LangChain记忆 中文文档

本笔记本介绍了 LangChain 对记忆的理解方式。

记忆涉及在用户与语言模型的交互过程中保持状态的概念。用户与语言模型的交互被捕捉在 ChatMessage 的概念中，因此这涉及到对一系列聊天消息进行摄取、捕捉、转换和提取知识。有许多不同的方法可以实现这一点，每种方法都存在作为自己的记忆类型。

通常情况下，对于每种类型的记忆，有两种理解使用记忆的方法。一种是独立的函数，从一系列消息中提取信息，另一种是在链中使用这种类型的记忆的方法。

记忆可以返回多个信息（例如，最近的 N 条消息和所有先前消息的摘要）。返回的信息可以是字符串或消息列表。

在本笔记本中，我们将介绍最简单形式的记忆："缓冲"记忆，它只涉及保持先前所有消息的缓冲区。我们将展示如何在这里使用模块化的实用函数，然后展示它如何在链中使用（返回字符串和消息列表两种形式）。

#ChatMessageHistory

在大多数（如果不是全部）记忆模块的核心实用类之一是 ChatMessageHistory 类。这是一个超轻量级的包装器，提供了保存人类消息、AI 消息以及获取所有消息的便捷方法。

如果您在链外管理记忆，则可以直接使用此类。

from langchain.memory import ChatMessageHistory

history = ChatMessageHistory()

history.add_user_message("hi!")

history.add_ai_message("whats up?")

history.messages

    [HumanMessage(content='hi!', additional_kwargs={}, example=False),
     AIMessage(content='whats up?', additional_kwargs={}, example=False)]

#ConversationBufferMemory

现在我们展示如何在链中使用这个简单的概念。首先展示 ConversationBufferMemory，它只是一个对 ChatMessageHistory 的包装器，用于提取消息到一个变量中。

我们可以首先将其提取为一个字符串。

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory()
memory.chat_memory.add_user_message("hi!")
memory.chat_memory.add_ai_message("whats up?")

memory.load_memory_variables({})

    {'history': 'Human: hi!\nAI: whats up?'}

我们还可以将历史记录作为消息列表获取。

memory = ConversationBufferMemory(return_messages=True)
memory.chat_memory.add_user_message("hi!")
memory.chat_memory.add_ai_message("whats up?")

memory.load_memory_variables({})

    {'history': [HumanMessage(content='hi!', additional_kwargs={}, example=False),
      AIMessage(content='whats up?', additional_kwargs={}, example=False)]}

#在链中使用

最后，让我们看看如何在链中使用这个模块（设置 verbose=True 以便查看提示）。

from langchain.llms import OpenAI
from langchain.chains import ConversationChain


llm = OpenAI(temperature=0)
conversation = ConversationChain(
    llm=llm, 
    verbose=True, 
    memory=ConversationBufferMemory()
)

conversation.predict(input="Hi there!")

进入新的 ConversationChain 链... 格式化后的提示： 以下是人类和 AI 之间友好对话的示例。AI 喜欢多说话并从上下文中提供许多具体细节。如果 AI 不知道问题的答案，它会真实地表示不知道。

当前对话：

人类：嗨！你好！ AI：

完成链。

"嗨！很高兴见到你。今天我能帮你什么吗？"

conversation.predict(input="我很好！只是在和一个人工智能进行对话。")

进入新的 ConversationChain 链... 格式化后的提示： 以下是人类和 AI 之间友好对话的示例。AI 喜欢多说话并从上下文中提供许多具体细节。如果 AI 不知道问题的答案，它会真实地表示不知道。

当前对话： 人类：嗨！你好！ AI：嗨！很高兴见到你。我今天能帮你做些什么吗？

完成链。

太棒了！和一个陌生人进行对话总是很愉快的。你想聊些什么呢？

conversation.predict(input="Tell me about yourself.")

进入新的 ConversationChain 链... 格式化后的提示： 以下是人类和 AI 之间友好对话的示例。AI 喜欢多说话并从上下文中提供许多具体细节。如果 AI 不知道问题的答案，它会真实地表示不知道。

当前对话： 人类：嗨！你好！ AI：嗨！很高兴见到你。我今天能帮你做些什么吗？ 人类：我过得很好！只是和一个 AI 进行对话。 AI：太好了！和新朋友交流总是很愉快的。你想聊些什么呢？ 人类：告诉我关于你自己。

完成链。

" 当然！我是一个为帮助人们解决日常任务而创建的 AI。我被编程成能理解自然语言并提供有用的信息。我还在不断学习和更新我的知识库，以便能提供更准确和有帮助的答案。"

#保存消息记录

您可能经常需要保存消息，并在以后使用时加载它们。可以通过将消息首先转换为普通的 Python 字典来轻松实现此操作，然后将其保存（例如，保存为 JSON 格式），然后再加载。以下是一个示例：

import json

from langchain.memory import ChatMessageHistory
from langchain.schema import messages_from_dict, messages_to_dict

history = ChatMessageHistory()

history.add_user_message("hi!")

history.add_ai_message("whats up?")

dicts = messages_to_dict(history.messages)

dicts

    [{'type': 'human',
      'data': {'content': 'hi!', 'additional_kwargs': {}, 'example': False}},
     {'type': 'ai',
      'data': {'content': 'whats up?', 'additional_kwargs': {}, 'example': False}}]

new_messages = messages_from_dict(dicts)

new_messages

    [HumanMessage(content='hi!', additional_kwargs={}, example=False),
     AIMessage(content='whats up?', additional_kwargs={}, example=False)]

这就是入门的全部内容了！有许多不同类型的记忆可供使用，请查看我们的示例以了解所有内容。