大家好，我是【同学小张】。持续学习，持续干货输出，关注我，跟我一起学AI大模型技能。
大多数LLM应用程序都有一个会话接口。会话的一个重要组成部分是能够参考会话早期的信息（上文信息）。这种存储过去互动信息的能力就称为“记忆（Memory）”。LangChain提供了许多用于向系统添加Memory的封装。
目前 LangChain 中大多数的Memory封装还都是测试版本。成熟的Memory主要是
ChatMessageHistory。
0. 认识Memory
Memory，通俗的讲，就是记录对话的上下文信息，在有需要的时候补充到用户的提问中去。看上图，简单说下Memory的使用流程：
- 当用户输入一个问题，首先从Memory中读取相关的上文信息（历史对话信息），然后组装成一个Prompt，调用大模型，大模型的回复作为历史对话信息保存在Memory中，供之后的对话使用。
下面让我们来看一看LangChain的Memory到底长什么样。
0. 对话上下文ConversationBufferMemory
这是最简单的Memory形式，保存形式类似是chat message的数组。
使用方法如下：
save_context可以保存信息到memory中load_memory_variables获取memory中的信息chat_memory.add_user_message和chat_memory.add_ai_message也可以用来保存信息到memory中
from langchain.memory import ConversationBufferMemory, ConversationBufferWindowMemory history = ConversationBufferMemory() history.save_context({"input": "你好啊"}, {"output": "你也好啊"}) print(history.load_memory_variables({})) history.save_context({"input": "你再好啊"}, {"output": "你又好啊"}) print(history.load_memory_variables({})) history.chat_memory.add_user_message("你在干嘛") history.chat_memory.add_ai_message("我在学习") print(history.load_memory_variables({})) ## 或者直接使用 ChatMessageHistory 添加memory，效果一样 # from langchain.memory import ChatMessageHistory # chat_history = ChatMessageHistory() # chat_history.add_user_message("你在干嘛") # chat_history.add_ai_message("我在学习") # print(history.load_memory_variables({}))
运行结果：
上面的结果，可以看到返回的信息永远都是以“history”开头的，怎么修改这个key呢？只需要修改下面一句，填入 memory_key 参数。
history = ConversationBufferMemory(memory_key="chat_history_with_同学小张")
运行结果：
返回的结果还有一点值得注意，那就是它目前返回的是一个json字符串，这是可以直接给LLMs对话输入的。但对于ChatModels对话，它接收的参数是Chat Messages数组。我们可以通过改变参数return_messages=True，让这个memory的返回变成Chat Messages数组。
history = ConversationBufferMemory(memory_key="chat_history_with_同学小张", return_messages=True)
返回结果：
1. 只保留k个窗口的上下文：ConversationBufferWindowMemory
ConversationBufferWindowMemory允许用户设置一个K参数，来限定每次从记忆中读取最近的K条记忆。
from langchain.memory import ConversationBufferWindowMemory window = ConversationBufferWindowMemory(k=1) window.save_context({"input": "第一轮问"}, {"output": "第一轮答"}) window.save_context({"input": "第二轮问"}, {"output": "第二轮答"}) window.save_context({"input": "第三轮问"}, {"output": "第三轮答"}) print(window.load_memory_variables({}))
运行结果：
2. 通过 Token 数控制上下文长度：ConversationTokenBufferMemory
ConversationTokenBufferMemory允许用户指定最大的token长度，使得从记忆中取上文时不会超过token限制。
from langchain.memory import ConversationTokenBufferMemory memory = ConversationTokenBufferMemory( llm=llm, max_token_limit=45 ) memory.save_context( {"input": "你好啊"}, {"output": "你好，我是你的AI助手。"}) memory.save_context( {"input": "你会干什么"}, {"output": "我什么都会"}) print(memory.load_memory_variables({}))
3. 更多记忆类型
- ConversationSummaryMemory: 对上下文做摘要
- ConversationSummaryBufferMemory: 保存 Token 数限制内的上下文，对更早的做摘要
- VectorStoreRetrieverMemory: 将 Memory 存储在向量数据库中，根据用户输入检索回最相关的部分
- ConversationEntityMemory：保存一些实体信息，例如从输入中找出一个人名，保存这个人的信息。
4. 总计
本文我们学习了 LangChain 的 Memory 记忆模块，可以看到它里面封装了很多的记忆类型，在项目中可以按需选用。但是也应该认识到，目前LangChain的记忆模块还不成熟，是测试版本。LangChain的快速迭代，需要我们时刻关注它的变化。
如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~
- 大家好，我是同学小张
- 欢迎 点赞 + 关注 👏，促使我持续学习，持续干货输出。
- +v: jasper_8017 一起交流💬，一起进步💪。
- 微信公众号也可搜【同学小张】 🙏
- 踩坑不易，感谢关注和围观
本站文章一览：
