引言为什么 AI 需要“记忆”在与 ChatGPT 等大模型对话时你是否曾感到一丝“挫败”你刚刚在上一轮对话中详细说明了需求下一轮它却仿佛失忆般问道“您能再详细描述一下吗” 这种“金鱼式”的七秒记忆正是早期 AI 应用在构建多轮对话或复杂任务流程时面临的核心挑战。LangChain Memory记忆系统正是为解决这一问题而生的核心组件。它如同一个智能的“对话笔记本”能够跨越多次交互持久化、选择性地存储和检索用户与模型之间的历史信息让 AI 应用真正拥有“上下文感知”的能力。无论是构建一个贴心的客服机器人、一个持续学习的编程助手还是一个能记住你偏好的个性化应用Memory 都是不可或缺的基石。本文将带你深入 LangChain Memory 的世界从核心概念到实战应用手把手教你如何为你的 AI 应用注入“记忆”的魔法。1. 理解 Memory核心概念与工作原理1.1 什么是 Memory在 LangChain 框架中Memory是一个用于在链Chain或智能体Agent的多次调用之间持久化状态的模块。这里的“状态”通常指代对话历史、用户偏好、会话变量等上下文信息。简单来说Memory 做了两件事存储在每次对话或交互后将重要的信息如用户查询、AI 回复、提取的实体等保存起来。检索在后续的交互中根据当前查询从存储中提取相关的历史信息并将其作为上下文注入到给大模型的提示Prompt中。1.2 Memory 的核心组件一个典型的 Memory 模块包含以下几个关键部分Memory Variables定义了需要存储和读取的变量名。最常见的两个是chat_history存储完整的对话记录列表。input存储最近一次的用户输入有时用于短期上下文。LLM大型语言模型本身。某些复杂的 Memory 类型如ConversationSummaryMemory需要 LLM 来总结或提炼历史。Retriever决定如何从存储中查找相关信息的组件。可以是简单的“返回全部”也可以是基于向量相似度的语义检索。Backing Store底层的数据存储可以是内存BufferMemory、数据库、文件系统等。1.3 工作原理流程图渲染错误:Mermaid 渲染失败: Parse error on line 4: ... A1[“用户输入(Query)”] -- A2[“Me -----------------------^ Expecting SQE, DOUBLECIRCLEEND, PE, -), STADIUMEND, SUBROUTINEEND, PIPE, CYLINDEREND, DIAMOND_STOP, TAGEND, TRAPEND, INVTRAPEND, UNICODE_TEXT, TEXT, TAGSTART, got PS2. LangChain 内置 Memory 类型详解LangChain 提供了多种开箱即用的 Memory 类适用于不同场景。2.1 ConversationBufferMemory最基础、最常用的记忆类型。它将完整的对话历史以字符串或消息列表的形式保存在内存缓冲区中。特点优点简单直接保留所有原始信息。缺点当对话轮次增多时Prompt 会急剧膨胀可能触及模型上下文长度限制且成本增加。代码示例fromlangchain.memoryimportConversationBufferMemoryfromlangchain_openaiimportChatOpenAIfromlangchain.chainsimportConversationChain# 初始化 Memory 和 LLMmemoryConversationBufferMemory()llmChatOpenAI(modelgpt-3.5-turbo,temperature0)# 创建对话链conversationConversationChain(llmllm,memorymemory,verboseTrue)# 进行多轮对话response1conversation.predict(input你好我叫小明。)print(response1)# 输出: 你好小明很高兴认识你。response2conversation.predict(input你还记得我的名字吗)print(response2)# 输出: 当然记得你刚才说你叫小明。2.2 ConversationBufferWindowMemoryConversationBufferMemory的升级版它只保留最近k轮对话。特点优点有效控制上下文长度避免无限增长。缺点会“遗忘”超出窗口的早期重要信息。代码示例fromlangchain.memoryimportConversationBufferWindowMemory# 只保留最近2轮对话memoryConversationBufferWindowMemory(k2)# ... 后续使用同上2.3 ConversationSummaryMemory一种更高级的记忆方式。它并不存储完整的对话原文而是利用 LLM 对之前的对话历史进行总结只将总结文本存入记忆。在新的交互中将最新的总结和当前问题一起交给 LLM。特点优点极大地压缩了上下文长度能保留长期对话的“精髓”。缺点总结过程会产生额外的 LLM 调用和成本可能存在信息损失。代码示例fromlangchain.memoryimportConversationSummaryMemoryfromlangchain_openaiimportChatOpenAI llmChatOpenAI(modelgpt-3.5-turbo)memoryConversationSummaryMemory(llmllm)# ... 后续使用同上2.4 ConversationSummaryBufferMemory结合了Buffer和Summary的优点。它维护一个固定长度的缓冲区当对话长度超过阈值时将最早的对话进行总结同时保留较新的原始对话。特点在控制长度和保留细节之间取得了较好的平衡。2.5 其他实用 Memory 类型ConversationEntityMemory专注于识别和记忆对话中提到的实体如人名、地点、产品并建立实体之间的关系。ConversationKnowledgeGraphMemory将对话信息以知识图谱的形式存储支持更复杂的关联查询。VectorStoreRetrieverMemory将对话历史存入向量数据库如 Chroma, Pinecone每次通过语义检索召回最相关的片段非常适合超长对话。3. 实战构建一个能记住上下文的聊天机器人让我们构建一个完整的、使用 Memory 的聊天机器人应用。3.1 项目初始化与环境准备# 创建项目目录并安装依赖mkdirlangchain-memory-botcdlangchain-memory-bot pipinstalllangchain langchain-openai python-dotenv在项目根目录创建.env文件填入你的 OpenAI API KeyOPENAI_API_KEYyour_api_key_here3.2 核心代码实现创建app.pyimportosfromdotenvimportload_dotenvfromlangchain.memoryimportConversationBufferMemoryfromlangchain_openaiimportChatOpenAIfromlangchain.chainsimportConversationChainfromlangchain_core.promptsimportPromptTemplate# 加载环境变量load_dotenv()defcreate_chatbot(memory_typebuffer):创建并返回一个配置了 Memory 的对话链llmChatOpenAI(modelgpt-3.5-turbo,temperature0.7,api_keyos.getenv(OPENAI_API_KEY))# 选择 Memory 类型ifmemory_typebuffer:memoryConversationBufferMemory(return_messagesTrue)elifmemory_typebuffer_window:memoryConversationBufferWindowMemory(k3,return_messagesTrue)else:memoryConversationBufferMemory(return_messagesTrue)# 定义一个更友好的系统提示词prompt_templatePromptTemplate.from_template(你是一个友好且专业的助手。请根据以下的对话历史和当前问题给出有帮助的回答。 如果历史对话中有相关信息请利用它们。 当前对话历史 {history} 人类{input} 助手)# 创建对话链conversationConversationChain(llmllm,memorymemory,promptprompt_template,verboseFalse# 设为 True 可查看详细的链执行过程)returnconversationdefmain():print( 启动 LangChain Memory 聊天机器人 (输入 quit 退出))print(-*50)botcreate_chatbot(memory_typebuffer)whileTrue:try:user_inputinput(\n你: )ifuser_input.lower()in[quit,exit,q]:print(助手: 再见期待下次与你聊天。)breakifuser_input.strip():responsebot.predict(inputuser_input)print(f助手:{response})exceptKeyboardInterrupt:print(\n\n程序被中断。)breakexceptExceptionase:print(f发生错误:{e})if__name____main__:main()3.3 运行与测试运行程序python app.py进行多轮对话测试观察机器人是否能记住上下文你: 你好我是张三来自北京。 助手: 你好张三很高兴认识你。北京是个很棒的城市。今天有什么可以帮你的吗 你: 我的名字是什么 助手: 你刚才说你叫张三。 你: 我来自哪个城市 助手: 你来自北京。4. 高级技巧与最佳实践4.1 将 Memory 持久化到数据库默认的 Memory 存储在内存中程序重启后记忆会消失。我们可以将其保存到数据库中。示例使用 SQLite 持久化ConversationBufferMemory(需安装langchain-community)fromlangchain_community.chat_message_historiesimportSQLChatMessageHistoryfromlangchain.memoryimportConversationBufferMemory# 创建基于 SQLite 的消息历史存储message_historySQLChatMessageHistory(session_iduser_session_123,# 会话ID用于区分不同用户或对话connection_stringsqlite:///chat_history.db)memoryConversationBufferMemory(chat_memorymessage_history,return_messagesTrue)# 现在 memory 的内容会被自动保存到数据库4.2 在 Chain 和 Agent 中使用 MemoryMemory 不仅可以用于简单的ConversationChain还可以集成到更复杂的链和智能体中。在自定义链中使用fromlangchain.chainsimportLLMChainfromlangchain.memoryimportConversationBufferMemoryfromlangchain_core.promptsimportPromptTemplate template你是一个编程助手。基于以下对话历史和当前问题给出代码建议。 历史对话 {chat_history} 当前问题{question} 代码建议promptPromptTemplate.from_template(template)memoryConversationBufferMemory(memory_keychat_history,input_keyquestion)chainLLMChain(llmllm,promptprompt,memorymemory,verboseTrue)# 调用链resultchain.invoke({question:如何在Python中反转列表})print(result[text])4.3 处理超长对话的策略分层记忆结合ConversationSummaryBufferMemory既保留近期细节又总结远期内容。向量检索记忆使用VectorStoreRetrieverMemory只召回与当前问题最相关的历史片段极大扩展有效记忆容量。关键信息提取在对话中主动识别并存储关键实体日期、决定、任务而非存储全部文本。