多轮对话
多轮对话中指模型在生成回复过程中接收用户新输入的能力，涉及流式生成与消息队列协调，不同模型厂商API支持程度不一
核心事实
时间轴 (近 90 天)
历史拼接方式在对话轮次增多时会导致上下文膨胀、关键信息被稀释。
在多轮对话中，第 k 轮的输入 token 数随 k 线性增长，整个会话的累计输入量随轮数呈二次方（O(n²)）增长
在多轮对话中，当助手和用户朝相反方向引导时，往往是符合助手基线偏好（baseline bias）的那一方最终占上风。
在多轮对话中，基线偏好会通过模型对上下文的持续再解释而不断自我强化，偏向某侧的措辞被反复引用和放大，形成惯性。
一些在对话初期看起来成功的引导，在几轮之后会逐渐衰减甚至发生反转。
所谓“多轮对话”完全是客户端通过反复发送增长中的消息数组伪造出来的效果，模型本身不保存历史。
大模型是无状态的，多轮对话中客户端必须在每次请求时重发完整历史消息，导致第N轮的输入长度约等于前N-1轮所有消息的累积，输入成本随轮次呈平方级增长。
多轮对话配置解决上下文记忆问题，决定智能体在连续对话中能保留多少轮历史信息
单轮对话与多轮对话的区别在于上下文记忆与状态管理，突破限制通常需要在服务端维护会话历史并引入工具调用机制
评估Agent的多轮对话流程的整体质量比评估单个回答更复杂
还有 1 条时间轴事件
全部知识事实 (14)
多轮对话配置解决上下文记忆问题，决定智能体在连续对话中能保留多少轮历史信息
75%已验证将冗余历史对话反复塞进上下文窗口会导致token成本上升和推理延迟增加
65%已验证上下文窗口机制导致多轮对话中模型需将所有对话历史送入上下文，使Token消耗随对话变长而快速增长
65%待验证多轮对话的实现方式是每次请求时将之前所有的对话历史全部重新输入给模型，而非模型具有真正的记忆能力
60%待验证历史拼接方式在对话轮次增多时会导致上下文膨胀、关键信息被稀释。
50%待验证在多轮对话中，第 k 轮的输入 token 数随 k 线性增长，整个会话的累计输入量随轮数呈二次方（O(n²)）增长
50%待验证在多轮对话中，基线偏好会通过模型对上下文的持续再解释而不断自我强化，偏向某侧的措辞被反复引用和放大，形成惯性。
50%待验证在多轮对话中，当助手和用户朝相反方向引导时，往往是符合助手基线偏好（baseline bias）的那一方最终占上风。
50%待验证一些在对话初期看起来成功的引导，在几轮之后会逐渐衰减甚至发生反转。
50%待验证所谓“多轮对话”完全是客户端通过反复发送增长中的消息数组伪造出来的效果，模型本身不保存历史。
50%待验证大模型是无状态的，多轮对话中客户端必须在每次请求时重发完整历史消息，导致第N轮的输入长度约等于前N-1轮所有消息的累积，输入成本随轮次呈平方级增长。
50%待验证单轮对话与多轮对话的区别在于上下文记忆与状态管理，突破限制通常需要在服务端维护会话历史并引入工具调用机制
50%待验证评估Agent的多轮对话流程的整体质量比评估单个回答更复杂
50%待验证现代对话系统通常引入槽填充（Slot Filling）机制或有状态的对话管理器来追踪多轮交互上下文
50%