当前位置：首页 > news >正文

LangChain: Memory

news 2025/9/6 5:49:38

核心概念：什么是 Memory？

在 LangChain 的语境中，Memory 指的是链（Chain）或智能体（Agent）在多次交互之间“记住”信息的能力。

对于人类来说，对话是连续的。如果我问你“法国的首都是什么？”，你回答“巴黎”。如果我接着问“它以什么闻名？”，你很清楚“它”指的是巴黎，并能给出回答。但对于一个没有记忆的 AI 模型来说，每次交互都是独立的。第二个问题“它以什么闻名？”会因为缺乏上下文而变得毫无意义。

Memory 就是为了解决这个问题而存在的。它让 AI 应用（如聊天机器人）能够拥有短期或长期的记忆，从而进行连贯的、多轮的对话。

Memory 的核心作用与流程

Memory 在 LangChain 应用中扮演着“上下文管理器”的角色，其工作流程可以概括为以下几步：

flowchart TDA[用户输入新问题] --> B[Memory 系统读取历史记录]B --> C[将历史记录 + 新问题组合成完整上下文]C --> D[大语言模型<br>基于完整上下文生成回答]D --> E[Memory 系统将本次交互存入历史记录]E --> F[返回回答给用户]

这个过程循环往复，使得对话能够基于之前的所有内容连贯地进行下去。

LangChain 中常见的 Memory 类型

LangChain 提供了多种 Memory 类，适用于不同的场景和复杂度：

1. 基础 Memory

ConversationBufferMemory

工作原理：像聊天记录一样，简单地、完整地保存所有对话历史。
优点：简单，信息完整。
缺点：对话很长时，消耗的 Token 会非常多，可能超出模型上下文限制。

代码示例：

from langchain.memory import ConversationBufferMemorymemory = ConversationBufferMemory()
memory.save_context({"input": "法国的首都是什么？"}, {"output": "巴黎"})
memory.save_context({"input": "它以什么闻名？"}, {"output": "以埃菲尔铁塔、卢浮宫和美食而闻名。"})print(memory.load_memory_variables({})) 
# 输出: {'history': "Human: 法国的首都是什么？\nAI: 巴黎\nHuman: 它以什么闻名？\nAI: 以埃菲尔铁塔、卢浮宫和美食而闻名。"}

2. 优化型 Memory（更常用）

ConversationBufferWindowMemory
- 工作原理：只保留最近 k 轮对话。像一个固定大小的滑动窗口，只记住最新的几次交流，更老的则被遗忘。
- 优点：有效控制 Token 消耗，避免上下文过长。
- 缺点：会遗忘窗口之外的对话历史。
- 适用场景：短期对话，关注最近上下文。
ConversationSummaryMemory
- 工作原理：不保存原始对话，而是每次交互后都让 LLM 生成一个对当前对话的摘要，并只保存这个摘要。
- 优点：极大节省 Token，能记住非常长的对话的“精髓”。
- 缺点：摘要可能丢失细节；需要多次调用 LLM，成本稍高。
- 适用场景：长对话、需要记住核心信息的场景（如客户支持摘要）。

3. 高级 Memory

ConversationEntityMemory
- 工作原理：使用 LLM 识别并记住对话中提到的实体（如人、地点、事物）及其详细信息。它会为每个实体创建一个独立的记忆。
- 优点：记忆结构化，查询特定实体的信息非常高效。
- 示例：记住“Alice 的狗叫 Buddy”，然后当你问“Alice 的宠物叫什么？”时，它能准确回答。
ConversationKGMemory (Knowledge Graph Memory)
- 工作原理：将对话内容用知识图谱（三元组：主体-关系-客体）的形式存储。
- 优点：擅长捕捉和推理实体间的关系。
- 示例：将“Alice 的狗叫 Buddy”存储为 (Alice, has pet, Buddy)。

如何在链（Chain）中使用 Memory？

Memory 通常与 ConversationChain 或 LLMChain 结合使用。

完整示例：创建一个带记忆的聊天机器人

from langchain_openai import OpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory# 1. 初始化大语言模型
llm = OpenAI(model_name="gpt-3.5-turbo-instruct", temperature=0) # 2. 初始化 Memory
memory = ConversationBufferMemory()# 3. 创建带有 Memory 的链
conversation = ConversationChain(llm=llm,memory=memory,verbose=True # 打印详细日志，方便查看内存如何使用
)# 4. 进行多轮对话
print("第一轮:")
result1 = conversation.predict(input="法国的首都是什么？")
print(f"AI: {result1}")print("\n第二轮:")
result2 = conversation.predict(input="它以什么闻名？") # AI 知道“它”指巴黎
print(f"AI: {result2}")print("\n检查 Memory 中存储的历史:")
print(memory.load_memory_variables({}))

输出可能如下：

第一轮:
> Entering new ConversationChain chain...
Prompt: The following is a friendly conversation between a human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know.Current conversation:Human: 法国的首都是什么？
AI: 巴黎Human: 它以什么闻名？
AI: 巴黎以其标志性的埃菲尔铁塔、世界闻名的卢浮宫博物馆和美味的法式美食而闻名。Current conversation:
...

总结与最佳实践

特性	说明
核心价值	使AI应用能够进行连贯的多轮对话，是构建聊天机器人和交互式代理的基石。
关键选择	根据你的场景选择正确的 Memory 类型： • 简单对话/Demo： `ConversationBufferMemory` • 大多数生产环境： `ConversationBufferWindowMemory` • 长对话/摘要： `ConversationSummaryMemory` • 复杂结构化信息： `ConversationEntityMemory`
注意事项	• Token 消耗：记忆内容会占用宝贵的上下文窗口，需合理管理。 • 状态管理：在无状态服务（如Web服务器）中使用时，需要将内存内容（如 `memory.chat_memory.messages`）序列化（存入数据库或Session）并在下次请求时重新加载。