本文详解如何修正 python 中因 try-except 位置错误导致的循环中断问题，通过正确嵌套 while 循环与异常处理，构建可长期运行、支持用户输入退出的 llm 对话系统。
本文详解如何修正 python 中因 try-except 位置错误导致的循环中断问题，通过正确嵌套 while 循环与异常处理，构建可长期运行、支持用户输入退出的 llm 对话系统。
在使用 Ollama 进行本地大模型交互时，一个常见误区是将 while True 循环置于 try 语句外部，导致整个对话流程仅执行一次后即退出——即使逻辑上期望的是“持续接收用户输入 → 发送至模型 → 流式打印回复 → 记录上下文 → 直至输入 'exit'”。根本原因在于：原代码中 try...except 包裹了整个 while True 块，一旦内部发生未捕获异常（如网络中断、模型响应格式异常），程序直接跳出 try，终止循环；而即使无异常，break 仅退出 while，但后续代码不再执行，看似“只运行一次”的表象实为结构设计缺陷。
正确的做法是：将 while True 作为主控制流，把所有需重复执行且可能出错的逻辑（含用户输入、API 调用、流式解析、消息追加）统一放入 try 块内，使每次迭代都具备独立的异常隔离能力。以下是重构后的核心逻辑：
def chat_with_data(data):
# 初始化系统消息和初始数据消息
messages = [
{
"role": "system",
"content": "You are given some data and you have to analyze the data correctly. "
"If the user asks for any output, provide it strictly based on the data and their question. "
"Otherwise, do not generate an answer."
},
{
"role": "user",
"content": data
}
]
while True:
try:
user_input = input("Enter your message: ")
if user_input.lower() == 'exit':
print("Exiting the chat.")
break
# 追加用户新消息
messages.append({"role": "user", "content": user_input})
# 调用 Ollama 模型（流式响应）
assistant_message = ""
ollama_response = ollama.chat(
model='llama3.2',
messages=messages,
stream=True
)
# 流式接收并实时打印
for chunk in ollama_response:
if 'message' in chunk and 'content' in chunk['message']:
content = chunk['message']['content']
assistant_message += content
print(content, end="", flush=True) # 更精准的流式输出
print() # 换行，提升可读性
# 将完整助手回复追加到上下文
messages.append({"role": "assistant", "content": assistant_message})
except KeyboardInterrupt:
print("\nDetected Ctrl+C. Exiting gracefully...")
break
except Exception as e:
print(f"\nError during interaction: {e}")
# 可选：清空最近失败的对话片段以避免污染上下文
if len(messages) > 2:
messages = messages[:-2] # 回退最后一条 user + assistant
continue # 继续下一轮，不中断循环
# 启动流程
data = data_input()
chat_with_data(data)
✅ 关键改进点说明：
-
循环层级合理：
while True是最外层控制结构，确保对话可持续；try...except精准包裹每轮交互逻辑，单次失败不影响整体流程。 -
流式输出优化：使用
print(content, end="", flush=True)替代累积打印，实现真正的逐字/逐 token 响应效果，避免重复刷屏。 -
健壮的异常处理：显式捕获
KeyboardInterrupt（Ctrl+C），并提供上下文回滚策略（如移除失败的 user/assistant 对），防止错误消息污染后续对话。 -
退出机制清晰：
user_input.lower() == 'exit'判断放在try内部首行，确保退出指令总能被及时响应，不受异常干扰。
⚠️ 注意事项：
- 若
data_input()返回空或非字符串数据，建议在chat_with_data()开头增加校验（如if not isinstance(data, str) or not data.strip(): raise ValueError("Invalid input data")）。 - 长时间运行时，
messages列表会不断增长，可能触发模型上下文长度限制。生产环境中应加入历史截断策略（如保留最近 5 轮对话）。 -
ollama.chat(..., stream=True)的返回结构依赖 Ollama 版本，请确保使用 ≥0.1.32；若字段名变更（如chunk['message']→chunk['response']），需同步调整键访问逻辑。
通过上述重构，你的程序将真正成为一个稳定、可控、用户友好的本地 LLM 交互终端。
