在你的聊天机器人中添加记忆功能：方法与实现-CSDN博客

本文链接：https://blog.csdn.net/tt_jishu/article/details/142907660

引言

在现代聊天机器人中，记忆功能是提升交互体验的重要特性。通过记忆，机器人可以使用先前对话的内容作为上下文，从而提高回答的准确性和相关性。在这篇文章中，我们将探讨几种实现聊天机器人记忆的技术，并提供代码示例，帮助你在项目中实现这些功能。

主要内容

简单消息传递

最基础的记忆形式是直接将聊天历史消息传递给模型。这种方法虽然简单，但在处理长对话时会导致上下文变得冗长。

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 初始化聊天模型
chat = ChatOpenAI(model="gpt-3.5-turbo-0125")  # 使用API代理服务提高访问稳定性

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a helpful assistant. Answer all questions."),
        ("placeholder", "{messages}"),
    ]
)

ai_msg = prompt | chat

使用消息历史类

通过使用LangChain的消息历史类，我们可以更有效地存储和管理聊天记录。

from langchain_community.chat_message_histories import ChatMessageHistory

chat_history = ChatMessageHistory()
chat_history.add_user_message("Translate this sentence from English to French: I love programming.")
chat_history.add_ai_message("J'adore la programmation.")

自动历史管理

LangChain提供了自动管理历史的工具，使得开发者无需手动管理每次的新消息。

from langchain_core.runnables.history import RunnableWithMessageHistory

chain_with_message_history = RunnableWithMessageHistory(
    ai_msg,
    lambda session_id: chat_history,
    input_messages_key="input",
    history_messages_key="chat_history",
)

代码示例

消息裁剪

在处理长对话时，可以通过裁剪历史消息来减轻模型的负担。

from operator import itemgetter
from langchain_core.messages import trim_messages
from langchain_core.runnables import RunnablePassthrough

trimmer = trim_messages(strategy="last", max_tokens=2, token_counter=len)

chain_with_trimming = (
    RunnablePassthrough.assign(chat_history=itemgetter("chat_history") | trimmer)
    | prompt
    | chat
)