Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.

Multi-turn memorizzazione nella cache delle conversazioni

Per le applicazioni con conversazioni a turni multipli, lo stesso messaggio utente può avere significati diversi a seconda del contesto. Ad esempio, «Dimmi di più» in una conversazione su Valkey significa qualcosa di diverso da «Dimmi di più» in una conversazione su Python.

La sfida

Single-prompt la memorizzazione nella cache funziona bene per le query senza stato. Nelle conversazioni a più turni, è necessario memorizzare nella cache l'intero contesto della conversazione, non solo l'ultimo messaggio:

# "Tell me more" means nothing without context
# Conversation A: "What is Valkey?" -> "Tell me more"  (about Valkey)
# Conversation B: "What is Python?" -> "Tell me more"  (about Python)

Strategia: chiavi di cache sensibili al contesto

Invece di incorporare solo l'ultimo messaggio dell'utente, incorpora un riepilogo dell'intero contesto della conversazione. In questo modo, domande di follow-up simili in flussi di conversazione simili possono riutilizzare le risposte memorizzate nella cache.

def build_context_string(messages: list) -> str:
    """Build a cacheable context string from conversation messages."""
    # Use last 3 turns (6 messages: user + assistant pairs)
    recent = messages[-6:]
    parts = []
    for msg in recent:
        role = msg["role"]
        content = msg["content"][:200]  # Truncate long messages
        parts.append(f"{role}: {content}")
    return " | ".join(parts)

Per-user isolamento della cache con filtri TAG

Utilizza i campi TAG per isolare le conversazioni memorizzate nella cache per utente, sessione o altre dimensioni. Ciò impedisce che le conversazioni memorizzate nella cache di un utente vengano restituite a un altro utente:

# Create index with TAG field for per-user isolation
valkey_client.execute_command(
    "FT.CREATE", "conv_cache_idx",
    "SCHEMA",
    "context_summary", "TEXT",
    "response", "TEXT",
    "user_id", "TAG",
    "turn_count", "NUMERIC",
    "embedding", "VECTOR", "HNSW", "6",
    "TYPE", "FLOAT32",
    "DIM", "1024",
    "DISTANCE_METRIC", "COSINE",
)

Ricerca con filtro ibrido (TAG + KNN):

def lookup_conversation_cache(messages: list, user_id: str, threshold: float = 0.12):
    """Search cache for similar conversation contexts, scoped to a user.

    Note: FT.SEARCH with COSINE distance returns a distance score where
    0 = identical and 2 = opposite. A lower score means higher similarity.
    The threshold here is a maximum distance: only return results closer
    than this value.
    """
    context = build_context_string(messages)
    query_vec = get_embedding(context)

    # Hybrid search: filter by user_id TAG + KNN on context embedding
    results = valkey_client.execute_command(
        "FT.SEARCH", "conv_cache_idx",
        f"@user_id:{{{user_id}}}=>[KNN 1 @embedding $query_vec]",
        "PARAMS", "2", "query_vec", query_vec,
        "DIALECT", "2",
    )

    if results[0] > 0:
        fields = results[2]
        field_dict = {fields[j]: fields[j+1] for j in range(0, len(fields), 2)}
        distance = float(field_dict.get("__embedding_score", "999"))
        if distance < threshold:  # Lower distance = more similar
            return {"hit": True, "response": field_dict.get("response", ""), "distance": distance}

    return {"hit": False}

Strategie di isolamento della cache