LlamaIndex 框架中的一个 高级多轮对话引擎——CondensePlusContextChatEngine

from llama_index.core.chat_engine import CondensePlusContextChatEngine

从 llama_index.core.chat_engine 这个模块中，导入了一个聊天引擎类：CondensePlusContextChatEngine。

---

✅ 什么是 CondensePlusContextChatEngine？

这是 LlamaIndex 框架中的一个 高级多轮对话引擎，它的核心功能是：

在用户提问时，先自动总结当前聊天历史，再结合检索到的上下文信息一起传入 LLM（大语言模型）进行回答。

它是下面这两个功能的组合：

功能	描述
💡 Condense Question	自动把“用户带历史的 follow-up 问题”转换成一个独立完整的问题（例如 “他是谁？” → “Elon Musk 是谁？”）
🔍 Plus Context	在提问时，会结合向量索引中检索出来的上下文，比如 PDF、网页、文档内容等

📌 所以这个引擎特别适合问答系统中的 带历史记忆 + 文档知识问答 场景。

---

✅ 运行流程图（简化版）

用户问题 + 聊天历史
        ↓
 [Condense] → 转换为完整问题
        ↓
 [Context Retrieval] → 向量数据库检索文档片段
        ↓
 [Final Prompt] → 把“重写后的问题 + 检索内容”拼到 prompt 里
        ↓
 [LLM Answer] → 调用大模型，返回回答

---

✅ 示例代码

假设你已经构建好了 index（索引），下面是怎么创建并使用这个引擎：

from llama_index.core import VectorStoreIndex
from llama_index.core.chat_engine import CondensePlusContextChatEngine

# 假设你已经有一个 index（向量索引）
index = VectorStoreIndex.from_documents(documents)

# 创建 Chat Engine
chat_engine = CondensePlusContextChatEngine.from_defaults(index=index)

# 开始对话（带记忆）
response = chat_engine.chat("乔布斯是哪一年出生的？")
print(response)

之后你可以继续调用 .chat(...) 实现多轮问答，它会自动带上历史消息，还会调用文档索引做上下文补充。

---

总结一句话：

CondensePlusContextChatEngine 是一个适合多轮对话的问答引擎，会“自动补全问题 + 利用文档上下文 + 聊天历史”，适合构建 RAG（Retrieval-Augmented Generation）类型的聊天机器人。

---

补充：

[Final Prompt] → 把“重写后的问题 + 检索内容”拼到 prompt 里

那么这里 " 重写后的问题 " 是怎么重写的呢？

---

🌱 总结：

“重写后的问题”是由大模型（LLM）根据当前用户提问 和之前的对话历史上下文，自动生成的一个完整、独立的问题句子。

这一步称为：

🔁 Condense Question（问题重写）

---

📌 为什么要重写问题？

在多轮聊天中，用户常说“他是谁？”、“那个公司还在吗？”、“继续说”——这些话如果脱离上下文，大模型无法理解：

举个例子：

用户第一问：乔布斯是谁？
用户第二问：他什么时候去世的？

我们不能直接拿“他什么时候去世的？”去检索知识或者问模型 —— 它根本不知道“他”是谁。

所以我们要把它自动转换成：

“乔布斯是什么时候去世的？”

这样模型才能准确回答！

---

🛠️ 怎么实现的？

在 CondensePlusContextChatEngine 中，这一步由一个专门的 Prompt Template + LLM 完成。

🔨 主要函数：

from llama_index.core.chat_engine.condense import CondenseQuestionAgent

它内部使用了一个提示词（prompt），示例大致如下：

Given the following conversation history and a follow-up question,
rewrite the follow-up question to be a standalone question.

Chat History:
User: 乔布斯是谁？
Assistant: 他是苹果公司创始人之一...

Follow-up question:
他什么时候去世的？

Rewritten standalone question:
乔布斯是什么时候去世的？

这个 prompt 会发送给大语言模型（比如 OpenAI GPT-3.5/4，或者你自己的模型），然后模型生成一个 可独立理解的问题。

---

✏️ 实际例子：

假设用户对话历史是：

User: 请告诉我 OpenAI 的 CEO 是谁？
Assistant: 是 Sam Altman。
User: 他之前是做什么的？

那么 condense 后的提问就是：

Sam Altman 之前是做什么的？

---

🔄 工作流程在代码中的体现：

在 CondensePlusContextChatEngine 中，这一步由 CondenseQuestionAgent 自动处理，具体你可以查看这个类：

from llama_index.core.chat_engine.condense import CondenseQuestionAgent

你也可以自定义 condense 逻辑，比如换成中文 prompt、换 LLM、调整历史上下文数量等。

---

🧠 记忆点

名词	作用
CondenseQuestionAgent	负责把“模糊问题”转换成“清晰独立问题”
CondensePlusContextChatEngine	整合了 Condense + 上下文检索 + 聊天引擎
“重写问题”	是 RAG 成功的第一步：让模型能看懂你到底问什么

---

我们也可以看它内部的源码自己动手改对prompt 改进。