记忆模块Memory

在最开始我们就通过实验知道LLM 本身是没有记忆的，每一次LLM的API调用都是一个全新的会话。但在某些应用程序中，如：聊天机器人，让LLM记住以前的历史交互是非常重要，无论是在短期的还是长期的。langchain中的“Memory”即对话历史（message history）就是为了实现这一点。

#用于创建对话链
from langchain.chains import ConversationChain
#用于存储对话历史，以便在后续对话中参考
from langchain.memory import ConversationBufferMemory

from langchain_openai import ChatOpenAI
import warnings
warnings.filterwarnings("ignore")

# 初始化大模型（需配置OPENAI_API_KEY）
API_KEY = "xxxxxxxxx"
llm = ChatOpenAI(model="deepseek-chat",
                   openai_api_key=API_KEY,
                   openai_api_base="https://api.deepseek.com")

#实例化一个对话缓冲区，用于存储对话历史
memory = ConversationBufferMemory()
#创建一个对话链，将大语言模型和对话缓冲区关联起来。
conversation = ConversationChain(
    llm=llm,
    memory=memory,
)

conversation.invoke("今天早上猪八戒吃了2个人参果。")
print("记忆1: ", conversation.memory.buffer)
print()

conversation.invoke("下午猪八戒吃了1个人参果。")
print("记忆2: ", conversation.memory.buffer)
print()

conversation.invoke("晚上猪八戒吃了3个人参果。")
print("记忆3: ", conversation.memory.buffer)
print()

conversation.invoke("猪八戒今天一共吃了几个人参果？")
print("记忆4: ", conversation.memory.buffer)

1. 导入必要的模块

from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
from langchain_openai import ChatOpenAI
import warnings
warnings.filterwarnings("ignore")

• ConversationChain：用于创建对话链
• ConversationBufferMemory：用于存储对话历史
• ChatOpenAI：用于连接 OpenAI 兼容的 API（这里使用的是 deepseek）
• warnings：用于忽略警告信息

2. 初始化大模型

API_KEY = "xxxxxxxxx"
llm = ChatOpenAI(model="deepseek-chat",
                   openai_api_key=API_KEY,
                   openai_api_base="https://api.deepseek.com")

• 配置 API 密钥（需要替换为实际的 API 密钥）
• 使用 ChatOpenAI 连接到 deepseek-chat 模型
• 指定 API 基础地址为 deepseek 的 API 地址

3. 创建对话缓冲区

memory = ConversationBufferMemory()

• 创建一个对话缓冲区实例，用于存储对话历史

4. 创建对话链

conversation = ConversationChain(
    llm=llm,
    memory=memory,
)

• 创建对话链，将大语言模型和对话缓冲区关联起来
• 这样对话链就具备了记忆功能

5. 进行多轮对话

conversation.invoke("今天早上猪八戒吃了2个人参果。")
print("记忆1: ", conversation.memory.buffer)
print()

conversation.invoke("下午猪八戒吃了1个人参果。")
print("记忆2: ", conversation.memory.buffer)
print()

conversation.invoke("晚上猪八戒吃了3个人参果。")
print("记忆3: ", conversation.memory.buffer)
print()

conversation.invoke("猪八戒今天一共吃了几个人参果？")
print("记忆4: ", conversation.memory.buffer)

预期输出

记忆1:  人类: 今天早上猪八戒吃了2个人参果。
AI: 好的，我知道了猪八戒今天早上吃了2个人参果。

记忆2:  人类: 今天早上猪八戒吃了2个人参果。
AI: 好的，我知道了猪八戒今天早上吃了2个人参果。
人类: 下午猪八戒吃了1个人参果。
AI: 了解，猪八戒下午又吃了1个人参果。

记忆3:  人类: 今天早上猪八戒吃了2个人参果。
AI: 好的，我知道了猪八戒今天早上吃了2个人参果。
人类: 下午猪八戒吃了1个人参果。
AI: 了解，猪八戒下午又吃了1个人参果。
人类: 晚上猪八戒吃了3个人参果。
AI: 明白了，猪八戒晚上还吃了3个人参果。

记忆4:  人类: 今天早上猪八戒吃了2个人参果。
AI: 好的，我知道了猪八戒今天早上吃了2个人参果。
人类: 下午猪八戒吃了1个人参果。
AI: 了解，猪八戒下午又吃了1个人参果。
人类: 晚上猪八戒吃了3个人参果。
AI: 明白了，猪八戒晚上还吃了3个人参果。
人类: 猪八戒今天一共吃了几个人参果？
AI: 猪八戒今天一共吃了6个人参果（早上2个 + 下午1个 + 晚上3个）。

关键功能说明

1. 对话记忆：ConversationBufferMemory会存储所有的对话历史
2. 上下文理解：模型能够根据之前的对话内容回答当前问题
3. 状态保持：每轮对话后，对话历史都会被更新并保存

 功能设计：多轮对话

from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
from langchain_openai import ChatOpenAI
import warnings
warnings.filterwarnings("ignore")

# 实例化一个对话缓冲区，用于存储对话历史
memory = ConversationBufferMemory()
# 创建一个对话链，将大语言模型和对话缓冲区关联起来。
conversation = ConversationChain(
    llm=llm,
    memory=memory,
)

print("欢迎使用对话系统！输入 '退出' 结束对话。")

while True:
    user_input = input("你: ")
    if user_input.lower() in ['退出', 'exit', 'quit']:
        print("再见！")
        break
    response = conversation.predict(input=user_input)
    print(f"AI: {response}")

# 打印出对话历史，即 memory.buffer 的内容
print("对话历史:", memory.buffer)