Spring AI Chat Memory 指南

前言

在现代聊天应用中，聊天记忆是一个非常重要的功能。它能够帮助系统记住用户的对话历史，从而提供更加个性化和连贯的交互体验。Spring AI 提供了丰富的聊天记忆模块，使得开发者可以轻松地实现这一功能。本文将详细介绍 Spring AI 中聊天记忆的相关内容，并通过实例代码展示如何使用这些功能。

一、快速开始（Quick Start）

首先，我们需要了解如何快速启动一个带有聊天记忆功能的应用。以下是一个简单的示例：

@SpringBootApplication
public class ChatMemoryApplication {public static void main(String[] args) {SpringApplication.run(ChatMemoryApplication.class, args);}@Beanpublic ChatMemory chatMemory() {return new MessageWindowChatMemory();}
}

这段代码创建了一个 Spring Boot 应用，并注册了一个 ChatMemory Bean，用于启用基本的聊天记忆功能。

二、记忆类型（Memory Types）

消息窗口聊天记忆（Message Window Chat Memory）

MessageWindowChatMemory 是一种基于消息窗口的聊天记忆类型，它会保存最近的几条消息作为聊天记忆。

@Bean
public ChatMemory messageWindowChatMemory() {return new MessageWindowChatMemory(5); // 保存最近5条消息
}

该策略适用于需要维护短期上下文、但不需要长期存储的历史记录场景。

三、记忆存储（Memory Storage）

内存仓库（In-Memory Repository）

内存存储是最简单的一种存储方式，适用于小型应用或测试环境。

@Bean
public ChatMemoryRepository inMemoryChatMemoryRepository() {return new InMemoryChatMemoryRepository();
}

这种存储方式不会持久化数据，重启后数据将丢失，适合开发调试阶段使用。

JDBC 聊天记忆仓库（JdbcChatMemoryRepository）

对于需要持久化存储的应用，可以使用 JdbcChatMemoryRepository，它可以将聊天记录保存到关系型数据库中。

方式一：Java 配置类

@Configuration
public class JdbcConfig {@Beanpublic DataSource dataSource() {return DataSourceBuilder.create().url("jdbc:mysql://localhost:3306/chat_memory").username("user").password("password").build();}@Beanpublic ChatMemoryRepository jdbcChatMemoryRepository(DataSource dataSource) {return new JdbcChatMemoryRepository(dataSource);}
}

方式二：配置文件 + 最小 Java 配置（推荐）

application.yml 示例：

spring:datasource:url: jdbc:mysql://localhost:3306/chat_memoryusername: userpassword: passworddriver-class-name: com.mysql.cj.jdbc.Driver

Java 配置类：

@Configuration
public class JdbcChatMemoryConfig {@Beanpublic ChatMemoryRepository chatMemoryRepository(DataSource dataSource) {return new JdbcChatMemoryRepository(dataSource);}
}

这样可以更灵活地管理不同环境下的数据库连接信息，而无需修改代码。

Cassandra 聊天记忆仓库（CassandraChatMemoryRepository）

如果需要分布式存储，可以考虑使用 CassandraChatMemoryRepository，它支持高并发和大规模数据存储。

@Configuration
public class CassandraConfig {@Beanpublic Cluster cluster() {return Cluster.builder().addContactPoint("127.0.0.1").build();}@Beanpublic Session session(Cluster cluster) {return cluster.connect("chat_memory");}@Beanpublic ChatMemoryRepository cassandraChatMemoryRepository(Session session) {return new CassandraChatMemoryRepository(session);}
}

Apache Cassandra 是一个高性能、可扩展的 NoSQL 数据库，非常适合分布式聊天系统的记忆存储需求。

Neo4j 聊天记忆仓库（Neo4jChatMemoryRepository）

对于需要图数据库支持的应用，可以使用 Neo4jChatMemoryRepository，它擅长处理复杂的关联性数据。

@Configuration
public class Neo4jConfig {@Beanpublic Driver driver() {return GraphDatabase.driver("bolt://localhost:7687", AuthTokens.basic("neo4j", "password"));}@Beanpublic ChatMemoryRepository neo4jChatMemoryRepository(Driver driver) {return new Neo4jChatMemoryRepository(driver);}
}

Neo4j 是一款流行的图数据库，适合需要分析用户行为路径、对话关系等场景。

四、聊天客户端中的记忆管理（Memory in Chat Client）

提示记忆顾问（PromptChatMemoryAdvisor）

在聊天客户端中，可以通过 PromptChatMemoryAdvisor 来管理聊天记忆，生成模型输入提示词（prompt）。

@Component
public class CustomPromptChatMemoryAdvisor implements PromptChatMemoryAdvisor {@Overridepublic String getPrompt(ChatMemory chatMemory) {List<String> messages = chatMemory.getMessages();StringBuilder prompt = new StringBuilder();for (String message : messages) {prompt.append(message).append("\n");}return prompt.toString();}
}

这个组件通常用于将聊天历史转换为模型可以理解的文本格式，以便进行上下文推理。

向量存储记忆顾问（VectorStoreChatMemoryAdvisor）

对于需要向量存储的应用，可以使用 VectorStoreChatMemoryAdvisor，它能将聊天记忆嵌入为向量形式，便于语义检索。

@Component
public class CustomVectorStoreChatMemoryAdvisor implements VectorStoreChatMemoryAdvisor {@Overridepublic VectorStore getVectorStore(ChatMemory chatMemory) {// 实现向量存储逻辑return null;}
}

这种方式常用于结合 AI 模型的相似性搜索、记忆召回等高级功能。

五、聊天模型中的记忆集成（Memory in Chat Model）

在聊天模型中，也可以集成聊天记忆功能，以提高模型的上下文理解能力。

@Component
public class CustomChatModel implements ChatModel {private final ChatMemory chatMemory;public CustomChatModel(ChatMemory chatMemory) {this.chatMemory = chatMemory;}@Overridepublic String generateResponse(String input) {List<String> messages = chatMemory.getMessages();// 使用聊天记忆生成响应return "Response based on memory";}
}

通过将记忆机制与模型结合，可以实现更自然、智能的对话体验。

结语

通过本文的介绍，相信大家对 Spring AI 中的聊天记忆功能有了更深入的了解。无论是简单的内存存储（In-Memory），还是复杂的分布式存储（Distributed Storage）如 Cassandra 或图数据库 Neo4j，Spring AI 都提供了丰富的工具和库来帮助开发者实现聊天记忆功能。希望本文能为你的项目开发带来一些帮助和启发。

上一部分: Spring AI Chat Client API 指南