理一下思路吧。
当前对话消息分为包含一条user和一条assistant的组，删除键和标记键会同时作用与这一组上。
删除键会删除块、历史记录、会话记录和量化记录。
想要同步保持数据一致确实很麻烦。如果把会话记录特定截取历史记录后n条，每次删除等操作刷新页面，就能省去块和会话记录的管理，确保数据一致。
但板块消息和AI消息中还会添加不一样的系统信息，比如有些条目是给用户看的——“网络连接错误”，而有些是给AI的——“工具调用返回结果：*”
要改什么东西真是太繁琐了，因为回退成本高，一不小心可能不能用了，连返回原来的状态都费劲。
所以我还没改。
量化索引每次删除局部条目，然后遍历更新量化索引。因为条目不多，操作简单，时间复杂度为O（n），所以没那么耗时，但是占用空间大，可能导致闪退，原因不清楚，因为删除键用的并不频繁——可能连续删个两三次就会闪退。
以防万一，我给fragment通知删除函数的地方加了锁。
在添加计分机制后，删除更不必要了，因为这时候不合理的回答反而是个负面激励，让AI回答避免向这一方向靠拢。
对话分为1-5分，1分极差，5分极好，默认3分。
这样在每次回顾历史记录时，AI会做出合理判断，而不是盲目依赖历史记录结果。
但是这个评分应该加在哪里呢？
加在user里并不合适，因为对应的是上一次的结果的评价，追寻历史时看不到。加在assistant里，有让AI错误模仿的风险。加在system里——首先就不推荐频繁加入system，可能影响权重，并且随时可能丢失。
那可以这样，消息组中添加此属性 score 因为相关记忆和标记读取时都是直接以文本格式添加在system里——
对啊！权重是在这里被削弱了！（猜测）所以system与历史记录产生冲突而Alice选择忽视了system的prompt。
不行，看来，标记历史和相关历史直接加入历史数组很有必要。
[晚八点追加：将历史统一放在消息列表完成，有优有劣。优势是系统提示词权重确实更高了，并且AI的响应处理似乎更快了。劣势是回复不生动了，先前对话风格直接加在系统提示词里，丰富度很高，AI回复很丰满；现在权重倾向到了最近几条，有些呆滞。不过持续对话后，效果有所改善。总结：更可控，但风格更单一，不容易改变。这可能说明了起码在当前阶段，模板法会有比较好的作用]
但同时，评分究竟应该加在哪这个问题更困难了。
再议。
优化对话消息组和评分系统后，接下来应该考虑的是数据上传云端。
监听MySql或Monogodb数据库变化实时更新内容。
但这一工作同样有问题。需要把历史记录量化到本地。这件事依旧是比较困难的，我们肯定不能每次请求都量化，也不能每次初始化都量化。所以我们必须有一个本地量化好的库。
这没问题，只要我们上传了历史记录到数据库，数据就是统一的，问题在于量化文本与历史记录的统一。也就是，每次从历史记录监听到变更，需要把这种变更反映到本地会话历史和量化历史上。我们要动态变更量化历史，对其重排序。
噢，这样听起来倒也没太大问题，逻辑没怎么变动，并且涉及的更改范围也不大，所以初始量化依旧是很好的解决办法。
不过，需要注意，这一过程为了减少延时会有很多异步，那就要上好锁避免操作互相干扰。
PC端封装软件（相比安卓）并不麻烦，因为先前前后端用的很方便，所以我一直没写软件。用js+electron，很快。
那么，这就是双端同步的问题，解决了。
我之前针对情绪（或者性格）调节做过很多尝试，轮盘法，响应法，模板法。我在用的时候没想过原来现在前沿的领域也在用，因为这些方法很粗糙，用是因为效果明显，但同时也有很大局限性。（我们可以对任何我们觉得不怎么高明的方法说‘有很大局限性’，既然我们知道这些方法终会废弃）
需要一套情绪算法
后来我发现我对情绪或者性格没有那么依赖，而AI本身的响应已经基本满足正常对话需要，我就去掉了。因为我对一个AI都如此苛责。
AI很依赖先前的对话。模板法很有作用。我之前说‘可能有预料之外的效果’，我低估了它的依赖程度。
但也必然会有问题。你使劲调参数都无法拜托它对历史对话的依赖，比如说限制对话max_tokens，但由于过去始终长篇对话，导致现在对话只有截断。
再比如风格固定了的情况下，你调整tempretrue对它的影响在表现上微乎其微。
现在对话，历史记忆5组 标记5组，消息5组，一共最多30条对话，一次是有上千tokens的。
我没想出来有什么优化的办法，能正常连接都谢天谢地了。
语义检索用到现在呢，满足简单的一般需求了，比如说问一些过去的事，如果询问简单，关键词明确，那一般是没有问题的。
但是应该做出改进了。
更合理的语义排序算法
建立一个有限长度的语义队列。
方法1 每次对话请求，分别对当前用户发言和最近几条消息的总和进行量化。依据相似度排序，加入队列。
方法2 假设队列长度为n，每次检索当前发言语义最相近的条目，由相似度从低到高加入0.6n，先前超出的被挤出队列。这样保留了先前相似度最高的0.4n个条目
方法1因为包含了AI语句量化，不确定精准度。但范围能扩大。
方法2语义精准，但不一定能获取想要的，因为搜索面被每次发言固定了。
我的对话由于被输入限制着，因此不得不做出妥协，如果有自己的模型，这些都几乎是不必要的考虑，我当然以体验为优先。
此方悬停