19-day5-对比 有记忆 vs 无记忆

🧪 对比：有记忆 vs 无记忆

两个脚本：

• agent_without_memory.py：每次对话都“失忆”
• agent_with_memory.py：记住之前的对话（即你已有的程序）

第一步：准备两个脚本

✅ 脚本1：无记忆版（agent_without_memory.py）

# agent_without_memory.py
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

load_dotenv()

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
)

# 注意：这里没有 MessagesPlaceholder，也没有历史
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个 AI 助手。"),
    ("human", "{input}")
])

chain = prompt | llm

if __name__ == "__main__":
    print("🤖 无记忆 Agent 启动！输入 'quit' 退出。\n")
    while True:
        user_input = input("👤 你: ")
        if user_input.strip().lower() == "quit":
            break
        response = chain.invoke({"input": user_input})
        print(f"🤖 Agent: {response.content}\n")

🔍 关键点：每次只传当前问题，不带历史 → 模型不知道之前聊过什么。

---

✅ 脚本2：有记忆版（agent_with_memory.py）

就是你已经写好的那个（确保包含 .env 和依赖）。为方便对比，这里再精简确认一下核心逻辑：

# agent_with_memory.py（简化确认版）
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_community.chat_message_histories import ChatMessageHistory

load_dotenv()

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 = 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"),
    ("human", "{input}")
])

chain = prompt | llm

store = {}
def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

with_message_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)

if __name__ == "__main__":
    print("🤖 有记忆 Agent 启动！输入 'quit' 退出。\n")
    while True:
        user_input = input("👤 你: ")
        if user_input.strip().lower() == "quit":
            break
        response = with_message_history.invoke(
            {"input": user_input},
            config={"configurable": {"session_id": "test123"}}
        )
        print(f"🤖 Agent: {response.content}\n")

---

第二步：运行对比测试

在终端中分别运行两个程序，用相同的对话流程测试：

🔹 测试流程（对两个 Agent 都执行）：

1. 输入：我叫李明
2. 输入：我叫什么名字？
3. 输入：刚刚我说了什么？

---

第三步：对比

步骤	无记忆 Agent (agent_without_memory.py)	有记忆 Agent (agent_with_memory.py)
1. 我叫李明	👉 回复：“你好！” 或 “知道了。”（但不会记住）	👉 回复：“你好，李明！”
2. 我叫什么名字？	❌ 回复：“我不知道你的名字。”或瞎猜：“你没告诉我。”	✅ 回复：“你叫李明。”
3. 刚刚我说了什么？	❌ 回复：“我不记得了。”或胡说八道	✅ 回复：“你刚刚说你叫李明。”

💡 这就是上下文缺失 vs 上下文完整的直接体现！

---

第四步：讨论点

• 为什么无记忆版答不上来？
  → 因为它每次只看到当前一句话，像一个“金鱼记忆”的人。

• 有记忆版是怎么做到的？
  → 它把之前的对话拼在新问题前面，一起发给大模型，相当于“复习聊天记录”。

• 这种记忆是永久的吗？
  → 不是！程序一关，内存清空，记忆就没了（除非用数据库保存）。

• 有没有代价？
  → 有！对话越长，发送的文本越多，消耗的 token 越多，速度变慢，费用增加。

---

✅ 小结

特性	无记忆 Agent	有记忆 Agent
实现复杂度	简单	中等
对话连贯性	差	好
适用场景	单次问答（如查天气）	多轮对话（如客服、助手）
Token 消耗	低	随对话指数级增长