必须主动构造并维护对话历史，不能依赖模型自动记忆；推荐用ChatSession快速搭建带记忆的Bot原型，需复用同一chat实例、正确配置API密钥与模型版本，并通过序列化history实现跨单元格持久化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在Jupyter Notebook中让Gemini模型记住上一轮的提问和回答，从而支持连续追问、状态延续、任务分步推进，必须主动构造并维护对话历史，不能依赖模型自动记忆。
用ChatSession快速搭建带记忆的Bot原型
这是最轻量、最推荐的入门方式，适合单Notebook内快速验证多轮逻辑。
第一步：安装并导入SDK，执行 pip install google-generativeai（若未安装）→ 启动Notebook后运行 import google.generativeai as genai。
第二步：配置API密钥，调用 genai.configure(api_key="your_api_key_here")；【密钥必须正确且未过期，否则后续所有请求均返回401】。
第三步：初始化支持聊天的模型实例，必须指定带“-latest”后缀的版本，例如 model = genai.GenerativeModel("gemini-1.5-flash-latest")；旧版如 "gemini-pro" 不支持 ChatSession 接口，会直接报错 AttributeError。
第四步：调用 chat = model.start_chat() 创建会话实例 → 此时 chat.history 为空列表，但已准备好接收消息。
第五步：对同一 chat 实例反复调用 chat.send_message("用户新问题")；每次调用后，chat.history 自动追加 user/model 两条记录。这一步操作起来很简单，直接把字符串传进去就行。
⚠️ 注意：如果在循环或多次单元格运行中每次都写 chat = model.start_chat()，那就等于每轮都新建会话，历史永远只有当前这一条——【必须复用同一个 chat 实例】。
手动拼接message列表精确控制上下文结构
当你需要调试原始请求、对接已有消息格式，或绕过SDK默认行为时，此方法更灵活可靠。
方法一：显式标注角色 + 时间序拼接
使用AIsa生成图像与视频。仅需一个API密钥即可调用Gemini 3 Pro Image（图像）和Qwen Wan 2.6（视频）。
构造一个字典列表，每条消息含 role 和 parts 字段；role 必须严格为 "user" 或 "model"；首条必须是 user；相邻消息 role 不能重复。
方法二：插入分隔符增强结构识别
在每轮消息之间加入统一符号（如 ---），并在系统提示词里声明：“请根据以下用‘---’分隔的对话历史作答”。实测发现 Gemini 对这种视觉锚点敏感度高于纯换行，尤其在长历史中能减少角色混淆。
方法三：动态截断+关键信息重申
当 messages 列表 token 超过 4096，从开头逐轮移除最旧消息，但遇到含变量指代（如“那个参数”“刚才的文件名”）的轮次，必须把对应实体值提取出来，以“当前上下文：文件名为 report_v2.xlsx”形式补在末尾。否则模型会因丢失指代对象而胡猜。
跨单元格/跨运行持久化会话状态
Notebook重启、Kernel重置或切换Cell执行时，ChatSession对象会丢失。要保持会话连续性，必须外挂存储。
① 每次 send_message 后，立即调用 chat.history 获取当前 message 列表；
② 用 json.dumps(chat.history, ensure_ascii=False) 序列化该列表，生成纯文本快照；
③ 将快照存入本地变量、JSON文件或内存字典（如 session_store = {}），以唯一 session_id（例如 "notebook_user_001"）为 key；
④ 下次需要恢复会话时，反序列化该快照，传给 model.start_chat(history=loaded_history) —— 这一步必须显式传入 history 参数，否则 SDK 不会恢复旧记录。
