### Python 调用大模型 API 实现上下文记忆 为了实现在Python中调用大模型API时保持上下文的记忆功能，可以采用增加辅助函数的方式处理请求前后的状态保存。具体来说，在每次发送请求之前记录当前对话的状态，并在下一次请求时附带该状态信息给服务器端以便维持会话连贯性。 #### 方法一：通过自定义参数传递历史消息 可以在向API发起请求的数据包里加入一个字段专门用来存储过往的消息列表或摘要形式的历史记录。这样做的好处在于不需要依赖外部数据库来维护长期的聊天记录，而是把所有必要的背景资料都打包到每一次新的查询之中[^1]。 ```python import requests def get_response_with_context(api_url, context_history, new_message): payload = { "context": context_history, "message": new_message } response = requests.post(api_url, json=payload).json() updated_context = response.get('updated_context', []) reply_text = response['reply'] return {"response": reply_text, "new_context": updated_context} ``` 此代码片段展示了如何构建带有`context`键值对的消息体，其中包含了先前交流的信息(`context_history`)和最新的用户输入(`new_message`). 接收到回复之后不仅获取到了即时的回答还得到了更新过的上下文数据(`updated_context`), 这样就可以持续累积对话内容了. #### 方法二：利用Session对象自动管理连接间共享资源 另一种方式则是借助于requests库提供的session机制，它允许开发者在一个持久化的TCP连接之上执行多次HTTP事务操作而无需重复建立握手过程。这有助于提高效率同时也简化了编程逻辑因为不再需要显式地编码关于传输层细节的内容[^2]. ```python from requests import Session class ContextAwareClient: def __init__(self, base_api_url): self.session = Session() self.base_url = base_api_url self.context_data = [] def send_query(self, query_string): request_body = {'query': query_string, 'history': self.context_data} resp = self.session.post(f"{self.base_url}/chat", json=request_body) result = resp.json() # 更新本地缓存的上下文数据 if 'context' in result and isinstance(result['context'], list): self.context_data.extend(result['context']) return result["answer"] ``` 上述类实现了基于Session的对象封装模式，使得每一个实例都能够独立追踪自身的对话流程而不与其他客户端混淆。每当接收到服务端返回的结果后都会相应调整内部变量`self.context_data`,从而确保后续提问能携带完整的语境信息。