[AI应用基础学习-4] LangChain-Memory

模型本身是不会记忆任何上下文的，只能依靠用户本身的输入去产生输出。在 LangChain 中，提供记忆功能的模块就称为 Memory(记忆) ，用于存储用户和模型交互的历史信息。

基础Memory模块的使用

基础Memory模块的使用

• 层次1(最直接的方式):保留一个聊天消息列表
• 层次2(简单的新思路):只返回最近交互的k条消息
• 层次3(稍微复杂一点):返回过去k条消息的简洁摘要
• 层次4(更复杂):从存储的消息中提取实体，并且仅返回有关当前运行中引用的实体的信息

ChatMessageHistory

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)，是其它记忆组件的底层存储工具。

import os

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_community.chat_message_histories import ChatMessageHistory

load_dotenv() #自动加载.env文件
#创建大模型实例
llm=ChatOpenAI(
    model= "qwen-plus",
    base_url= os.getenv("OPENAI_API_URL"),
    api_key= os.getenv("OPENAI_API_KEY1")
    )
#实例化ChatMessageHistory对象
history = ChatMessageHistory()

#添加ai message
history.add_ai_message("我是小智")
#添加user message
history.add_user_message("你好，我是小明，请介绍一下自己")
history.add_user_message("我是谁呢？")

llm.invoke(history.messages)

ConversationBufferMemory

ConversationBufferMemory是一个基础的对话记忆组件​，专门用于按原始顺序存储完整的对话历史。

适用场景:对话轮次较少、依赖完整上下文的场景(如简单的聊天机器)

return_messages=True：返回消息对象列表

return_messages=False（默认）：返回拼接的纯文本字符串

import os

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_classic.memory import ConversationBufferMemory
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_classic.chains.llm import LLMChain

load_dotenv() #自动加载.env文件
#创建大模型实例
llm=ChatOpenAI(
    model= "qwen-plus",
    base_url= os.getenv("OPENAI_API_URL"),
    api_key= os.getenv("OPENAI_API_KEY1")
    )
#创建prompt
prompt = ChatPromptTemplate.from_messages([
    ("system","你是一个与人类对话的机器人"),
    MessagesPlaceholder(variable_name="history"),
    ("human","问题:{question}")
])

#实例化ConversationBufferMemory对象
memory = ConversationBufferMemory(return_messages=True)
#使用chain连接
chain = LLMChain(prompt=prompt,llm=llm, memory=memory)
res1=chain.invoke({"question":"中国的首都在哪？"})
print(res1)

普通 PromptTemplate：仅执行后存储，首次调用仅显示问题，内部消息类型拼接字符串

ChatPromptTemplate​：执行前存储用户输入 + 执行后存储输出，首次调用显示问题+答案，内部消息类型List[BaseMessage]

ConversationChain

ConversationChain​实际上是就是对 ConversationBufferMemory​ 和LLMChain​进行了封装，并且提供一个默认格式的提示词模版，从而简化了初始化ConversationBufferMemory的步骤。

使用PromptTemplate

import os

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_classic.chains.conversation.base import ConversationChain


load_dotenv() #自动加载.env文件
#创建大模型实例
llm=ChatOpenAI(
    model= "qwen-plus",
    base_url= os.getenv("OPENAI_API_URL"),
    api_key= os.getenv("OPENAI_API_KEY1")
    )

template = """
    以下是人类与AI之间的友好对话描述。Al表现得很健谈，并提供了大量来自其上下立的具体细节。如果AI不知道问题的答案，它会真诚地表示不知道。
    当前对话：
    {history}
    Human:{input}
    AI:
"""
prompt = PromptTemplate.from_template(template)
chain = ConversationChain(llm=llm, prompt=prompt,verbose=True)

chain.invoke({"input":"你好，你的名字是小智"})

ConversationBufferWindowMemory

在了解了ConversationBufferMemory记忆类后，我们知道了它能够无限的将历史对话信息填充到 History中，从而给大模型提供上下文的背景。但这会导致内存量十分大​，并且消耗token数非常多的，此外，每个大模型都存在最大输入的Token限制。

LangChain 给出的解决方式是: ConversationBufferWindowMemory​模块。该记忆类会保存一段时间内的对话交互的列表，仅使用最近的K个交互。这样就使缓存区不会变得太大。

return_messages=True：返回消息对象列表

return_messages=False（默认）：返回拼接的纯文本字符串

import os

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_classic.chains.conversation.base import ConversationChain
from langchain_classic.memory import ConversationBufferWindowMemory


load_dotenv() #自动加载.env文件
#创建大模型实例
llm=ChatOpenAI(
    model= "qwen-plus",
    base_url= os.getenv("OPENAI_API_URL"),
    api_key= os.getenv("OPENAI_API_KEY1")
    )

template = """
    以下是人类与AI之间的友好对话描述。Al表现得很健谈，并提供了大量来自其上下立的具体细节。如果AI不知道问题的答案，它会真诚地表示不知道。
    当前对话：
    {history}
    Human:{input}
    AI:
"""
prompt = PromptTemplate.from_template(template)
#设置阈值1,只记录上一个对话
memory = ConversationBufferWindowMemory(k=1)

chain = LLMChain(prompt=prompt,llm=llm, memory=memory)


chain.invoke({"input":"你好，我的名字是小智"})
res1 = chain.invoke({"input":"我是谁？"})
print(res1)
res1 = chain.invoke({"input":"你好，我的名字是小智"})
chain.invoke({"input":"我有两个师傅"})
res2 = chain.invoke({"input":"我是谁？"})
print(res2)

其他Memory模块

ConversationTokenBufferMemory​ 是 LangChain 中一种基于Token数量限制的对话记忆机制。如果 字符数量超出指定数目，它会切掉这个对话的早期部分，以保留与最近的交流相对应的字符数量。

ConversationSummaryMemory​是 LangChain 中一种智能压缩对话历史​的记忆机制，它通过大语言模型(LLM)自动生成对话内容的精简摘要，而不是存储原始对话文本。

ConversationSummaryBufferMemory​ 是 LangChain 中一种混合型记忆机制，它结合了 ConversationBufferMemory(完整对话记录)​和 ConversationSummaryMemory(摘要记忆)​的优点，在保留最近对话原始记录的同时，对较早的对话内容进行智能摘要。

memory = ConversationSummaryBufferMemory(
 llm=llm, max_token_limit=40, return_messages=True
)

ConversationEntityMemory 是一种基于实体的对话记忆机制，它能够智能地识别、存储和利用对话中 出现的实体信息(如人名、地点、产品等)及其属性/关系，并结构化存储，使 AI 具备更强的上下文理 解和记忆能力。

ConversationKGMemory是一种基于知识图谱(Knowledge Graph)的对话记忆模块，它比 ConversationEntityMemory 更进一步，不仅能识别和存储实体，还能捕捉实体之间的复杂关系，形成结构化的知识网络。

VectorStoreRetrieverMemory​是一种基于向量检索​的先进记忆机制，它将对话历史存储在向量数据库中，通过语义相似度检索相关信息，而非传统的线性记忆方式。每次调用时，就会查找与该记忆关联最高的k个文档。