【LLM大模型】揭秘Langchain4j的Chat Memory功能！

0 前言

手动维护和管理ChatMessage比较繁琐。因此，LangChain4j 提供了ChatMemory抽象以及多个开箱即用的实现：

• ChatMemory可以作为一个独立的底层组件使用
• 也可作为类似AI服务等高级组件的一部分使用

ChatMemory作为ChatMessage的容器（基于List），并提供以下附加功能：

• 驱逐策略
• 持久化
• 对SystemMessage的特殊处理
• 对工具消息的特殊处理

1 内存 V.S 历史记录

“内存”和“历史记录”相似但有区别：

• 历史记录会完整保留用户和 AI 之间的所有消息。历史记录是用户在界面中看到的内容，表示实际发生的对话。
• 内存则保存部分信息，这些信息会提供给 LLM，使其看起来像是“记住”了对话内容。 内存与历史记录非常不同，根据使用的内存算法，它可以以多种方式修改历史记录： 驱逐某些消息，总结多条消息，提取独立消息的摘要，去除不重要的细节，注入额外信息（如用于 RAG 的信息）或指令（如用于结构化输出的指令）到消息中等。

LangChain4j 当前仅提供“内存”，而非“历史记录”。如果您需要保留整个历史记录，请手动进行保存。

2 驱逐策略

2.1必要性

适应 LLM 的上下文窗口

LLM 能一次处理的 token 数是有限。在某些情况下，对话可能会超出这个限制，此时需要驱逐部分消息。 通常，最早的消息会被驱逐，但如果需要，也可以实现更复杂的算法。

控制成本

每个 token 都有成本，因此每次调用 LLM 的成本会逐渐增加。驱逐不必要的消息可以降低成本。

控制延迟

发送给 LLM 的 token 越多，处理时间越长。

目前，LangChain4j 提供两种开箱即用的

2.2 实现

简单的MessageWindowChatMemory

作为滑动窗口保留最近的N条消息，并驱逐不再符合条件的较旧消息。 由于每条消息包含的 token 数可能不同，MessageWindowChatMemory 主要用于快速原型开发。

复杂的TokenWindowChatMemory

也是滑动窗口，但重点是保留最近的N个token，并根据需要驱逐较旧的消息。 消息是不可分割的。如果某条消息不符合条件，它将被完全驱逐。 TokenWindowChatMemory 需要一个Tokenizer来统计每条ChatMessage中的 token 数。

3 持久化

默认情况下，ChatMemory的实现将ChatMessage存储在内存中。如需持久化，可以实现自定义的ChatMemoryStore， 将ChatMessage存储在您选择的任何持久存储中：

代码语言：java

复制

class PersistentChatMemoryStore implements ChatMemoryStore {

        @Override
        public List<ChatMessage> getMessages(Object memoryId) {
          // TODO: 实现通过内存 ID 从持久存储中获取所有消息的功能。
          // 可以使用 ChatMessageDeserializer.messageFromJson(String) 和 
          // ChatMessageDeserializer.messagesFromJson(String) 来轻松从 JSON 反序列化聊天消息。
        }

        @Override
        public void updateMessages(Object memoryId, List<ChatMessage> messages) {
            // TODO: 实现通过内存 ID 更新持久存储中的所有消息。
            // 可以使用 ChatMessageSerializer.messageToJson(ChatMessage) 和 
            // ChatMessageSerializer.messagesToJson(List<ChatMessage>) 来轻松将聊天消息序列化为 JSON。
        }

        @Override
        public void deleteMessages(Object memoryId) {
          // TODO: 实现通过内存 ID 删除持久存储中所有消息的功能。
        }
    }

ChatMemory chatMemory = MessageWindowChatMemory.builder()
        .id("12345")
        .maxMessages(10)
        .chatMemoryStore(new PersistentChatMemoryStore())
        .build();

每当新的ChatMessage添加到ChatMemory中时，updateMessages()方法就会被调用。 通常在每次与 LLM 交互的过程中，这个方法会被调用两次：

• 一次是当添加新的UserMessage时
• 另一次是当添加新的AiMessage时。

updateMessages()方法需要更新与给定内存 ID 相关联的所有消息。 可以将ChatMessage分别存储（例如，每条消息一个记录/行/对象）， 也可以将其一起存储（例如，整个ChatMemory作为一个记录/行/对象）。

从ChatMemory中驱逐的消息也将从ChatMemoryStore中驱逐。 当某条消息被驱逐时，updateMessages()方法将被调用， 并且传递的消息列表不包含已驱逐的消息。

每当ChatMemory的用户请求所有消息时，都会调用getMessages()方法。 通常在每次与 LLM 交互时调用一次。 Object memoryId参数的值对应于创建ChatMemory时指定的id，

它可以用于区分多个用户和/或对话。 getMessages()方法应该返回与给定内存 ID 相关联的所有消息。

每当调用ChatMemory.clear()时，都会调用deleteMessages()方法。 如果不使用此功能，可以将此方法留空。

4 SystemMessage的特殊处理

特殊的消息类型：

• 一旦添加，SystemMessage将始终保留
• 一次只能保存一个SystemMessage
• 如添加相同内容的SystemMessage，则会被忽略
• 如添加不同内容的SystemMessage，它将替换之前的消息

5 工具消息的特殊处理

如果包含ToolExecutionRequest的AiMessage被驱逐， 后续的孤立ToolExecutionResultMessage也会自动被驱逐， 以避免某些 LLM 提供商（如 OpenAI）不允许在请求中发送孤立的ToolExecutionResultMessage的问题。

如何系统的去学习大模型LLM ？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

事实上，抢你饭碗的不是AI，而是会利用AI的人。

继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？

与其焦虑……

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。

针对所有自学遇到困难的同学们，我帮大家系统梳理大模型学习脉络，将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​

一、LLM大模型经典书籍

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

二、640套LLM大模型报告合集

这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)

三、LLM大模型系列视频教程

四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）

LLM大模型学习路线 ↓

阶段1：AI大模型时代的基础理解

• 目标：了解AI大模型的基本概念、发展历程和核心原理。

• 内容：

  • L1.1 人工智能简述与大模型起源
  • L1.2 大模型与通用人工智能
  • L1.3 GPT模型的发展历程
  • L1.4 模型工程
  • L1.4.1 知识大模型
  • L1.4.2 生产大模型
  • L1.4.3 模型工程方法论
  • L1.4.4 模型工程实践
  • L1.5 GPT应用案例

阶段2：AI大模型API应用开发工程

• 目标：掌握AI大模型API的使用和开发，以及相关的编程技能。

• 内容：

  • L2.1 API接口
  • L2.1.1 OpenAI API接口
  • L2.1.2 Python接口接入
  • L2.1.3 BOT工具类框架
  • L2.1.4 代码示例
  • L2.2 Prompt框架
  • L2.3 流水线工程
  • L2.4 总结与展望

阶段3：AI大模型应用架构实践

• 目标：深入理解AI大模型的应用架构，并能够进行私有化部署。

• 内容：

  • L3.1 Agent模型框架
  • L3.2 MetaGPT
  • L3.3 ChatGLM
  • L3.4 LLAMA
  • L3.5 其他大模型介绍

阶段4：AI大模型私有化部署

• 目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。

• 内容：

  • L4.1 模型私有化部署概述
  • L4.2 模型私有化部署的关键技术
  • L4.3 模型私有化部署的实施步骤
  • L4.4 模型私有化部署的应用场景

这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型入门+进阶学习资源包》免费分享（安全链接，放心点击）👈

​