18-day5-memory

🧠 Day5 理论：让 AI Agent 拥有“记忆”——对话记录

图片

1. 问题背景：为什么需要“记忆”？

默认情况下，大语言模型（如 Qwen、GPT）是无状态的：
每次你发送一条消息，它都当作“第一次对话”来处理，不会记住你之前说过什么。

例如：

你说：“我叫小明。”
下一句问：“我叫什么？”
→ 模型很可能回答：“我不知道。”

这在真实对话中是不可接受的。
因此，我们需要一种机制，把之前的对话内容“带入”当前请求，这就是 对话记忆（Chat Memory）。

2. 核心思想：把历史消息作为上下文传给模型

实现记忆的关键不是让模型“真的记住”，而是：
在每次提问时，把之前的对话记录（历史）一起发给模型。

这样，模型就能基于完整上下文生成连贯的回答。

例如：

[系统] 你是一个有记忆的助手。
[用户] 我叫黄河。
[助手] 你好，黄河！
[用户] 我叫什么名字？
→ 把前三条消息都发给模型 → 模型知道答案是“黄河”

day5-让 Agent 记住你说过的话. 单用户

1️⃣ 创建工作目录 & 虚拟环境

# 创建目录
mkdir -p day5_memory && cd day5_memory

# 创建虚拟环境（Python 3.10+）
python3 -m venv day5-memory
source day5-memory/bin/activate

# 升级 pip 
pip install --upgrade pip -i https://mirrors.aliyun.com/pypi/simple/

# 创建 .env 文件（替换为您的实际API Key）
echo "DASHSCOPE_API_KEY=sk-6adfbafe2c854374b32c720982666ce5" > .env

✅

pip install langchain langchain-community langchain-openai python-dotenv -i https://mirrors.aliyun.com/pypi/simple/

tee  agent_with_memory-1.py  <<'EOF'
# agent_with_memory_1.py
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_core.chat_history import BaseChatMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory

# 加载 .env
load_dotenv()

# 初始化模型（DashScope 兼容 OpenAI）
llm = ChatOpenAI(
    model="qwen-max",
    openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
    temperature=0.7
)

# Prompt 模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有记忆的 AI 助手。请记住用户之前说过的话。"),
    MessagesPlaceholder(variable_name="history"),  # 👈【MEMORY：先放历史】
    ("human", "{input}")                           # 👈【再放当前问题】
])

# LangChain 表达式，使用 Python 的 “管道操作符” |
# 将两个组件 串联成一个可运行的链（Runnable Chain）
chain = prompt | llm

# 内存存储历史 👈 ←←←【MEMORY 核心：会话历史的全局存储字典】
store = {}

# 获取/创建会话历史
def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = ChatMessageHistory()   # 👈 ←←←【MEMORY：首次访问时创建新历史对象】
    return store[session_id]                       # 👈 ←←←【MEMORY：返回对应会话的历史对象】

# 绑定记忆到链
with_message_history = RunnableWithMessageHistory(
    chain,
    get_session_history,                # 👈 ←←←【MEMORY：指定如何根据 session_id 获取历史】
    input_messages_key="input",         # 用户输入字段名
    history_messages_key="history",     # 👈 ←←←【MEMORY：指定 prompt 中占位符变量名，必须与 MessagesPlaceholder 一致】
)

if __name__ == "__main__":
    print("🤖 记忆型 Agent 启动！输入 'quit' 退出，输入 'show_memory' 查看当前记忆。\n")
    while True:
        user_input = input("👤 你: ")
        if user_input.strip().lower() == "quit":
            break
        elif user_input.strip().lower() == "show_memory":
            # 打印当前 session 的记忆
            history = get_session_history("abc123")           # 👈 ←←←【MEMORY：获取 ID 为 "abc123" 的会话历史】
            print("🧠 当前记忆内容:")
            for msg in history.messages:
                role = "👤 用户" if msg.type == "human" else "🤖 Agent"
                print(f"{role}: {msg.content}")
            print()
            continue

        response = with_message_history.invoke(
            {"input": user_input},
            config={"configurable": {"session_id": "abc123"}}    # 👈 ←←←【MEMORY：本次调用所属的会话 ID，用于自动加载/保存历史】
        )
        print(f"🤖 Agent: {response.content}\n")
EOF

python agent_with_memory-1.py

测试

(day5-memory) [jacky@vms106 day5_memory]$python agent_with_memory.py
🤖 记忆型 Agent 启动！输入 'quit' 退出。

👤 你: 我叫张月山
🤖 Agent: 你好，张月山！很高兴认识你。如果你有任何问题或需要帮助，请随时告诉我。

👤 你: 我叫什么名字
🤖 Agent: 你叫张月山。如果你有其他问题或需要帮助，随时告诉我哦！

👤 你: 现在几点
🤖 Agent: 我目前无法直接查看实时时间。你可以查看设备上的时间来获取准确的时间。如果需要帮助设置时钟或有其他问题，随时告诉我！

👤 你: 我可以问你什么问题
🤖 Agent: 你可以问我各种各样的问题，包括但不限于以下几类：

1. **知识类问题**：如历史、科学、技术、文化、艺术等方面的问题。
2. **实用信息**：如天气预报、新闻更新、时间转换等。
3. **生活建议**：如健康饮食、锻炼建议、旅行规划等。
4. **学习帮助**：如语言学习、数学问题、编程问题等。
5. **娱乐**：如电影推荐、音乐推荐、谜语或小游戏等。
6. **技术支持**：如设备使用问题、软件安装和配置等。
7. **心理支持**：如情绪管理、压力缓解等。

如果你有任何具体的问题或需要帮助的地方，请随时告诉我！

👤 你: 1+1等于几 ？
🤖 Agent: 1+1等于2。如果你有其他数学问题或需要帮助的地方，随时告诉我！

👤 你: 刚刚我问你什么
🤖 Agent: 你刚刚问我“1+1等于几”，我回答说1+1等于2。如果你有其他问题或需要进一步的帮助，请告诉我！

带记忆的 Agent 工作过程**

一、先拥有“短期记忆”

大型语言模型（如 Qwen-Max）本身是无状态的：每次调用都是独立的，无法自动记住上一轮对话。
要实现记忆功能，必须在应用层显式地管理历史消息，并将其作为上下文输入给模型。

本文的程序通过 LangChain 的 RunnableWithMessageHistory 和 ChatMessageHistory 实现了这一能力，
其本质是：

在每次调用 LLM 前，把过去的对话记录拼接到 Prompt 中，让模型“看到”历史。

二、记忆机制的核心组件

🏫 比喻：用学生管理系统 阐述技术组件

学校要记住他们全程的学习情况、提问记录和老师反馈。

1. store：全校学生的「电子学籍档案库」

一个中央数据库，按学号存储每个学生的完整成长档案。

  • 每位学生有唯一 学号（session_id），如 "S2026001"。
  • 档案库里每个学号对应一个 个人成长记录本（ChatMessageHistory），记录所有对话：
    • 学生提问：“这道题怎么做？”
    • 老师（AI）回答：“我们先看公式……”
  • 新生入学？系统自动创建空白档案。

✅ 作用：集中、隔离地保存所有学生的交互历史，一人一档。

2. get_session_history(session_id)：教务处档案管理员

老师要辅导学生前，必须向管理员申请该生的档案。

  • 老师说：“我要查学号 S2026001 的档案。”
  • 管理员去档案库（store）查找：
    • 找到了 → 拿出记录本；
    • 找不到（新生）→ 立即新建一本，编号归档，再交给老师。
  • 老师用完后，管理员负责把更新后的档案放回原位。

✅ 作用：根据学号安全、准确地获取或初始化学生记忆档案。

3. MessagesPlaceholder("history")：教师备课模板中的「学生历史栏」

老师每次备课（生成回答）前，都要参考一个标准教案模板。

模板长这样：

[系统角色] 你是一位耐心的数学老师。
[📚 学生历史记录] ←← 这里要粘贴从档案拿来的对话记录
[当前问题] 学生问：“上次那道几何题我还有点不懂。”
  • “学生历史记录”是一个预留插槽，不能写死内容。
  • 教务系统会自动把档案里的内容填进去，确保老师了解上下文。

✅ 作用：在 Prompt 中明确指定“历史信息插入位置”，让 AI 看到上下文。

4. RunnableWithMessageHistory：智能教学调度平台

学校部署的 AI 教学中台系统，自动协调档案、教师、学生三方。

当学生提交问题时，平台自动完成以下流程：

  1. 识别学号（从请求中提取 session_id）；
  2. 调用档案管理员（get_session_history）取出该生档案；
  3. 填充教案模板：把历史对话塞进 MessagesPlaceholder("history")；
  4. 调用 AI 教师模型 生成个性化回答；
  5. 更新档案：将本次问答追加到学生记录本，并存回档案库。

✅ 作用：
全自动实现“加载记忆 → 生成回答 → 保存新记忆”的闭环，
是整个系统的“胶水”与引擎。

🔄 完整流程示例

学生（学号 S2026001）问：“我昨天问的那道二次函数题，能再讲一遍吗？”

  1. 教学平台收到请求，识别学号 S2026001；
  2. 调用档案管理员，从学籍库取出该生档案（含昨日对话）；
  3. 将历史记录插入教师教案的“学生历史栏”；
  4. 教师看到上下文，给出这次的回答；
  5. 平台把这次问答追加到学生档案，归档保存——记忆更新完成！

📚 对照表：技术 ↔ 学籍管理

技术组件 学籍系统角色 核心职责
store 全校电子学籍档案库 按学号存储所有学生对话历史
get_session_history 教务处档案管理员 根据学号取/建学生档案
MessagesPlaceholder("history") 教师教案中的“学生历史”插槽 指定上下文插入位置
RunnableWithMessageHistory 智能教学调度平台 自动串联“取档 → 备课 → 授课 → 归档”全流程

专业阐述

1. store：会话历史的全局存储字典

store = {}
  • 这是一个 Python 字典，键为 session_id（如 "abc123"），值为 ChatMessageHistory 对象。
  • 每个会话 ID 对应一个独立的对话历史，支持多用户或多轮会话隔离。

2. get_session_history(session_id)：历史访问函数

def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]
  • “历史获取器”（History Getter）。这是 LangChain 的一种约定格式（convention），是 RunnableWithMessageHistory 组件对接口的强制要求。
  • 首次访问某个 session_id 时，自动创建一个新的空历史对象；后续访问则返回已有对象。
  • 关键点：该函数被 RunnableWithMessageHistory 内部调用，用于加载/保存消息。

3. MessagesPlaceholder("history")：Prompt 中的记忆插入点

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有记忆的 AI 助手..."),
    MessagesPlaceholder(variable_name="history"),  # ← 插入历史消息的位置
    ("human", "{input}")
])
  • MessagesPlaceholder 是一个占位符，告诉 LangChain：“在这里插入会话历史”。
  • 它的名字 "history" 必须与 RunnableWithMessageHistory 中的 history_messages_key 一致。

4. RunnableWithMessageHistory：包装器，绑定记忆的驱动

with_message_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)
  • 这个包装器将普通链（chain）升级为带记忆的可运行对象。
  • 每次调用 .invoke() 时，它会：
    1. 根据 configurable.session_id 找到对应的 ChatMessageHistory；
    2. 将历史消息自动注入到 prompt 的 "history" 占位符；
    3. 调用 LLM 得到响应；
    4. 自动将本次用户输入和 AI 回复追加到历史中（实现记忆持久化）。

三、一次对话的执行流程

假设用户输入 "你好"，session_id = "abc123"：

  1. 调用入口：

    response = with_message_history.invoke(
    {"input": "你好"},
    config={"configurable": {"session_id": "abc123"}}
)

  2. 加载历史：

    • get_session_history("abc123") 被调用。
    • 若是首次，则 store["abc123"] = ChatMessageHistory()（空列表）。

  3. 构建完整 Prompt：

    [System] 你是一个有记忆的 AI 助手...
[Human] 你好

    （因为历史为空，MessagesPlaceholder 不插入任何内容）

  4. 调用 LLM → 返回回复，例如 "你好！很高兴见到你。"

  5. 自动保存对话：

    • LangChain 自动将以下两条消息追加到 store["abc123"].messages：
      • HumanMessage(content="你好")
      • AIMessage(content="你好！很高兴见到你。")

  6. 下次对话（如用户问“我刚才说了什么？”）：

    • 历史已包含上一轮对话；
    • Prompt 变为：
      [System] ...
[Human] 你好
[AI] 你好！很高兴见到你。
[Human] 我刚才说了什么？
    • LLM 基于完整上下文作答：“你刚才说‘你好’。”

四、设计亮点与注意事项

✅ 优点

  • 解耦清晰：记忆逻辑与业务逻辑分离，通过配置即可启用。
  • 会话隔离：不同 session_id 互不影响，适合 Web 应用（每个用户一个 ID）。
  • 自动管理：无需手动 push/pop 消息，LangChain 自动维护历史。

⚠️ 注意事项

  • 内存限制：store 存在内存中，长期运行可能 OOM。生产环境应替换为数据库持久化存储。
  • Token 上限：历史消息会不断增长，可能超出模型上下文长度（如 Qwen-Max 为 32768 tokens）。需实现摘要压缩策略。

五、扩展方向

  1. 持久化存储
    将 store 替换为 DB 后端。

  2. 记忆摘要（Memory Summarization）
    当历史过长时，用另一个 LLM 调用生成摘要，替代原始消息。

  3. 多轮意图识别
    结合记忆判断用户当前意图是否依赖历史（如订票场景中的“改签”）。

小结

这段代码展示了 LangChain 中“记忆型 Agent”的标准方法。
它不是魔法，而是通过显式管理对话历史 + 动态注入 Prompt 实现的工程技巧。
理解这一机制，是构建复杂对话系统（如客服机器人、个人助理）的重要基石。

记忆不是模型的天赋，而是我们赋予它的责任。

posted @ 2026-01-29 22:37  船山薪火  阅读(14)  评论(0)    收藏  举报
![image](https://img2024.cnblogs.com/blog/3174785/202601/3174785-20260125205854513-941832118.jpg)