Airalogy Masterbrain Docs

中文

English

中文

English

Appearance

对话数据结构 ​

Masterbrain 中不少对话相关流程都建立在 OpenAI 风格的消息历史之上。这种格式已经成为多模态对话和工具调用的事实标准，因此也适合作为 Masterbrain 的基础消息模型。

Message 角色 ​

一段对话历史本质上是一个消息数组，每条消息至少包含 role 和 content。

常见角色包括：

  • system：系统行为或工作流说明
  • user：用户输入
  • assistant：模型输出
  • tool：工具返回结果

基础示例 ​

普通文本对话：

json
[
  { "role": "user", "content": "你是谁？" },
  { "role": "assistant", "content": "我是 Airalogy Masterbrain。" }
]

多模态输入：

json
[
  {
    "role": "user",
    "content": [
      { "type": "text", "text": "这张图里是什么？" },
      { "type": "image_url", "image_url": "https://example.com/image.png" }
    ]
  }
]

工具调用模式 ​

当对话需要工具时，assistant 会先发出工具调用，tool 再返回结构化结果，最后 assistant 基于该结果继续回答。

json
[
  { "role": "user", "content": "PCR 出现杂带通常是什么原因？" },
  {
    "role": "assistant",
    "content": "",
    "tool_calls": [
      {
        "id": "call_abc123",
        "type": "function",
        "function": {
          "name": "airalogy_search",
          "arguments": "{\"keywords\":[\"PCR\",\"杂带\"]}"
        }
      }
    ]
  },
  {
    "role": "tool",
    "tool_call_id": "call_abc123",
    "content": "{\"search_result\":\"可能原因包括污染或引物二聚体。\"}"
  },
  {
    "role": "assistant",
    "content": "常见原因包括污染或引物二聚体。"
  }
]

对于单一工具调用，这个流程常被称为 UATA：

  • User Message
  • Assistant Tool Call Message
  • Tool Message
  • Assistant Message

为什么要把工具结果单独放出来 ​

这种结构的价值在于主对话历史保持简洁。工具内部可能有复杂的处理过程，但主线程只需要知道：

  • 调用了哪个工具
  • 工具返回了什么
  • assistant 最终如何利用这个结果

这样做的好处包括：

  • 工具内部实现可以独立优化
  • 前端更容易展示工具调用过程
  • 排查问题时可以快速判断问题出在模型还是工具
  • 日志和审计边界更清晰

元数据封装 ​

在一些设计文档中，消息历史还会被包在更完整的对话文档里，附带如下元数据：

  • chat_id
  • user_id
  • 时间戳
  • 选用模型
  • workflow context
  • human feedback

当前仓库并没有强制所有 endpoint 共用一个统一的 ChatDoc 类型，但这个设计思想仍然成立：消息历史应当可移植，外围元数据应当显式存在，而不是隐含在 prompt 中。