【LangChain】P5 对话记忆完全指南：从原理到实战（上）

本文分为上中下三篇，内容较长。所以如果读者只是为了入门，可以看该博文的上半部分，或者可以看【LangChain】系列博文中的 P4 部分内容。

前言：大模型真的有记忆吗？

当你和 ChatGPT 或其他 AI 助手聊天时，是否有过这样的体验：

• “你还记得我之前说过什么吗？” - AI 能准确回答
• “继续上次的话题” - AI 能无缝衔接
• 重新打开 - AI 完全忘记了你是谁

这些现象让人困惑：大模型到底有没有记忆？如果有，为什么会突然失忆？

本文将带你揭开这个谜团，并教你如何用 LangChain 构建一个"记忆力"强大的 AI 应用。无论你是刚接触 AI 的新手，还是想要优化现有对话系统的开发者，都能从中获得实用的知识和代码。

---

第一部分：揭秘大模型的"记忆"真相

1.1 大模型的工作原理：每次都是"初次见面"

让我们先理解一个核心事实：大模型本身没有记忆。
想象一下，你去一家餐厅：

• 第一次去： 服务员问你"吃点什么？"
• 第二次去： 服务员还是问"吃点什么？"（他不记得你）
• 带着笔记本去： 你拿出笔记本说"上次我点了宫保鸡丁，今天想换个菜"，服务员看了笔记本才知道你的历史

大模型就像这位服务员，每次调用都是独立的。所谓的"记忆"，其实是你（或系统）把之前的对话内容（笔记本）一起传给它看。

1.2 一个简单的实验：证明大模型无记忆

让我们用代码验证这个事实：

from langchain_openai import ChatOpenAI# 初始化模型
chat_model = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)# 第一次对话
response1 = chat_model.invoke("你好，我叫李明，今年25岁")
print(f"第一次: {response1.content}")# 第二次对话（没有传入历史）
response2 = chat_model.invoke("你还记得我叫什么名字吗？")
print(f"第二次: {response2.content}")

应用 DeepSeek 模型回复：

第一次: 李明你好！很高兴认识你！25岁正是充满活力和无限可能的年纪呢。请问今天有什么可以帮你的吗？无论是关于职业发展、生活建议，还是想聊聊兴趣爱好，我都很乐意与你交流~ 😊
第二次: 很抱歉，我无法记住用户的个人信息呢！😅 每次对话对我来说都是全新的开始，我没有保存之前聊天记录的能力。不过如果你愿意的话，可以现在告诉我你的名字，我会很开心地在这段对话中称呼你！这样我们聊天的时候就会更亲切啦～你想让我怎么称呼你呢？

看到了吗？模型完全"忘记"了你的名字，因为第二次调用时，它根本不知道第一次发生了什么。

1.3 实现"记忆"的秘密：显式传递历史消息

要让模型"记住"之前的对话，我们需要手动把历史消息一起传给它：

from langchain_core.messages import HumanMessage, AIMessage# 手动构建对话历史
messages = [HumanMessage(content="你好，我叫李明，今年25岁"),AIMessage(content="你好，李明！很高兴认识你。"),HumanMessage(content="你还记得我叫什么名字吗？")
]# 把整个历史传给模型
response = chat_model.invoke(messages)
print(f"带历史的回复: {response.content}")

带有记忆内容的回复：

带历史的回复: 当然记得！你刚才提到过你叫**李明**。名字很好听，寓意着光明与智慧，很高兴能继续和你交流！😊 如果有什么想聊的话题或需要帮助的地方，随时告诉我哦～

现在模型"记住"了！但实际上，是我们把"笔记本"（消息历史）递给它看的。

1.4 核心概念总结

理解以下几点，你就掌握了大模型对话的本质：

概念	解释	类比
无状态	每次 API 调用都是独立的	服务员每次都忘记你
消息历史	之前所有对话的记录	你的笔记本
上下文窗口	模型一次能"看"多少内容	笔记本的页数限制
记忆管理	决定保留哪些历史消息	选择给服务员看笔记本的哪几页

---

第二部分：传统方案 - LangChain Memory（已弃用）

⚠️ 重要提示：LangChain 官方已不推荐使用 Memory 模块，本部分仅作为理解演进过程的参考。新项目请直接跳到第三部分学习现代方案。关于 Memory 的实践，读者可以参考本系列博文的 P4 部分内容。

2.1 为什么 LangChain 创建了 Memory？

手动管理消息历史虽然直观，但在实际应用中会遇到很多问题：

问题 1：重复代码

# 每次对话都要写这些代码
messages.append(HumanMessage(content=user_input))
response = llm.invoke(messages)
messages.append(AIMessage(content=response.content))

问题 2：历史管理复杂

• 对话太长怎么办？（超出模型上下文限制）
• 如何只保留最近几轮对话？
• 如何总结旧对话节省 token？

问题 3：多用户场景

• 如何隔离不同用户的对话？
• 如何持久化存储到数据库？

为了解决这些问题，LangChain 设计了 Memory 抽象层。

2.2 Memory 的设计思想

Memory 就像一个"智能助理"，帮你自动完成以下工作：

┌─────────────────────────────────────┐
│         你的应用代码                  │
│   (只需调用 chain.invoke) 	          │
└──────────────┬──────────────────────┘│▼
┌─────────────────────────────────────┐
│          Memory 助理          	      │
│  • 自动添加用户消息        	          │
│  • 自动保存 AI 回复            	      │
│  • 自动管理历史长度            	      │
│  • 自动格式化上下文                 	  │
└──────────────┬──────────────────────┘│▼
┌─────────────────────────────────────┐
│          大语言模型            	      │
└─────────────────────────────────────┘

2.3 为什么 LangChain 弃用了 Memory？

尽管 Memory 提供了便利，但 LangChain 团队发现了以下问题：

1. 灵活性不足

   # 使用 Memory 时，很多细节被隐藏了
   chain = ConversationChain(memory=memory)
   chain.invoke("你好")  # 发生了什么？不清楚！
   

2. 透明度差
   • Memory 内部做了很多"自动化"操作
   • 出问题时难以调试
   • 行为不符合预期时难以定位原因
3. 维护成本高
   • LangChain 需要维护多种 Memory 类型
   • 每次模型 API 更新都要适配
   • 社区反馈说"太复杂了"

官方的新理念：

与其提供一个"黑盒"，不如让开发者直接管理消息历史。代码虽然多了几行，但更清晰、可控、易于理解。

---

第三部分：现代方案 - 手动管理消息历史

3.1 新方案的核心优势

现代推荐方案的理念是：显式优于隐式，简单优于复杂。

对比维度	传统 Memory	现代方案
代码透明度	低（隐藏细节）	高（一目了然）
灵活性	受限于 Memory 类型	完全自定义
调试难度	困难	容易
学习曲线	需要理解 Memory 抽象	直接操作消息列表
维护成本	依赖 LangChain 更新	自己掌控

3.2 基础实现：构建对话管理器

让我们从零开始，构建一个简单但功能完整的对话管理器：

对话管理器方法

from langchain_core.messages import SystemMessage, HumanMessage, AIMessageclass ConversationManager:"""对话管理器 - 现代推荐方案"""def __init__(self, llm, system_prompt: str = None, max_history: int = 10):"""初始化对话管理器参数说明：- llm: 语言模型实例- system_prompt: 系统提示词（定义 AI 的角色和行为）- max_history: 最多保留几轮对话（一轮 = 用户消息 + AI回复）"""self.llm = llmself.messages = []  # 存储所有消息的列表# 如果有系统提示，添加到消息列表的开头if system_prompt:self.messages.append(SystemMessage(content=system_prompt))self.max_history = max_historydef chat(self, user_input: str) -> str:"""发送消息并获取回复这是用户的主要接口，就像和 AI 聊天一样简单"""# 步骤 1: 添加用户消息到历史self.messages.append(HumanMessage(content=user_input))# 步骤 2: 把整个历史传给模型，获取回复response = self.llm.invoke(self.messages)# 步骤 3: 把 AI 的回复也加入历史self.messages.append(AIMessage(content=response.content))# 步骤 4: 检查历史是否过长，需要清理self._trim_history()return response.contentdef _trim_history(self):"""修剪历史消息，避免超出模型的上下文限制策略：保留系统提示 + 最近 N 轮对话"""# 分离系统消息和对话消息system_messages = [m for m in self.messages if isinstance(m, SystemMessage)]conversation_messages = [m for m in self.messages if not isinstance(m, SystemMessage)]# 如果对话消息太多，只保留最近的# 注意：*2 是因为一轮对话包含用户消息和 AI 回复if len(conversation_messages) > self.max_history * 2:conversation_messages = conversation_messages[-(self.max_history * 2):]# 重新组合：系统消息 + 保留的对话self.messages = system_messages + conversation_messagesdef get_history(self) -> list:"""获取完整的对话历史"""return self.messagesdef clear_history(self):"""清空对话历史（但保留系统提示）"""system_messages = [m for m in self.messages if isinstance(m, SystemMessage)]self.messages = system_messages

添加实例测试

# 创建对话管理器
manager = ConversationManager(llm=chat_model,system_prompt="你是一个友好的 AI 助手，名叫小智。你擅长回答问题并记住用户信息。",max_history=5  # 只保留最近 5 轮对话
)# 开始对话！
print("=== 第一轮 ===")
response1 = manager.chat("你好，我叫李明，是一名程序员")
print(f"小智: {response1}")print("\n=== 第二轮 ===")
response2 = manager.chat("你还记得我的名字和职业吗？")
print(f"小智: {response2}")print("\n=== 第三轮 ===")
response3 = manager.chat("帮我推荐一本适合程序员的书")
print(f"小智: {response3}")# 查看完整历史
print("\n=== 对话历史 ===")
for i, msg in enumerate(manager.get_history()):role = msg.__class__.__name__.replace("Message", "")print(f"{i+1}. {role}: {msg.content[:50]}...")

运行效果

=== 第一轮 ===
小智: 你好李明！很高兴认识你这位程序员朋友！有什么可以帮助你的吗？=== 第二轮 ===
小智: 当然记得！你叫李明，是一名程序员。有什么编程问题需要帮助吗？=== 第三轮 ===
小智: 我推荐《代码大全》，这是程序员必读的经典书籍...=== 对话历史 ===
1. System: 你是一个友好的 AI 助手，名叫小智...
2. Human: 你好，我叫李明，是一名程序员
3. AI: 你好李明！很高兴认识你这位程序员朋友...
4. Human: 你还记得我的名字和职业吗？
5. AI: 当然记得！你叫李明，是一名程序员...
6. Human: 帮我推荐一本适合程序员的书
7. AI: 我推荐《代码大全》...

功能模块详解

让我们深入理解每个功能模块的设计：

模块 1：消息类型
LangChain 定义了三种基本消息类型：

# 1. SystemMessage - 系统提示
# 用途：定义 AI 的角色、行为规则、回复风格
system_msg = SystemMessage(content="你是一个专业的医生")# 2. HumanMessage - 用户消息  
# 用途：用户的输入
user_msg = HumanMessage(content="我头疼怎么办？")# 3. AIMessage - AI 回复
# 用途：模型的输出
ai_msg = AIMessage(content="建议您多休息，如果持续疼痛请就医")

为什么要区分消息类型？

• 模型需要知道谁在说话（用户 vs AI）
• 系统提示有特殊地位（通常放在最前面且不会被删除）
• 便于格式化显示和数据分析

模块 2：历史管理策略

def _trim_history(self):"""历史管理的核心逻辑问题：为什么要限制历史长度？- 模型有上下文窗口限制（如 GPT-3.5 是 4096 tokens）- Token 越多，调用成本越高- 历史太长可能引入噪音，影响回答质量策略：1. 永远保留系统提示（定义 AI 的身份）2. 保留最近 N 轮对话（最相关的上下文）3. 丢弃更早的对话（假设不再相关）"""system_messages = [m for m in self.messages if isinstance(m, SystemMessage)]conversation_messages = [m for m in self.messages if not isinstance(m, SystemMessage)]# 一轮对话 = 用户消息 + AI 回复，所以要 * 2if len(conversation_messages) > self.max_history * 2:conversation_messages = conversation_messages[-(self.max_history * 2):]self.messages = system_messages + conversation_messages

图解历史管理：

对话历史增长过程：第 1 轮：[System] [Human] [AI]
第 2 轮：[System] [Human] [AI] [Human] [AI]
第 3 轮：[System] [Human] [AI] [Human] [AI] [Human] [AI]
...
第 10 轮：[System] [H] [A] ... [H] [A]  ← 达到 max_history 限制第 11 轮：[System] [A] [H] [A] ... [H] [A]  ← 删除最早的 [H]↑ 保留最近 10 轮

3.3 进阶：带总结功能的对话管理器

当对话变得很长时，简单删除旧消息可能会丢失重要信息。更好的方法是总结旧对话：

class ConversationManagerWithSummary(ConversationManager):"""带智能总结功能的对话管理器"""def __init__(self, llm, system_prompt: str = None, max_history: int = 10, summary_threshold: int = 20):"""新增参数：- summary_threshold: 当对话超过多少轮时触发总结"""super().__init__(llm, system_prompt, max_history)self.summary = None  # 存储对话总结self.summary_threshold = summary_thresholddef _trim_history(self):"""升级版历史管理：先总结，再删除"""system_messages = [m for m in self.messages if isinstance(m, SystemMessage)]conversation_messages = [m for m in self.messages if not isinstance(m, SystemMessage)]# 如果对话超过阈值，生成总结if len(conversation_messages) > self.summary_threshold * 2:# 把要删除的消息先总结一下old_messages = conversation_messages[:self.summary_threshold * 2]self._generate_summary(old_messages)# 只保留最近的对话conversation_messages = conversation_messages[self.summary_threshold * 2:]self.messages = system_messages + conversation_messagesdef _generate_summary(self, messages: list):"""调用 LLM 生成对话总结总结的好处：- 保留关键信息（如用户姓名、重要决策）- 大幅减少 token 消耗- 提供长期上下文"""# 格式化要总结的消息history_text = "\n".join([f"{'用户' if isinstance(m, HumanMessage) else 'AI'}: {m.content}"for m in messages])# 构建总结提示summary_prompt = f"""请总结以下对话的关键信息：{history_text}总结要点：
1. 用户的基本信息（姓名、需求等）
2. 讨论的主要话题
3. 达成的结论或决策
4. 其他重要细节请用简洁的语言总结（不超过 200 字）："""# 调用 LLM 生成总结summary_response = self.llm.invoke([HumanMessage(content=summary_prompt)])self.summary = summary_response.contentprint(f"\n[系统] 已生成对话总结：{self.summary}\n")def chat(self, user_input: str) -> str:"""聊天时，如果有总结，会自动加入上下文"""# 如果有总结，临时添加到消息开头（系统提示之后）if self.summary:summary_msg = SystemMessage(content=f"【之前对话的总结】\n{self.summary}")self.messages.insert(1, summary_msg)# 正常聊天流程response = super().chat(user_input)# 移除临时添加的总结消息（避免重复累积）if self.summary:self.messages = [m for m in self.messages if not (isinstance(m, SystemMessage) and "之前对话的总结" in m.content)]return response

总结功能的工作流程

对话进行中...
├── 第 1-20 轮：正常对话，全部保留
├── 第 21 轮：触发总结！
│   ├── 总结前 20 轮的关键信息 → 存为 summary
│   ├── 删除前 20 轮的原始消息
│   └── 保留 summary + 最近 10 轮
├── 第 22-40 轮：携带 summary 继续对话
└── 第 41 轮：再次触发总结...

---

上述部分为：对话记忆完全指南：从原理到实战（上）部分内容，下部内容（中）将对一个实例展开。（下）部分内容将并进一步讨论进阶处理方法，如持久化存储等。

请访问 【LangChain】系列博文，P6 文章。

2025.10.01 祝祖国母亲繁荣昌盛，我的家人一切顺利！

中国·吉林长春