应用案例
如何让 LLM 应用提供循序渐进的聊天体验？
让 LLM 应用提供循序渐进的聊天体验的关键在于，LLM 自身能够感知到与用户所处的对话轮数。例如在第五轮对话时深入扩展某项话题，或者在第 X 轮对话自动回顾历史对话并给出复盘分析。
本文将为你介绍如何使用 Chatflow 类型应用预置的 sys.dialogue_count 系统变量，利用其会随着对话轮数自动新增 +1 的特性，编排出能够感知对话轮数，并能够向用户提供循序渐进聊天体验的 AI 应用。
场景 1：为用户提供循序渐进的对话深度
应用场景：AI 编程教师
新手刚开始学习编程知识时，初始阶段大量晦涩的专业名词将造成困扰。一个理想的学习场景是老师能够根据学生自身对知识的掌握情况，以及对话的聊天次数，循序渐进介绍更多教学内容并布置合理的学习任务。
设计思路
| 对话轮数 | 教学策略 | 内容重点 |
|---|---|---|
| 1-5 轮 | 使用简单、易懂的语言 | 介绍编程的基本概念（变量、数据类型、控制流等） |
| 6-10 轮 | 逐步引入基础编程术语 | 深入探讨基础概念，提供更多示例 |
| 11-15 轮 | 使用更多专业术语 | 探讨特定编程主题（如面向对象编程、数据结构） |
| 15 轮以后 | 高级编程对话 | 讨论高级概念、最佳实践、项目开发 |
实现方法
- 设立第一个 LLM 节点，收集并分析用户的初始编程水平能力
- 新增数个条件分支，判断该用户与第一个 LLM 节点的对话次数
- 将用户分流至不同阶段编程学习 LLM 节点。
在第一个 LLM 节点后新增数个条件分支，判断 sys.dialogue_count 值的所处区间，然后分流至不同编程阶段的 LLM 节点。
场景 2：定期回顾对话历史
应用场景：语言能力测试 AI 助手
在学习新语言时，定期复习和巩固知识点对于长期记忆至关重要。AI 语言学习助手可以通过跟踪对话轮数，在适当的时机提供回顾和测试。
设计思路
| 对话轮数 | 学习策略 | 活动类型 | 目的 |
|---|---|---|---|
| 每 10 轮 | 知识回顾 | 简短复习测验 | 巩固近期学习的内容 |
| 每 20 轮 | 综合测试 | 全面的语言能力测试，然后给出能力评估报告以及接下来的学习建议 | 评估整体学习进度 |
实现方法
- 设立第一个 LLM 对话应用，收集并分析用户的初始语言能力，并给出训练习题
- 新增条件分支，在第 10 轮对话时制订小型测验，并给出学习回顾；在第 20 轮对话时给出更加全面的测验和学习报告。其余对话轮数则正常给出单个训练习题。
通过在特定轮数回顾学生过往的学习分析报告，LLM 能够更加像一个专业老师一样重新审视并调整用户的学习计划。
如果还想要了解更多关于工作流的编排技巧，请参考《工作流》。