【LangChain】P19 LangChain Memory（一）：让 AI 拥有“记忆力“的秘密

一个有趣的问题：AI 真的能记住你说的话吗？

想象一下，你正在和 ChatGPT 聊天：

你：我叫小明，今年25岁。
AI：你好小明~很高兴认识你。
你：我今年多大了？
AI：你今年25岁。

看起来 AI 记住了你的年龄信息，但真相可能会让你惊讶 —— 大语言模型本身其实没有记忆能力。他就像一个每次见面都会失忆的朋友，模型每次接收你的问题时，都是与你的初遇。那它为什么能回答出你的年龄呢？

答案，是有人在背后偷偷把你们之前的对话的信息，塞给了大模型。它的其中一个实现方式，也就是我们今天要介绍的主角 ——LangChain 的 Memory 组件。

---

LangChain Memory

Memory 到底是什么？

Memory（记忆）是 LangChain 中负责“记录对话历史”的组件。它的工作原理非常朴素：

1. 记录： 每次对话后，把“你说了什么”和“AI 回复了什么”都保存下来
2. 回放： 下次对话时，把之前的记录一起发给 AI
3. AI 视角： AI 看到完整对话，就能“假装”记得你

就像你考试时偷偷翻小抄，AI 每次回答前都在“翻历史记录”。

图解：Memory 是如何工作的？

让我们用一个完整流程来理解 Memory：

┌───────────────────────────────────────────────┐
│  第一轮对话        	                            │
├───────────────────────────────────────────────┤
│  👤 用户: "我叫小明"      	                    │
│  🤖 AI: "你好,小明!"                        	│
│  💾 Memory 存储: [用户:我叫小明, AI:你好,小明!]  	│
└───────────────────────────────────────────────┘┌───────────────────────────────────────────────┐
│  第二轮对话               	                    │
├───────────────────────────────────────────────┤
│  1️⃣ 👤 新问题: "我叫什么名字?"           		│
│  2️⃣ 📖 Memory读取: [用户:我叫小明, AI:你好,小明!]	│
│  3️⃣ 🔀 组装完整提示词:                     		│
│     "历史对话:                                	│
│      用户:我叫小明                         	    │
│      AI:你好,小明!                       	    │
│      当前问题:我叫什么名字?"        	            │
│  4️⃣ 🤖 AI 回答: "你叫小明"       	            │
│  5️⃣ 💾 更新 Memory:                	        │
│     [用户:我叫小明, AI:你好1小明!,  	            │
│      用户:我叫什么名字, AI:你叫小明]   	        │
└───────────────────────────────────────────────┘

核心流程六步走：

1. 用户提问
2. 从 Memory 读取历史消息
3. 把历史+当前问题组装成完整提示词
4. 大模型处理并生成回复
5. 解析输出给用户
6. 新对话写入 Memory

---

手动管理对话历史示例

在学习 Memory 组件之前，我们先自己动手实现一个简单的“记忆功能”，这样有助于理解 Memory 的整体策略。

llm 大模型部分：

import os
import dotenv
from langchain_core.messages import AIMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAIdotenv.load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")
os.environ["OPENAI_BASE_URL"] = os.getenv("OPENAI_BASE_URL")llm = ChatOpenAI(model=os.environ.get("CHAT_MODEL")
)

记忆模块部分：

def chat_with_model(answer):# 提供提示词模板，使用 ChatPromptTemplateprompt_template = ChatPromptTemplate.from_messages([("system", "你是一个人工智能的助手"),("human", "{question}")])while True:chain = prompt_template | llmresponse = chain.invoke({"question": answer})print(f"模型回复：{response.content}")# 退出或继续询问user_input = input("你还有其他问题吗，没有更多问题，请输入退出")if user_input == "退出":break# 将上述新生成的消息存放到提示词模板的消息列表中prompt_template.messages.append(AIMessage(content=response.content))prompt_template.messages.append(HumanMessage(content=user_input))if __name__ == '__main__':chat_with_model("你好，很高兴认识你！")

---

Memory 组件的四层进化

LangChain 针对不同场景，提供了不同复杂度的 Memory 方案：

ChatMessageHistory - 最基础的存储器

ChatMessageHistory 是一个用于存储和管理对话消息的基础类，它直接操作消息对象（如 HumanMessage、AIMessage 等），是其他记忆组件的底层存储工具。

实例化部分：

from langchain.memory import ChatMessageHistory# ChatMessageHistory 实例化
history = ChatMessageHistory()# 添加相关的消息进行存储
history.add_user_message("你好")
history.add_ai_message("很高兴认识你")
history.add_user_message("帮我计算1+2*3=?")# 打印存储的消息
print(history.messages)
print(type(history.messages))# 调用大模型处理
response = llm.invoke(history.messages)
print(response)

模型结果：

[HumanMessage(content='你好', additional_kwargs={}, response_metadata={}), AIMessage(content='很高兴认识你', additional_kwargs={}, response_metadata={}), HumanMessage(content='帮我计算1+2*3=?', additional_kwargs={}, response_metadata={})]
<class 'list'>
content='根据数学运算的优先级，乘法优先于加法，所以：\n\n1 + 2 × 3  \n= 1 + 6  \n= 7  \n\n答案是 **7**。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 37, 'prompt_tokens': 20, 'total_tokens': 57, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}, 'prompt_cache_hit_tokens': 0, 'prompt_cache_miss_tokens': 20}, 'model_name': 'deepseek-chat', 'system_fingerprint': 'fp_ffc7281d48_prod0820_fp8_kvcache', 'id': '9de4e158-d8cd-46a9-93af-b90fa8dbf299', 'service_tier': None, 'finish_reason': 'stop', 'logprobs': None} id='run--da3289a2-b023-4c95-8e09-d3081b865729-0' usage_metadata={'input_tokens': 20, 'output_tokens': 37, 'total_tokens': 57, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}}

---

ConversationBufferMemory - 自动化管理

ConversationBufferMemory 是最常用的 Memory 组件，它会自动保存完整对话历史。

实例化部分：

from langchain.memory import ConversationBufferMemory# ============ 方式一：以字符串的方式返回存储信息 ============# ConversationBufferMemory 实例化
memory = ConversationBufferMemory()# 存储相关消息
memory.save_context(inputs={"input": "你好，我叫小明"}, outputs={"output": "很高兴认识你"})
memory.save_context(inputs={"input": "帮我回答一下1+2*3=?"}, outputs={"output": "7"})# 打印存储的信息
print(memory.load_memory_variables({}))
print(type(memory.load_memory_variables({})))# =========== 方式二：以消息的方式返回存储的信息 ===============# ConversationBufferMemory 实例化
memory = ConversationBufferMemory(return_messages=True)     # 以消息列表形式返回# 存储相关消息
memory.save_context(inputs={"input": "你好，我叫小明"}, outputs={"output": "很高兴认识你"})
memory.save_context(inputs={"input": "帮我回答一下1+2*3=?"}, outputs={"output": "7"})# 打印存储的信息
print(memory.load_memory_variables({}))
print(type(memory.load_memory_variables({})))

模型结果：

{'history': 'Human: 你好，我叫小明\nAI: 很高兴认识你\nHuman: 帮我回答一下1+2*3=?\nAI: 7'}
<class 'dict'>
{'history': [HumanMessage(content='你好，我叫小明', additional_kwargs={}, response_metadata={}), AIMessage(content='很高兴认识你', additional_kwargs={}, response_metadata={}), HumanMessage(content='帮我回答一下1+2*3=?', additional_kwargs={}, response_metadata={}), AIMessage(content='7', additional_kwargs={}, response_metadata={})]}
<class 'dict'>

由上述示例，可以发现，ConversationBufferMemory 支持两种输出格式：

• 格式1：纯文本字符串(默认)

  memory = ConversationBufferMemory()
  memory.load_memory_variables({})
  # 返回: {'history': 'Human: ...\nAI: ...'}
  

• 格式2：消息对象列表

  memory = ConversationBufferMemory(return_messages=True)
  memory.load_memory_variables({})
  # 返回: {'history': [HumanMessage(...), AIMessage(...)]}
  

• 或者，我们可以直接应用如下方法展示为消息列表

  print(memory.chat_memory.messages)
  

---

实战：记忆模块与提示词模板结合

Memory 的真正威力在于与 LangChain 的其他组件协作。

Memory 与 PromptTemplate

from langchain.chains import LLMChain
from langchain.memory import ConversationBufferMemory
from langchain.prompts import PromptTemplate# 创建带历史占位符的模板
template = """
以下是历史对话:
{history}当前问题: {input}
你的回答:
"""prompt = PromptTemplate(template=template,input_variables=["history", "input"]
)# 创建记忆
memory = ConversationBufferMemory(memory_key="history")# 创建链
chain = LLMChain(llm=llm,prompt=prompt,memory=memory
)# 对话
print(chain.run("我叫小明"))
# 输出: 你好,小明!print(chain.run("我叫什么名字?"))
# 输出: 你叫小明

关键点：

• memory_key="history" 必须与模板中的 {history} 匹配
• Memory 会自动把对话填充到 {history} 位置

---

Memory 与 ChatPromptTemplate(推荐)

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder# 创建聊天模板
prompt = ChatPromptTemplate.from_messages([("system", "你是一个专业的AI助手"),MessagesPlaceholder(variable_name="history"),  # 历史消息占位符("human", "{input}")
])memory = ConversationBufferMemory(memory_key="history",return_messages=True  # 必须返回消息对象
)chain = LLMChain(llm=llm, prompt=prompt, memory=memory)# 开始对话
chain.run("我喜欢吃披萨")
chain.run("我喜欢吃什么?")  # AI会记得你喜欢披萨

ChatPromptTemplate 的优势：

• 消息格式更规范（system/human/ai角色清晰）
• 与现代聊天API完美兼容
• 支持更复杂的对话场景

---

关键设计细节:LangChain 的智慧

你可能会好奇：对话是什么时候被保存到 Memory 的？
答案揭示了 LangChain 的精妙设计：

• 时机1：用户提问后立即保存问题
  当你调用 chain.run("问题") 时，问题会立即被记录，即使 AI 还没回答。
• 时机2：AI 回答后立即保存回复
  AI 生成回复后，该回复会马上加入对话历史。

为什么这样设计？
保证与人对话逻辑的一致性：

1. 用户问完问题就该被记住
2. AI 回答完就该被记录
3. 返回给用户的响应应反映最新状态

这种设计确保了即使发生中断，对话历史也是完整的。
下一节内容，我们将分享另外两个高价值的 Memory 方法。敬请期待。

相信读者通过上述内容，对：所谓的 AI 记忆，本质上只是在每次对话时巧妙地“翻阅历史记录”，有了更深刻的理解！

---

2025.10.10 金融街