马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
您需要 登录 才可以下载或查看，没有账号？立即注册
×
上回学会了提示词模板、输出剖析器、链式调用和流式输出。现在AI已经能听懂人话、按格式输出了。
但另有一个标题：每次问AI，它都像第一次见你一样，完全不记得之前聊过什么。
你说“我叫小明”，它记着了。你再问“我叫什么”，它说“你没有告诉我”。
这就很尴尬了。
能不能让AI拥有“影象”，记着上下文呢？
对话影象（Memory），就是干这个的。
一、什么是对话影象？
LangChain的Memory模块，用于在多次对话之间存储和转达汗青信息，让模子具备“记着之前聊过什么”的本领。
作用：在对话中保存上下文，让AI的答复更连贯、更自然、更符合对话场景。
简单说就是：让AI从一个“忘记的路人”，酿成一个“有影象的朋侪”。
好比你连续问AI三个标题：
你：“我叫小明。”
AI：“好的，小明。”
你：“我家养了一只猫叫汤姆。”
AI：“汤姆，记着了。”
你：“我叫什么？”
AI：“你没有告诉过我你的名字。”
末了那句就很出戏。前面显着说了名字，但AI转头就忘了。
Memory就是为相识决这个标题：
你：“我叫小明。”
AI：“好的，小明。”
你：“我家养了一只猫叫汤姆。”
AI：“汤姆，记着了。”
你：“我叫什么？”
AI：“你之前说你叫小明。”
固然现在看到很多谈天呆板人都是有影象的，着实是借助了代码的资助，提供了汗青信息作为和LLM对话的上下文。
二、Memory的范例
LangChain提供了多种Memory范例，差别场景用差别的：
Memory范例作用实用场景ConversationBufferMemory把全部对话汗青存下来短对话、简单问答ConversationBufferWindowMemory只记着迩来K轮对话长对话、控制上下文长度ConversationSummaryMemory把对话内容压缩成择要再存超长对话，节流tokenConversationSummaryBufferMemory择要+迩来几轮肴杂折中方案VectorStoreRetrieverMemory用向量数据库存储，按相干性检索海量对话、智能客服新手入门，先用前两个就够了。
三、代码实战：ConversationBufferMemory
这是最简单的影象方式——把全部的对话汗青都存下来。完备存储全部对话汗青，不做任何压缩或筛选。
- 优点：保存全部细节，得当必要完备上下文的场景。
- 缺点：Token斲丧随对话线性增长，易超出模子上下文窗口限定。
代码如下：- from langchain.memory import ConversationBufferMemory
- from langchain import ConversationChain
- from langchain_community.llms import tongyi
- # ==================== 配置 ====================
- key = "your key"#替换为个人申请的api_key
- llm = tongyi.Tongyi(api_key=key)
- #创建一个记忆系统
- memory = ConversationBufferMemory()
- #创建会话链
- conversation = ConversationChain(llm=llm,memory=memory,verbose=False)
- print(conversation.predict(input="你好，我是一名程序员。"))
- print(conversation.predict(input="你叫什么名字？"))
- print(conversation.predict(input="我的职业是什么？"))
第一轮：“你好！你寻常都用什么软件写代码呢？”
第二轮：“我是通义模子。”
第三轮：“你是一名步调员。”
看到了吗？AI记着了三件事，而且反面两轮的答复都基于第一轮的信息。
四、代码实战：ConversationBufferWindowMemory
ConversationBufferWindowMemory是LangChain提供的一种影象机制，只存储迩来的K条对话纪录（包罗用户输入和模子输出），K是用户指定的窗口巨细，表现保存多少轮对话（每轮对话包罗一条用户消息和一条模子相应）。
当新的对话发生，最旧的对话会被移出窗口，确保内存和Token使用量保持在可控范围内。
特点
- 滑动窗口机制：只生存迩来K轮对话，新的对话会覆盖最早的对话纪录。
- 固定内存占用：无论对话举行多久，内存中只存储固定命量的对话纪录，Token斲丧不会随时间线性增长。
- 可设置性：用户可以设置K参数，控制窗口巨细，调解上下文的深度。
缺点
- 丢失早期上下文：只保存迩来的K条纪录，早起的信息会被忘记，影响对话的连贯性。
- 不得当复杂场景：必要完备对话汗青或长期依靠的场景（如法律咨询、长篇故事天生等），结果不如ConversationBufferMemory。
- 窗口巨细选择困难：设置符合的K必要权衡上下文完备性和资源斲丧，过小大概导致信息不敷，过大失去服从上风。
代码如下：- from langchain.memory import ConversationBufferWindowMemory
- from langchain_community.llms import tongyi
- from langchain.chains import ConversationChain
- # ==================== 配置 ====================
- key = "your key"#替换为个人申请的api_key
- llm = tongyi.Tongyi(api_key=key)
- #创建一个记忆系统
- memory = ConversationBufferWindowMemory(k=1)
- #创建会话链
- conversation = ConversationChain(llm=llm,memory=memory)
- conversation.predict(input="你好，我是一名程序员。")
- conversation.predict(input="你叫什么名字？")
- conversation.predict(input="我的职业是什么？")
- #提取记忆
- print(memory.buffer)
“你没有告诉过我你的职业。”
这就是窗口影象的特点：只记迩来的，高出K轮的主动忘记。
五、两种Memory对比
对比维度BufferMemory（全量影象）BufferWindowMemory（窗口影象）存什么全部对话汗青只存迩来K轮优点信息完备，不会丢节流token，不会超限缺点对话越长越费钱早期信息会丢失实用场景短对话（5轮以内）长对话（10轮以上）💡 发起： 刚开始用 k=3 或 k=5，看结果再调解。k太小轻易“失忆”，k太大又费钱
有了影象，AI就不再是“每次见面都像生疏人”了。它开始像一个真正的对话搭档——固然不肯定聪明，但至少不忘记。
|
发表于 2026-6-24 11:13:26