什么是对话记忆？
先来解释一下什么是对话记忆功能。 以下是来自ChatGPT的回答：
对话记忆功能是一种技术，使得应用程序或智能助手能够在一段时间内“记住”用户提供的信息，以便在后续对话中参考和使用。这种记忆可以让对话更加连贯，并使助手能够理解用户的背景和偏好，从而提供更加个性化和精准的回复。
对话记忆功能的用途
- 用户信息的持久化：记住用户提供的背景信息或个人偏好。例如，用户可以告诉助手他们喜欢什么类型的电影，助手就会在推荐内容时自动应用这些偏好。
- 上下文跟踪：在多轮对话中保持上下文一致性。比如，如果用户在前几轮对话中提到了一个任务或一个具体需求，助手在之后的对话中可以自然地参考该信息，而不需要用户重复说明。
- 更好地回答追问：在复杂的多轮对话中，当用户询问更详细的问题或追问之前提到的内容时，记忆功能使助手能更好地理解用户的意图。例如，如果用户在对话中问到某个推荐项目的“优缺点”，助手可以直接从先前的推荐内容中引用相关信息。
常见的实现方式
- 短期记忆：仅在当前对话会话中有效，随着会话结束即丢失，适用于临时会话。
- 长期记忆：保存跨对话的长期信息，例如用户的偏好、习惯等，适用于个性化体验。
对话记忆的挑战
- 隐私与安全：记忆功能需要妥善处理用户的数据，确保信息不会被滥用或泄露。
- 记忆过载：过多的信息存储可能会导致不必要的噪声，影响助手的回复质量，因此要精确选择保存的信息内容。
- 记忆更新：用户的偏好和需求会不断变化，因此需要支持记忆的更新、修改和删除。
通过Spring AI实现对话记忆功能
对话记忆是大模型应用开发中的一项基本功能。这里介绍的是短期记忆的实现，对于长期记忆的实现在理解了短期记忆的实现基础上，在做工程化方面的改造。
为了实现这个功能，我查阅了中文博客中介绍Spring AI如何实现对话记忆的方法。大多数方案都采用类似的思路：创建一个全局的HistoryMessages List对象，将之前的对话记录存储其中，然后在新对话中将原有对话历史添加到prompt中。然而，这种实现方式不仅存在安全隐患（设置为全局变量），而且缺乏优雅性。作为一名程序员，我的直觉告诉我：像Spring这样成熟的大型框架，不太可能没有内置大模型最常用的对话记忆功能，这似乎有些说不过去。
本着打游戏必须通关的精神，我去翻阅了Spring AI的官方文档，还是比较轻松的找到了官方关于对话记忆的实现方案。这就是Advisors API。
这里贴一段官网上对话记忆实现的demo：
var chatClient = ChatClient.builder(chatModel)
.defaultAdvisors(
new MessageChatMemoryAdvisor(chatMemory), // chat-memory advisor
new QuestionAnswerAdvisor(vectorStore, SearchRequest.defaults()) // RAG advisor
)
.build();
String response = this.chatClient.prompt()
// Set advisor parameters at runtime
.advisors(advisor -> advisor.param("chat_memory_conversation_id", "678")
.param("chat_memory_response_size", 100))
.user(userText)
.call()
.content();
以上介绍了两种实现方式。第一种是在初始化ChatClient时指定chat memory；第二种是在运行对话时进行设置。在第二种方式中，保持对话的conversation_id相同可以利用对话历史记录。将chat_memory_response_size设置为100表示最多保留最新的100轮对话内容。
我们在使用第二种方式实现对话记忆时，前端在初次进入对话页面时可以随机生成一个conversation_id，之后的每次对话都使用同一个conversation_id，直到用户选择新建一个对话，或者关闭之前的对话，重新打开一个新对话窗口。
以上是关于对话记忆的正确实现方式。
另外，去看官网文档总是最靠谱的选择。
这里是我基于Sping AI实现的智能对话助手的一个演示视频
最后
中文技术社区的文章质量参差不齐，作为开发人员，我们需要培养辨别能力。这不仅要求我们不断提升自身的技术水平，还需要保持对新技术的敏锐嗅觉。
