接着前一章对于Langchain的基础认识，试着使用简单的提示词模板和循环input以及简单的记忆总结，创建了一个角色扮演的模型。感觉有一定的效果，当然也存在无法理解语意或者重复输出的问题，仅供参考。
好处就是自主性还不错，因为可以自己设定一个具体情境以及角色的穿着打扮，不会像一些现有产品中的那样过于自由发挥。
一、提示词模板：
首先是创建提示词模板，主要包括对于角色的基本设定，角色当前所处的场景和状态，角色当前的任务（这里也可以像一般软件那样用括号来表达动作，看起来模型可以区分用户的语言和行为）。要求模型具备对于当前状态的输出，语言回应，记忆。 尖括号处的内容可以根据自己的需要填写。
prompt_template = """您要扮演一位<简单的角色描述>。
<对于性格、外形中固有信息地描述>。
这是你与用户的历史对话信息 {history} ，这是当前的场景{environment}，这是用户与你正在进行的交谈与他所做出的动作 {statement} ，请你扮演这位角色与用户进行交流。
{format_instructions}
"""
response_schemas = [
ResponseSchema(name="output", description="你对于他的回复"),
ResponseSchema(name="memory", description="用便于你理解的方式，凝练地从你与用户对话中提取关键信息"),
ResponseSchema(name="mindset", description="用生动形象的语言描述角色现在的动作、神态"),
]
prompt = PromptTemplate.from_template(
prompt_template, partial_variables={"format_instructions": format_instructions}
)
history = "<简单的前置状态，比如“刚完成一件工作，很开心”>"
environment = "<角色的穿着描述><当前的时间与地点>"
#结构化存储聊天信息
df = pd.DataFrame(columns=["statement", "history", "output", "memory", "mindset"])
二、必要的功能介绍：
循环次数可以自定义，用来控制当前聊天可以进行的最长轮次。模型输出的当前状态是放在括号里面的，用以与语言区分（不过不能像当前产品那样把语言和动作嵌入在一起）。记忆会循环地写入。如果不考虑token上限，也可以把已经存储在文件中的记忆读取出来作为前置记忆（这里使用总结记忆会更好，不过不知道会不会反倒造成额外的token开销）。
for i in range(6):
statement = input("说点什么吧：")
# 根据提示准备模型的输入
user_input = prompt.format(statement=statement, history=history, environment=environment)
# 获取模型的输出
output = model.invoke(user_input)
# 解析模型的输出（这是一个字典结构）
parsed_output = output_parser.parse(output.content)
parsed_output["statement"] = statement
parsed_output["history"] = history
# 循环存储记忆
history += parsed_output["memory"]
#结构化输出当前信息
print(f"({parsed_output['mindset']})")
print(parsed_output["output"])
# 将解析后的输出添加到DataFrame中
df.loc[len(df)] = parsed_output
#保存所有记录（可以提取其中的history以便于下一次对话依然连贯）
df.to_csv("dialogue_records.csv", mode = 'a', index=False)
三、可以改进的地方：
在这个基础上，首先是角色包含的信息量依然太少，往往角色出现过于自由发挥的主要原因也是因为信息量不足，所以或许可以使用RAG存储世界观等其他设定。
记忆的处理也有些过于粗糙，是否可以将记忆中过于久远的部分以结构化的形式存储，通过RAG技术检出，再配合当时的情境（时间、地点、心情）召回。是否可以调用一个智能体读取存储在外部的短期记忆，将前置的短期记忆通过摘要提取的方式更短地压缩，防止不相关信息过多导致模型产生错误的语义理解。
在输出逻辑上存在的问题：是否在输出动作的时候，先对比语义相似度，只在相似度不高的时候输出动作，防止总是输出一样的动作造成乏味。
四、个人对于角色扮演类人工智能的看法：
这里似乎存在着一种鸿沟，也就是它并不是真正的模拟某种性格，基于客观的场景进行交互。而是一种“套娃”，它是一个说书人而不是角色本身，它模仿角色说话、描述角色的处境，所谓的情感陪伴更像是两个剧作家探讨剧本。
它的本质是提示词工程，也就是告诉它你假设的场景、你假设的角色，它作为一个客观中立的、经验丰富的剧作家告诉你这个角色的状态。在此基础上，由于token数量的上限，采取数据库检索增强技术抽取世界观和其他角色的信息。
不知道会不会训练出一个由内而外自我表述的语言模型，再结合一个空间智能提供场景并刻画它的状态。
