generate_content(self.conversation_history)
        
        # 3. 將 AI 回應也加入歷史
        self.add_message("model", response.text)
        
        return response.text

# 使用範例
chat = SimpleChat()

print(chat.chat("我今年 25 歲，想要減重"))
print(chat.chat("那我應該做什麼運動？"))
print(chat.chat("我比較喜歡室內運動"))

進階版本：加入 System Prompt

class SmartChat:
    def __init__(self, system_prompt="你是一位專業的健康顧問"):
        self.system_prompt = system_prompt
        self.conversation_history = []
        self.model = genai.GenerativeModel('gemini-pro')
    
    def add_message(self, role, content):
        message = {
            "role": role,
            "parts": [{"text": content}]
        }
        self.conversation_history.append(message)
    
    def get_full_context(self):
        """組合 System Prompt + 對話歷史"""
        messages = []
        
        # 先加入 System Prompt
        if self.system_prompt:
            messages.append({
                "role": "user",
                "parts": [{"text": f"請扮演這個角色：{self.system_prompt}"}]
            })
            messages.append({
                "role": "model", 
                "parts": [{"text": "我了解了，我會扮演這個角色來協助您。"}]
            })
        
        # 再加入對話歷史
        messages.extend(self.conversation_history)
        return messages
    
    def chat(self, user_input):
        # 1. 用戶訊息加入歷史
        self.add_message("user", user_input)
        
        # 2. 取得完整上下文（System Prompt + 歷史）
        full_context = self.get_full_context()
        
        # 3. 送給模型處理
        response = self.model.generate_content(
            full_context,
            generation_config={
                "temperature": 0.7,
                "max_output_tokens": 1000
            }
        )
        
        # 4. AI 回應加入歷史
        self.add_message("model", response.text)
        
        return response.text

# 使用範例
health_assistant = SmartChat(
    system_prompt="你是一位專業的健康顧問，會根據用戶的個人資訊提供客製化建議"
)

print(health_assistant.chat("我今年 25 歲，想要減重"))
print(health_assistant.chat("我平常工作很忙，沒時間去健身房"))

三、加入記憶體管理：避免 Token 超限

問題：對話越來越長

隨著對話進行，conversation_history 會越來越長，最終可能：

• 超過模型的 token 限制
• 增加 API 費用
• 降低回應速度

解決方案：滑動視窗（Sliding Window）

class ManagedChat:
    def __init__(self, system_prompt="", max_history_length=10):
        self.system_prompt = system_prompt
        self.conversation_history = []
        self.max_history_length = max_history_length  # 最多保留幾輪對話
        self.model = genai.GenerativeModel('gemini-pro')
    
    def add_message(self, role, content):
        message = {
            "role": role,
            "parts": [{"text": content}]
        }
        self.conversation_history.append(message)
        
        # 保持歷史長度在限制內
        if len(self.conversation_history) > self.max_history_length:
            # 移除最舊的對話（但保留成對的 user-model 對話）
            self.conversation_history = self.conversation_history[-self.max_history_length:]
    
    def get_memory_summary(self):
        """將舊對話總結成摘要"""
        if len(self.conversation_history) <= 4:  # 對話還不夠長，不需要摘要
            return ""
        
        # 取出最舊的幾輪對話來做摘要
        old_messages = self.conversation_history[:6]  # 前3輪對話
        
        summary_prompt = f"""
        請將以下對話總結成重點摘要，保留重要的用戶資訊：
        {old_messages}
        
        摘要格式：用戶基本資訊、主要需求、已討論的重點
        """
        
        # 這裡可以呼叫另一個模型來產生摘要
        # 為了簡化，我們先用簡單的文字描述
        return "之前討論摘要：用戶關心健康議題，想要專業建議"
    
    def chat(self, user_input):
        self.add_message("user", user_input)
        
        # 組合上下文：系統提示 + 記憶摘要 + 近期對話
        context = []
        
        if self.system_prompt:
            context.append({
                "role": "user",
                "parts": [{"text": self.system_prompt}]
            })
        
        # 加入記憶摘要（如果有的話）
        memory_summary = self.get_memory_summary()
        if memory_summary:
            context.append({
                "role": "user", 
                "parts": [{"text": memory_summary}]
            })
        
        # 加入近期對話
        context.extend(self.conversation_history[-6:])  # 只用最近3輪對話
        
        response = self.model.generate_content(context)
        self.add_message("model", response.text)
        
        return response.text

實際應用：健康諮詢助手

class HealthChatBot:
    def __init__(self):
        self.system_prompt = """
        你是一位專業的健康顧問助手。請根據用戶提供的資訊：
        - 記住用戶的個人資料（年齡、體重、目標等）
        - 提供個人化的建議
        - 如果涉及醫療診斷，請建議諮詢專業醫師
        - 保持友善且專業的語調
        """
        
        self.conversation_history = []
        self.user_profile = {}  # 用來記錄用戶的基本資料
        self.model = genai.GenerativeModel('gemini-pro')
    
    def extract_user_info(self, user_input):
        """從用戶輸入中提取個人資訊"""
        # 這裡可以用更複雜的 NLP 技術，簡化版本用關鍵字
        if "歲" in user_input:
            # 提取年齡資訊
            import re
            age_match = re.search(r'(\d+)歲', user_input)
            if age_match:
                self.user_profile['age'] = age_match.group(1)
        
        if "公斤" in user_input or "kg" in user_input.lower():
            # 提取體重資訊
            weight_match = re.search(r'(\d+(?:\.\d+)?)\s*(?:公斤|kg)', user_input.lower())
            if weight_match:
                self.user_profile['weight'] = weight_match.group(1)
    
    def chat(self, user_input):
        # 提取用戶資訊
        self.extract_user_info(user_input)
        
        # 建構包含用戶資料的上下文
        context = []
        
        # System Prompt
        context.append({
            "role": "user",
            "parts": [{"text": self.system_prompt}]
        })
        
        # 用戶資料摘要
        if self.user_profile:
            profile_text = "用戶資料：" + ", ".join([f"{k}: {v}" for k, v in self.user_profile.items()])
            context.append({
                "role": "user",
                "parts": [{"text": profile_text}]
            })
        
        # 對話歷史
        context.extend(self.conversation_history[-6:])  # 最近3輪對話
        
        # 當前用戶輸入
        context.append({
            "role": "user",
            "parts": [{"text": user_input}]
        })
        
        # 呼叫模型
        response = self.model.generate_content(
            context,
            safety_settings=[
                {"category": "HARM_CATEGORY_DANGEROUS_CONTENT", "threshold": "BLOCK_ONLY_HIGH"}
            ]
        )
        
        # 更新對話歷史
        self.conversation_history.append({
            "role": "user", 
            "parts": [{"text": user_input}]
        })
        self.conversation_history.append({
            "role": "model", 
            "parts": [{"text": response.text}]
        })
        
        return response.text

# 使用範例
bot = HealthChatBot()

print("=== 健康諮詢助手 ===")
print(bot.chat("你好，我今年 28 歲，體重 75 公斤，想要減重"))
print("\n" + "="*50 + "\n")
print(bot.chat("我平常很少運動，應該從什麼開始？"))
print("\n" + "="*50 + "\n")
print(bot.chat("我的目標是減到 70 公斤，大概需要多久？"))

用 List 來存對話紀錄，超直覺也很好 debug、維護起來不麻煩。

• 快速上手：幾十行程式就能讓 AI 有基本記憶。
• 彈性高：想加點自訂邏輯也很容易，像是抽取使用者資料、做記憶摘要等等。

不過有幾個缺點：

• 記憶體會越吃越多：對話愈長，List 就愈大。
• Token 費用變高：每次都要把完整歷史丟給 API，成本會增加。
• 理解力有限：沒辦法真正看懂很複雜的語義或長期依賴。