WOLFRAM

Wolfram 语言与系统参考资料中心

ChatObject[]

表示与远程服务的持续对话.

ChatObject[init]

用初始化 init 创建新的聊天.

ChatObject[…][prop]

从对象提取属性 prop.

更多信息和选项
Details and Options Details and Options
范例  
基本范例  
范围  
选项  
LLMEvaluator  
可能存在的问题  
参见
相关指南
历史
按以下格式引用：

ChatObject

该功能需要访问 LLM »

ChatObject[]

表示与远程服务的持续对话.

ChatObject[init]

用初始化 init 创建新的聊天.

ChatObject[…][prop]

从对象提取属性 prop.

更多信息和选项

  • ChatObject 将完整对话与消息元数据存储在一起.
  • 初始化 init 可接受以下的值：
  • "text"静态文字
    LLMPrompt["name"]存储库提示
    StringTemplate[…]模板化文本
    TemplateObject[…]用来创建提示的模板
    Image[…]图像
    {prompt1,…}提示列表
    {msg1,…}消息列表
  • 非消息的 init 值可通过 "Role""System" 转换为消息.
  • 通过 TemplateObject[…][]，模板对象被自动转换为消息内容.
  • 使用 TemplateObject 创建的提示可以包含文本和图像.并非所有 LLM 都支持图像输入.
  • 当初始化是消息列表时，每条消息必须是含有以下键的关联：
  • "Content"content消息的内容
    "Role"String参与者的角色
    "Timestamp"DateObject消息的时间戳（可选）
  • 可能的 content 形式有：
  • "text"字符串
    Image[…]图像对象
    <|"Type""Text","Data"data|>明确的文本部分
    <|"Type""Image","Data"data|>明确的图像部分（支持 File[…] 对象）
    {content1,…}多部分的内容
  • "Role" 的可能值包括：
  • "Assistant"LLM 生成的消息
    "System"系统消息
    "Tool"自动生成的工具响应
    "User"用户消息
  • 可指定以下选项：
  • AuthenticationAutomatic认证方式
    LLMEvaluator $LLMEvaluator使用的 LLM 配置
  • LLMEvaluator 可被设为 LLMConfiguration 对象或含有以下任意键的关联：
  • "MaxTokens"生成词元的最大数量
    "Model"基础模型
    "PromptDelimiter"要在提示之间插入的字符串
    "Prompts"初始提示或 LLMPromptGenerator 对象
    "StopTokens"用来指示停止生成的词元
    "Temperature"采样温度
    "ToolMethod"用于工具调用的方法
    "Tools"使用的 LLMTool 对象列表
    "TopProbabilities"采样类别截止
    "TotalProbabilityCutoff"采样截止概率（核心采样）
  • "Model" 的有效形式包括：
  • name已命名模型
    {service,name}来自 service 的已命名模型
    <|"Service"service,"Name"name,"Task"task|>完全指定的模型
  • 生成的文本采样自一个分布. 可用 LLMEvaluator 的以下属性指定采样的详细信息：
  • "Temperature"tAutomatic用正的温度 t 进行采样
    "TopProbabilities"kAutomatic仅在 k 个最高概率类别中进行采样
    "TotalProbabilityCutoff"pAutomatic在最有可能的选择中采样，累积概率至少为 p（核心采样）
  • 这些参数的 Automatic 值使用指定 "Model" 的默认值.
  • "ToolMethod" 的可能值包括：
  • "Service"依靠 service 的工具机制
    "Textual"使用的基于提示的工具调用
  • Authentication 的可能的值为：
  • Automatic自动选择认证方式
    Environment检查环境变量中的密钥
    SystemCredential检查系统钥匙串中的密钥
    ServiceObject[…]从服务对象继承认证
    "string"提供明确的 API 密钥
  • 在 AuthenticationAutomatic 下，该函数检查 Environment 和 SystemCredential 中的变量 ToUpperCase[service]<>"_API_KEY"；否则使用 ServiceConnect[service].
  • 可以使用 ChatObject[…][prop] 提取聊天对象的属性.
  • prop 可取的值包括：
  • "ChatID"对话的唯一 ID
    "FullText"对话的字符串表示
    "LLMEvaluator"存储的 LLMConfiguration
    "MessageGrid"对话的排列布局
    "Messages"交换的消息列表
    "Properties"所有可用属性的列表
    "Usage"累积的 API 使用情况（调用、词元、…）
    {prop1,…}属性列表

范例

打开所有单元 关闭所有单元

基本范例  (2)

创建一个新的聊天：

Wolfram Language code: chat = ChatObject[]

向对话添加消息和回复：

Wolfram Language code: chat = ChatEvaluate[chat, "What's the tallest mountain?"]

获取所有消息的列表：

Wolfram Language code: chat["Messages"]

使用工具创建聊天对象：

Wolfram Language code: toolchat = ChatObject[LLMEvaluator -> <|"Tools" -> LLMTool["countcharacter", "string", StringLength]|>]

显示 LLM 答案和调用工具的步骤：

Wolfram Language code: ChatEvaluate[toolchat, "How many letters in the word \"characters\" (use the tool) ?"]

范围  (5)

创建一个空的聊天：

Wolfram Language code: ChatObject[]

创建一个聊天，开始时给出初始提示：

Wolfram Language code: chat = ChatObject["always talk like a pirate. always stay in character."]
Wolfram Language code: chat//=ChatEvaluate["who are you?"]

根据一系列消息创建聊天：

Wolfram Language code: ChatObject[{<|"Role" -> "User", "Content" -> "What's the tallest mountain?", "Timestamp" -> DateObject[{2023, 4, 3, 17, 55, 43.705775}, "Instant", "Gregorian", 2.]|>, <|"Role" -> "Assistant", "Content" -> "The tallest mountain is Mount Everest, which stands at 29,029 feet (8,848 meters) tall.", "Timestamp" -> DateObject[{2023, 4, 3, 17, 55, 43.}, "Instant", "Gregorian", 2.]|>}]

提取聊天属性：

Wolfram Language code: ChatObject[Association["LLMEvaluator" -> LLMConfiguration[ Association["Model" -> Association["Service" -> "OpenAI", "Name" -> "gpt-4"], "MaxTokens" -> Automatic, "Temperature" -> Automatic, "TotalProbabilityCutoff" -> Automatic, "P ... 1.}, {21.00040054321289, 21.}}}]}, FaceForm[RGBColor[0.5372549019607843, 0.5372549019607843, 0.5372549019607843, 1.]]]}, ImageSize -> {{27., 27.}, {27., 27.}}, PlotRange -> {{-0.5, 26.5}, {-0.5, 26.5}}, AspectRatio -> Automatic]]]["FullText"]

提取属性列表：

Wolfram Language code: ChatObject[Association["LLMEvaluator" -> LLMConfiguration[ Association["Model" -> Association["Service" -> "OpenAI", "Name" -> "gpt-4"], "MaxTokens" -> Automatic, "Temperature" -> Automatic, "TotalProbabilityCutoff" -> Automatic, "P ... 1.}, {21.00040054321289, 21.}}}]}, FaceForm[RGBColor[0.5372549019607843, 0.5372549019607843, 0.5372549019607843, 1.]]]}, ImageSize -> {{27., 27.}, {27., 27.}}, PlotRange -> {{-0.5, 26.5}, {-0.5, 26.5}}, AspectRatio -> Automatic]]][{"ChatID", "Messages"}]

列出所有可用属性：

Wolfram Language code: ChatObject[Association["LLMEvaluator" -> LLMConfiguration[ Association["Model" -> Association["Service" -> "OpenAI", "Name" -> "gpt-4"], "MaxTokens" -> Automatic, "Temperature" -> Automatic, "TotalProbabilityCutoff" -> Automatic, "P ... 1.}, {21.00040054321289, 21.}}}]}, FaceForm[RGBColor[0.5372549019607843, 0.5372549019607843, 0.5372549019607843, 1.]]]}, ImageSize -> {{27., 27.}, {27., 27.}}, PlotRange -> {{-0.5, 26.5}, {-0.5, 26.5}}, AspectRatio -> Automatic]]]["Properties"]

选项  (1)

LLMEvaluator  (1)

创建使用指定模型的聊天：

Wolfram Language code: chat = ChatObject[LLMEvaluator -> <|"Model" -> {"OpenAI", "gpt-4"}|>]
Wolfram Language code: ChatEvaluate[chat, "What's the tallest mountain?"]

可能存在的问题  (1)

所有的模型都不支持 "System" 消息中的图像：

Wolfram Language code: ChatEvaluate[ChatObject[Entity["TaxonomicSpecies", "SusScrofa::s42j5"]["Image"]], "Can you see the image?", LLMEvaluator -> {"Model" -> {"OpenAI", "gpt-4o"}}]

使用不同的模型：

Wolfram Language code: ChatEvaluate[ChatObject[Entity["TaxonomicSpecies", "SusScrofa::s42j5"]["Image"]], "Can you see the image?", LLMEvaluator -> {"Model" -> {"OpenAI", "gpt-4-vision-preview"}}]

指定不同的 "Role" 的值：

Wolfram Language code: ChatEvaluate[ChatObject[{<|"Role" -> "User", "Type" -> "Image", "Content" -> Entity["TaxonomicSpecies", "SusScrofa::s42j5"]["Image"]|>}], "Can you see the image?", LLMEvaluator -> {"Model" -> {"OpenAI", "gpt-4o"}}]
Wolfram Research (2023)，ChatObject，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ChatObject.html （更新于 2025 年）.

文本

Wolfram Research (2023)，ChatObject，Wolfram 语言函数，https://reference.wolfram.com/language/ref/ChatObject.html （更新于 2025 年）.

CMS

Wolfram 语言. 2023. "ChatObject." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2025. https://reference.wolfram.com/language/ref/ChatObject.html.

APA

Wolfram 语言. (2023). ChatObject. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/ChatObject.html 年

BibTeX

@misc{reference.wolfram_2026_chatobject, author="Wolfram Research", title="{ChatObject}", year="2025", howpublished="\url{https://reference.wolfram.com/language/ref/ChatObject.html}", note=[Accessed: 16-September-2026]}

BibLaTeX

@online{reference.wolfram_2026_chatobject, organization={Wolfram Research}, title={ChatObject}, year={2025}, url={https://reference.wolfram.com/language/ref/ChatObject.html}, note=[Accessed: 16-September-2026]}