LangChain 框架核心组件记忆

前言

上一篇学习了 LangChain 框架的基础知识和核心组件 Prompts 和 Chains，这篇文章将继续学习 LangChain 框架的核心组件 Memory（记忆）

记忆（Memory）

记忆（Memory）的作用就是在对话过程中，记录之前的对话历史，以便后续的对话可以基于之前的对话历史进行生成或回答

例如我们日常在豆包之类的应用中对话，它会记录之前的对话内容，并根据对话内容和之前的记录不断调整自己的回答

对话缓冲记忆（Conversation Buffer Memory）

类似微信的聊天记录，把每一句话都完整保存下来，什么时候想看都能翻到

例如下面创建对话历史后，将聊天内容都保存到了 chat_history 中

    # 创建对话历史
    chat_history = InMemoryChatMessageHistory()
    
    # 添加对话历史
    chat_history.add_user_message("你好")
    chat_history.add_ai_message("你好！我是Qwen，很高兴见到你！")
    chat_history.add_user_message("你叫什么名字？")
    chat_history.add_ai_message("我是Qwen，一个由阿里云开发的大语言模型。")
  

查看的时候，遍历 chat_history.messages 打印出所有的对话历史

    # 查看记忆中的对话历史
    print("当前对话历史:")
    for msg in chat_history.messages:
        print(f"{type(msg).__name__}: {msg.content}")

对话窗口记忆（Conversation Buffer Window Memory）

对话窗口记忆是一种只保留最近N轮对话的记忆机制，就像一个只能装固定数量消息的"滑动窗口"，当新的消息进来时，旧的消息会被挤出窗口，新的消息会进入窗口

这种方式的优势是有效控制内存，只记录最近的消息，更符合实际情况，处理消息数量固定，响应更快

如下面通过设置 window_size 为 4，就可以只保留最近的 2 轮对话（4 条消息）

def demo_conversation_window():
    """演示滑动窗口记忆"""
    print("\n=== 滑动窗口记忆 ===")
    
    # 创建对话历史
    chat_history = InMemoryChatMessageHistory()
    
    # 添加多轮对话
    conversations = [
        ("我的名字是张三", "你好，张三！很高兴认识你。"),
        ("我今年25岁", "25岁是个很好的年纪！"),
        ("我住在北京", "北京是个美丽的城市！")
    ]
    
    for user_msg, ai_msg in conversations:
        chat_history.add_user_message(user_msg)
        chat_history.add_ai_message(ai_msg)
    
    # 实现滑动窗口 - 只保留最近的2轮对话（4条消息）
    window_size = 4  # 2轮对话 = 4条消息
    if len(chat_history.messages) > window_size:
        # 保留最后window_size条消息
        recent_messages = chat_history.messages[-window_size:]
        chat_history.clear()
        for msg in recent_messages:
            if isinstance(msg, HumanMessage):
                chat_history.add_user_message(msg.content)
            else:
                chat_history.add_ai_message(msg.content)
    
    # 查看当前记忆中的对话（应该只保留最近2轮）
    print("当前对话历史（滑动窗口）:")
    for msg in chat_history.messages:
        print(f"{type(msg).__name__}: {msg.content}")

对话摘要记忆（Conversation Summary Memory）

对话摘要记忆是一种将长对话压缩成简洁摘要的记忆机制，就像给对话写"读书笔记"一样，只记录重要信息

def demo_conversation_summary():
    """演示对话摘要记忆"""
    print("\n=== 对话摘要记忆 ===")
    
    # 创建对话历史
    chat_history = InMemoryChatMessageHistory()
    
    # 添加多轮对话
    conversations = [
        ("我最近在学习人工智能", "太棒了！人工智能是一个很有前景的领域。"),
        ("特别是大语言模型让我很感兴趣", "是的，大语言模型正在改变我们与技术交互的方式。")
    ]
    
    for user_msg, ai_msg in conversations:
        chat_history.add_user_message(user_msg)
        chat_history.add_ai_message(ai_msg)
    
    # 生成摘要
    summary_prompt = ChatPromptTemplate.from_template(
        "请总结以下对话的主要内容：\n{conversation}"
    )
    
    conversation_text = "\n".join([
        f"用户: {msg.content}" if isinstance(msg, HumanMessage) else f"AI: {msg.content}"
        for msg in chat_history.messages
    ])
    
    summary_chain = summary_prompt | chat_llm | StrOutputParser()
    summary = summary_chain.invoke({"conversation": conversation_text})
    
    print(f"当前对话摘要: {summary}")
    
    # 使用摘要进行对话
    prompt = ChatPromptTemplate.from_messages([
        ("system", f"你是一个乐于助人的AI助手。以下是我们对话的摘要：{summary}"),
        ("human", "{input}"),
    ])
    
    chain = prompt | chat_llm | StrOutputParser()
    response = chain.invoke({"input": "我刚才提到了什么内容？"})
    
    print(f"\nAI回复: {response}")

摘要记忆的流程：完整对话 → AI分析总结 → 简洁摘要 → 存储摘要

看下原始对话（长）：

用户: 我最近在学习人工智能
AI: 太棒了！人工智能是一个很有前景的领域。
用户: 特别是大语言模型让我很感兴趣
AI: 是的，大语言模型正在改变我们与技术交互的方式。

生成的摘要（短）

用户最近开始学习人工智能，特别是对大语言模型很感兴趣。AI对此表示支持，并指出大语言模型在改变技术交互方式方面的重要性。

组合记忆（Combined Memory）

组合记忆是将滑动窗口记忆和对话摘要记忆结合起来，实现更灵活的记忆管理。就像同时拥有"详细日记"和"重点摘要"两种记录方式，既能保留详细的对话内容，又能快速总结重要信息

例如一个学习好的学生记笔记，详细记录每次学习内容，每个例子；总结学习的章节重点；专门记录学习中遇到的问题和解决方法等

例如下面的代码分别使用 conv_history 和 summary_history 来存储对话历史和摘要历史

def demo_combined_memory():
    """演示组合记忆"""
    print("\n=== 组合记忆 ===")
    
    # 创建不同类型的对话历史
    conv_history = InMemoryChatMessageHistory()
    summary_history = InMemoryChatMessageHistory()
    
    # 添加对话
    conversations = [
        ("我计划下周去上海旅游", "上海是个很棒的城市！"),
        ("有什么推荐的地方吗？", "外滩、东方明珠、城隍庙都很值得一去。")
    ]
    
    for user_msg, ai_msg in conversations:
        conv_history.add_user_message(user_msg)
        conv_history.add_ai_message(ai_msg)
    
    # 生成摘要
    conversation_text = "\n".join([
        f"用户: {msg.content}" if isinstance(msg, HumanMessage) else f"AI: {msg.content}"
        for msg in conv_history.messages
    ])
    
    summary_prompt = ChatPromptTemplate.from_template(
        "请总结以下对话的主要内容：\n{conversation}"
    )
    
    summary_chain = summary_prompt | chat_llm | StrOutputParser()
    summary = summary_chain.invoke({"conversation": conversation_text})
    summary_history.add_ai_message(summary)
    
    # 查看组合记忆
    print("对话记忆内容:")
    for msg in conv_history.messages:
        print(f"{type(msg).__name__}: {msg.content}")
    
    print(f"\n摘要记忆内容: {summary}")

组合记忆适合那种即需要详细记录有需要快速响应的场景，例如销售客服之类的，客户的问题需要及时响应，也需要详细记录聊天过程，用于后续的分析

小结

直接看官网文档相关内容看的云里雾里的，还是需要结合代码和实际例子去看，在本地运行代码看看输出结果，起码我们现在是日常经常用AI工具，结合日常使用中遇到的一些场景分析，相对会更好理解一点

AI转型长路漫漫，加油！