电子商务网站业务流程分析网站建设 业务员

一、前言

• 上下文记忆（Contextual Memory）解决方案的作用：
  • 提升 AI（尤其是大语言模型，LLM）的对话连贯性和个性化。
• 本文将介绍几个主流的实现方式。

---

二、🧠 什么是上下文记忆？

• 在对话系统中，上下文记忆的目标是让模型记住：
  • 你过去说过什么（对话历史）
  • 你的一些偏好/背景（长期记忆）
  • 你最近的意图（短期记忆）

---

三、✅ 实现方案一：对话历史拼接（最基础）

描述：将所有之前的对话作为 prompt 的一部分，一起传给模型。

示例：

history = [{"role": "user", "content": "我叫小明"},{"role": "assistant", "content": "你好，小明"},{"role": "user", "content": "我喜欢篮球"}
]
new_input = {"role": "user", "content": "我最喜欢的球星是谁？"}messages = history + [new_input]
response = llm.chat(messages=messages)

缺点：token长度易爆；对长时间记忆力弱。

---

四、✅ 实现方案二：嵌入向量 + 检索记忆（RAG + Memory）

描述：

• 将用户历史对话或知识用向量化方式存入向量数据库；
• 后续查询时根据当前问题检索“相关记忆”，再加到 prompt 里。

结构：

当前用户输入 → 嵌入查询 → 找相关记忆 → 构造 prompt → LLM回答

示例步骤：

• 1.用户说：“我住在北京”
• 2.你将这句话嵌入并存入向量库（如 Weaviate）
• 3.用户说：“最近北京天气咋样？”
• 4.向量检索出“我住在北京”这一记忆，构造 prompt：

记忆：你住在北京
问题：最近北京天气咋样？

---

五、✅ 实现方案三：显式记忆管理框架（如 mem0 / LangChain）

描述：使用专门的“记忆管理器”

• 自动保存每轮对话为 memory
• 检索、插入相关 memory
• 支持短期、长期、多用户等场景

示例：伪代码

memory = Memory()
memory.add(messages, user_id="user1")# 下一轮输入
relevant_memory = memory.search("北京天气")
prompt = format_prompt(relevant_memory, user_input)
response = llm.call(prompt)

---

六、✅ Demo：简单聊天机器人，带上下文记忆

1,技术栈：Python、OpenAI、Mem0（上下文记忆实现框架）

2.📦 安装依赖（确保你安装了 mem0 和 openai）：

pip install mem0 openai

• （⚠️ 注意：mem0 目前默认支持 OpenAI，你可以手动适配 DashScope 等其他 LLM）

3.📁 文件：mem0_chat_demo.py

from mem0 import Memory
import openai
import os# ✅ 设置 API key
openai.api_key = os.getenv("OPENAI_API_KEY") or "sk-xxx"  # 替换为你的 OpenAI Key# ✅ 初始化 memory 管理器（默认使用 OpenAI Chat 和 Embedding）
memory = Memory()# ✅ 聊天方法：结合历史记忆生成回复
def chat_with_memory(user_input, user_id="user1"):# 1️⃣ 检索相关历史记忆（最近与本轮问题相似的历史记录）relevant = memory.search(user_input, user_id=user_id)memories_str = "\n".join([f"- {r['memory']}" for r in relevant["results"]])# 2️⃣ 构造提示词 prompt：加入历史“记忆”+当前输入system_prompt = f"""
你是一个有记忆的智能助手，请根据以下用户记忆回答问题：
用户记忆：
{memories_str}
"""messages = [{"role": "system", "content": system_prompt.strip()},{"role": "user", "content": user_input}]# 3️⃣ 向 LLM 发起请求response = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=messages)answer = response.choices[0].message.content# 4️⃣ 添加对话内容进 memorymessages.append({"role": "assistant", "content": answer})memory.add(messages, user_id=user_id)return answer# ✅ 启动交互
if __name__ == "__main__":print("开始对话（输入 'exit' 退出）")while True:user_input = input("你：")if user_input.lower() == "exit":breakreply = chat_with_memory(user_input)print(f"AI：{reply}")

4.🔍 Demo 解读

• （1）✳️ 上下文记忆体现在哪？
  • 使用 memory.search(user_input) 从过往对话中检索与当前输入 最相关的内容
  • 使用 memory.add(messages) 保存本轮的对话内容
  • 模型不仅根据当前提问回答，还会利用“过去的你说过的话”，这就是“记忆”
• （2）🔁 示例对话：

你：我喜欢篮球
AI：好的，我记住了你喜欢篮球。
你：我最喜欢的球星是谁？
AI：你可能最喜欢的球星是篮球相关的，例如科比或詹姆斯。tag: 即使你没说球星是谁，模型可以结合“你喜欢篮球”的历史信息做推理。

• （3）✳️ 提示词 Prompt 如何构建的？

你是一个有记忆的智能助手，请根据以下用户记忆回答问题：
用户记忆：
- 我喜欢篮球
- 我的城市是北京

• 这种方式称为：增强提示词（prompt augmentation）；
• 通过把 memory 拼接进 prompt，引导模型在更具上下文的条件下回答问题。

小总结

要素	实现方式
记忆存储	memory.add(messages)
记忆检索	memory.search(user_input)
提示词构建	把相关记忆拼接进 system prompt
LLM 响应生成	用拼接后的 prompt 交给 OpenAI 的 Chat 模型处理

---

七、方案选择建议 / 总结

适用场景	方案
简单对话	拼接历史 messages
长对话、知识 Q&A	向量数据库 + RAG
多用户、多记忆管理	mem0 / LangChain Memory

• 上下文记忆实现本质是解决 模型无法长期记忆的问题，常见方法包括：
  • Prompt 拼接
  • 向量数据库检索（RAG）
  • 显式框架（如 mem0, LangChain Memory）