LLM 多轮对话截断策略的迁移实践

你的聊天服务保留最近十二轮对话。这个"十二"曾经是经过计算的——来自一个你已不再使用的模型窗口。迁移目标窗口大数倍，所以直觉做法是保留更多轮次——但正是这个直觉做法，会在你当初为截断而优化的那些对话上，让答案质量下降。

你的策略编码的预算

"最近十二轮"是一个编译产物。曾经有人测量过一轮对话的平均长度，从窗口大小中减去固定开销，再做除法。这个除法的所有输入都特定于旧模型，但没有任何地方把这个常数旁边的输入记录下来。完整的预算公式是：

window
  − system prompt
  − tool schemas
  − retrieved documents
  − reserved output (max_tokens)
  − reserved reasoning (if the model thinks before answering)
  = tokens available for conversation history

其中两项容易被忘记，而且在迁移时都会咬你一口。reserved output 不是可选项：大多数 API 上，补全内容与输入共享同一窗口，所以一个慷慨的 max_tokens 直接从历史配额中扣除空间——这里的区别涉及 context window 与 max tokens 的概念。reserved reasoning 更新近，而且让人措手不及：在先思考再回答的模型上，思考 token 与可见回复一起计入 max_tokens，所以为非思考模型计算的历史预算完全没有留出这部分空间，导致回答被截断在句子中间。

为新模型重新推导

用标注了变量的公式来计算，代入你自己的数字。假设新模型有 1M token 窗口，你的 system prompt 和 tool schemas 在新分词器下共 6,000 token，你附加最多 20,000 token 的检索文档，并预留 16,000 token 用于输出（包括思考）。

available = 1,000,000 − 6,000 − 20,000 − 16,000 = 958,000 tokens

median turn (measured on your own logs, new tokenizer) = 420 tokens
958,000 / 420  ≈  2,280 turns

Compare against the old model:
  200,000 − 5,000 − 20,000 − 4,000 = 171,000
  171,000 / 350 ≈ 488 turns  — and you kept 12.

两个数字都很荒谬，而做算术的意义正在于此：旧的常数"十二"从来不是容量限制。它是一个穿着容量限制外衣的质量与成本决策。有人发现超过十几轮后答案变差或者账单变得离谱，于是将其编码为截断规则。所以迁移提出的问题不是"现在能容纳多少轮"，而是"质量与成本的权衡点是否还在同一个位置"。

在除法之前，先在目标模型自己的分词器上重新测量中位数轮长度。Token 数量是模型特定的，用错误的分词器计算出的历史预算，会因为两种词表的不同而产生偏差——看看迁移会对压缩比产生什么影响。

更大的窗口改变了模型看向哪里

这是容量计算会遗漏的部分。在长上下文中，检索精度在位置上并不均匀。Liu et al. 在 Lost in the Middle: How Language Models Use Long Contexts（arXiv:2307.03172，发表于 TACL）中指出，当相关信息位于输入开头或结尾时性能最高，而当位于中间时性能下降——且这种下降随上下文长度增加而加剧。后来的模型对长上下文的处理比那篇研究中的模型更好，厂商也发布了自己的长上下文评估，但这种效果的形状是注意力在长序列上的行为特性，而非已被修复的 bug。

这对于截断策略的影响是直接的。当你保留十二轮时，你保留的一切都在 prompt 末端附近，位于模型最可靠注意的区域。保留两百轮时，第九十轮在中间——技术上存在，实际上几乎不可见。你没有让那条信息更容易获取，而是让它出现在了更差的位置，而且你在每个请求上都为这个特权付出了代价。

第二个效应加剧了这一点。更长的历史包含更多矛盾：用户说过又收回的偏好、被推翻的决定、被纠正过的名字。在十二轮时，过期版本通常已经滑出窗口。在两百轮时，两个版本都存在，模型需要裁决。用户将此体验为助手"记住"了他们曾收回的东西。

检索优于填充的边界

有一个交叉点。低于它，保留原始轮次更简单、更便宜、更好。高于它，你应该从历史中选择而不是包含它。交叉点不是一个能从规格表上读出的 token 数量，但它受三个可观测事物的约束。

每轮成本。每个请求都重新发送整个历史。长度为 n 的历史在 n 轮对话中是按总 token 计费的二次方，而 prompt 缓存只能扁平化跨请求字节完全相同的前缀部分。在决定之前，先以新的历史长度计算你第 95 百分位对话的成本。

延迟。预填充大致与输入长度线性相关。一个交互式助手有首 token 响应时间预算，而超出这个预算的历史已经违背了产品需求，无论答案质量如何。

位置。最重要的检查，也是没人运行的检查：取那些答案依赖于早期说过的话的对话，测量模型在新的历史长度下是否仍然能正确回答。这正是一个多轮上下文丢失测试的形状，这是要首先写的测试。

新策略的样子

一个在窗口变化中存活的策略有三个层次，而不是一个截断点，并且它把重要内容保留在 prompt 两端——那里的位置效应是有利的。

固定的标题。关于对话的持久事实——用户声明的约束、所做决定、实体名称——作为一个紧凑块紧跟在 system prompt 之后。通过明确的摘要步骤更新而不是累积。这个块很小，位于前端，而且它是你最想让模型注意的东西。

逐字保留的尾部。完整的最近 k 轮，其中 k 的选择是为了对话连贯性而不是容量——代词解析和后续问题很少回溯超过几轮。这位于末端，另一个有利位置。

检索的中间部分。其他一切都按索引，在每个请求中根据与当前消息的相关性来选择，而不是按近因包含。两三个检索片段优于两百个原始轮次，成本只是零头，而且把相关内容放在尾部旁边而不是埋没在中间。

把三个都用 token 预算来表示，而不是轮次计数，并从页面顶部的公式推导预算。这样下一次窗口变化就是一个配置编辑加上重新计算的数字，而"我们应该保留多少轮"这个问题永远不需要从记忆中重新争论。

迁移 Prompt 压缩或摘要预处理器

模型变化后输出变长（或为空）

---