各位同仁、技术爱好者们： 欢迎来到今天的讲座，我们将深入探讨一个在构建智能对话系统，特别是与大型语言模型（LLM）结合时，至关重要的概念——“实体记忆”（Entity Memory）。我们将从编程专家的视角，剖析实体记忆的本质、其在对话上下文维护中的作用，并重点关注如何利用命名实体识别（NER）技术来动态构建和更新一个知识图谱，从而赋予对话系统超越短期记忆的“长期理解力”。 1. 对话中的上下文挑战：为什么我们需要实体记忆？ 大型语言模型（LLM）如GPT系列，无疑在自然语言理解和生成方面取得了突破性进展。它们能够生成流畅、连贯的文本，并对各种指令做出响应。然而，LLM在实际对话系统应用中面临一个核心挑战：它们的“记忆”是有限的。 当前LLM的对话能力主要依赖于其“上下文窗口”（Context Window）。这意味着，LL模型在生成当前回复时，只能回顾和处理最近的若干个对话回合。一旦对话内容超出这个窗口，早期的信息就会被“遗忘”。这导致了几个问题： 指代消解困难： 当用户说“他去了哪里？”时，如果“他”在上下文窗口之外，LLM将无法知道“他”指的是谁。 长期上下文丢失： 跨多轮对话的 …