与聊天交互

SDK 方法，例如 llm.respond()、llm.applyPromptTemplate() 或 llm.act()，都接受聊天参数作为输入。在使用 SDK 时，有几种方式来表示聊天。

选项 1：输入单个字符串

如果您的聊天只包含一条用户消息，您可以使用单个字符串来表示聊天。以下是使用 .respond 方法的示例。

prediction = llm.respond("What is the meaning of life?")

选项 2：使用 `Chat` 辅助类

对于更复杂的任务，建议使用 Chat 辅助类。它提供了各种常用的方法来管理聊天。以下是使用 Chat 类的示例，其中在初始化聊天实例时提供了初始系统提示，然后通过相应的方法调用添加初始用户消息。

chat = Chat("You are a resident AI philosopher.")
chat.add_user_message("What is the meaning of life?")

prediction = llm.respond(chat)

您还可以使用 Chat.from_history 方法快速构建一个 Chat 对象。

chat = Chat.from_history({"messages": [
  { "role": "system", "content": "You are a resident AI philosopher." },
  { "role": "user", "content": "What is the meaning of life?" },
]})

选项 3：直接提供聊天历史数据

由于接受聊天历史的 API 内部使用 Chat.from_history，因此它们也接受常规字典形式的聊天历史数据格式。

prediction = llm.respond({"messages": [
  { "role": "system", "content": "You are a resident AI philosopher." },
  { "role": "user", "content": "What is the meaning of life?" },
]})

选项 1：输入单个字符串

选项 2：使用 Chat 辅助类

选项 3：直接提供聊天历史数据

选项 2：使用 `Chat` 辅助类