【LangChain学习之旅】—（11） 记忆：通过Memory记住用户上次的对话细节

已于 2024-03-09 21:39:43 修改
阅读量1.4k 收藏 13
点赞数 8
分类专栏： Langchain 笔记 文章标签： langchain 大模型
于 2024-03-03 14:34:51 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_56462041/article/details/136402050
版权
本文介绍了LangChain库中用于实现对话记忆的机制，包括ConversationChain、ConversationBufferMemory、ConversationBufferWindowMemory和ConversationSummaryMemory。通过这些机制，大模型可以在对话中记住上下文，从而在后续的交互中提供更连贯的回答。ConversationBufferWindowMemory仅保留最近的互动，而ConversationSummaryMemory则通过对话总结来减少Token使用。ConversationSummaryBufferMemory综合了两者，兼顾历史对话和最近互动。不同的记忆机制适用于不同长度和需求的对话场景。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【LangChain学习之旅】—（11） 记忆：通过Memory记住客户上次买花时的对话细节

在默认情况下，无论是 LLM 还是代理都是无状态的，每次模型的调用都是独立于其他交互的。也就是说，我们每次通过 API 开始和大语言模型展开一次新的对话，它都不知道你其实昨天或者前天曾经和它聊过天了。你肯定会说，不可能啊，每次和 ChatGPT 聊天的时候，ChatGPT 明明白白地记得我之前交待过的事情。
在这里插入图片描述

的确如此，ChatGPT 之所以能够记得你之前说过的话，正是因为它使用了记忆（Memory）机制，记录了之前的对话上下文，并且把这个上下文作为提示的一部分，在最新的调用中传递给了模型。在聊天机器人的构建中，记忆机制非常重要。

使用 ConversationChain

不过，在开始介绍 LangChain 中记忆机制的具体实现之前，先重新看一下我们上一节课曾经见过的 ConversationChain。

这个 Chain 最主要的特点是，它提供了包含 AI 前缀和人类前缀的对话摘要格式，这个对话格式和记忆机制结合得非常紧密。让我们看一个简单的示例，并打印出 ConversationChain 中的内置

了解本专栏 订阅专栏 解锁全文 超级会员免费看
ConversationSummaryBufferMemory
AI大模型应用之禅
01-16 779
对话摘要 缓冲内存 长短期记忆网络 自然语言处理 机器学习 聊天机器人 记忆机制 1. 背景介绍 在当今人工智能蓬勃发展的时代，对话系统已经成为人们与
开源模型应用落地-LangChain高阶-记忆组件-ConversationSummaryMemory正确使用（五）
没有卑微的工作，只有卑微的心态，与其抱怨，不如埋头实干
07-31 6520
如何正确使用ConversationSummaryMemory组件
从原理上总结chatGPT的Prompt的方法
03-14 348
ChatGPT的Prompt方法，从原理上看，主要是通过对模型进行“提示工程”（Prompt Engineering）来引导其生成更符合用户需求和情境的回答。：在实际应用中，ChatGPT能够基于之前的对话历史进行连续性对话，即通过记录并理解先前的交互内容，后续的Prompt可以根据之前的话题和语境进行延展。ChatGPT的Prompt方法是一种利用人类可读、可理解的自然语言指令，巧妙地激发和引导预训练大模型输出高质量、满足特定要求文本的技术手段。
LangChain库的对话记忆机制
qq_62231627的博客
01-17 2056
在人工智能领域，对话记忆是聊天机器人技术的一个重要组成部分。它使得机器人能够记住与用户的历史交互，从而进行连贯的对话。如果没有对话记忆，每个查询都会被当作完全独立的输入来处理，这将大大降低对话的连贯性和实用性。对话记忆指的是机器人记住与用户之前交互的能力。默认情况下，机器人是无状态的，也就是说，它们处理每个输入时都不会考虑之前的交互。对话记忆的存在，使得机器人能够记住之前的交互，这在聊天机器人等应用中非常重要。不同的对话记忆机制适用于不同的对话场景。
ChatGPT是否会记住之前的对话内容？
2301_78240434的博客
06-08 5912
ChatGPT还可能受到噪声信号的影响，例如用户打字时的拼写或语法错误，这些错误可能会干扰到ChatGPT对输入的理解和记忆。总的来说，ChatGPT的记忆机制是一种高度复杂的过程，它涉及到神经网络的结构和训练数据的质量、数量等多个因素。在处理长时间历史记录的情况下，ChatGPT可能需要更长的时间窗口来记忆先前的对话，而在处理短时间历史记录时，则可以使用较短的时间窗口。如果用户在不同的场景中提出相似的问题，ChatGPT会根据先前对话的语境重新解释这些问题，并提供适当的答案。
Langchain 的 ConversationSummaryBufferMemory
engchina的专栏
07-23 1572
Langchain 的 ConversationSummaryBufferMemory
LangChain之内存记忆 ( Memory )
2401_84495725的博客
06-14 1146
ConversationSummaryMemory这种类型的记忆随着时间的推移创建对话的摘要。对话摘要记忆随着对话的发生而总结对话，并在记忆中存储当前的摘要。ConversationSummaryMemory这种记忆对于较长的对话最有用，可以避免过度使用Token，因为将过去的信息历史以原文形式保留在提示中会占用太多的Token。复制代码摘要对话：每次新的互动发生时对对话进行摘要，而不是保存完整的对话历史。使用LLM进行摘要：摘要功能由另一个LLM驱动，AI自行进行对话摘要。
【LangChain学习之旅】—（1） 何谓 LangChain
我们都是被分成两半的人，一边热爱生活，一边憎恨生活。面对生活，我们总是在矛盾的两端摇摆，在反复的矛盾和犹豫中，一边踉跄前行，一边重振旗鼓。我渴望改变，渴望变得更好，渴望找到出口……就像一个溺水人的挣扎，就像一个救生圈。我是一个矛盾集合体，想要变得快乐，但是
12-17 1734
总而言之，LangChain 是一个基于大语言模型（LLMs）用于构建端到端语言模型应用的框架，它可以让开发者使用语言模型来实现各种复杂的任务，例如文本到图像的生成、文档问答、聊天机器人等。你已经制作好了一批鲜花的推广海报，想为每一个海报的内容，写一两句话，然后 post 到社交平台上，以期图文并茂。不过，这段代码需要的包比较多。根据输入的图片 URL，由 OpenAI 大语言模型驱动的 LangChain Agent，首先利用图像字幕生成工具将图片转化为字幕，然后对字幕做进一步处理，生成中文推广文案。
【LangChain学习之旅】—（3） LangChain快速构建本地知识库的智能问答系统
我们都是被分成两半的人，一边热爱生活，一边憎恨生活。面对生活，我们总是在矛盾的两端摇摆，在反复的矛盾和犹豫中，一边踉跄前行，一边重振旗鼓。我渴望改变，渴望变得更好，渴望找到出口……就像一个溺水人的挣扎，就像一个救生圈。我是一个矛盾集合体，想要变得快乐，但是
12-17 2639
此时，信息提取的基本方式就是把问题也转换为向量，然后去和向量数据库中的各个向量进行比较，提取最接近的信息。从这些向量中，我们可以看到“国王”和“皇帝”这两个词的向量在某种程度上是相似的，而与“苹果”这个词相比，它们的向量则相差很大，因为这两个概念在语义上是不同的。余弦相似度度量的是方向的相似性，它更关心的是两个向量的角度差异，而不是它们的大小差异。（注意：可能需要安装。在众多的机器学习和人工智能应用中，尤其是自然语言处理和图像识别这类涉及大量非结构化数据的领域，将数据转化为高维度的向量是常见的处理方式。
初识langchain[1]：Langchain实战教学，利用qwen2.1与GLM-4大模型构建智能解决方案[含Agent、tavily面向AI搜索]
丨汀、的博客
07-16 2058
初识langchain[1]：Langchain实战教学，利用qwen2.1与GLM-4大模型构建智能解决方案[含Agent]
Langchain 的 Conversation summary memory
engchina的专栏
07-23 1485
Langchain 的 Conversation summary memory
11.12 LangChain 对话记忆管理：ConversationSummaryBufferMemory 详解与实战指南
yonggeit的博客
02-06 51
使用多语言模型"用中文总结以下对话的核心内容:\n{history}"# 对超长内容分块生成摘要解决方案：结合实体提取# 混合记忆系统memories=[),优化方案：定制提示模板请用不超过3句话总结以下对话的要点，保留关键数据和结论：{history}摘要：""")核心优势突破上下文长度限制降低大模型API调用成本保持长期对话的连贯性配置建议初始设置选择适合领域的摘要模型（如代码对话使用CodeLlama）定期评估摘要质量（人工抽检+自动评分）典型应用场景。
多视角对话摘要生成(论文阅读笔记)
sdauguanweihong的博客
07-28 925
Multi-View Sequence-to-Sequence Models with Conversational Structure for Abstractive Dialogue Summarization 阅读笔记 Motivation 与传统的文本不同，对话中往往隐含着丰富的特定结构信息，也就是说对话其实是按一定结构组织的。一段对话可以从多个不同视角去看待，会产生不同的语篇结构。从一般视角(generic view)上看，可以把对话总体上看成一块（global view)，也可以把每条语句可以看
LangChain入门：17.使用 ConversationChain实现对话记忆功能
Hugo的博客
04-10 5036
不难看出，在第二回合，记忆机制完整地记录了第一回合的对话，但是在第三回合，它察觉出前两轮的对话已经超出了 300 个字节，就把早期的对话加以总结，以节省 Token 资源。有了记忆机制，LLM 能够了解之前的对话内容，这样简单直接地存储所有内容为 LLM 提供了最大量的信息，但是新输入中也包含了更多的 Token（所有的聊天历史记录），这意味着响应时间变慢和更高的成本。在给定的例子中，设置 k=1，这意味着窗口只会记住与 AI 之间的最新的互动，即只保留上一次的人类回应和 AI 的回应。
大模型的记忆机制如何实现：通过Memory记住上次的对话细节
a9992972515的博客
11-19 8720
好的，今天我给你介绍了一种对话链和四种类型的对话记忆机制，那么我们可以通过一个表格对这四种类型的记忆做一个整体比较。四种记忆机制的比较如下：还有一个示意图，体现出了当对话轮次逐渐增加时，各种记忆机制对Token的消耗数量。意图向我们表达的是：有些记忆机制，比如说ConversationSummaryBufferMemory和ConversationSummaryMemory，在对话轮次较少的时候可能会浪费一些Token，但是多轮对话过后，Token的节省就逐渐体现出来了。
LangChain大型语言模型(LLM)应用开发(二)：Conversation & Memory
weixin_42608414的博客
06-30 1980
LangChain是一个基于大语言模型（如ChatGPT）用于构建端到端语言模型应用的 Python 框架。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，以便在不同的应用程序中使用。
Langchain里的“记忆力”，让AI只记住有用的事
dfBeautifulLive的博客
09-27 2353
今天要讲以下内容：1.ConversationBufferWindowMemory：基于一个固定长度的滑动窗口的“记忆”功能2.ConversationSummaryMemory：总结对话“记忆”功能3.ConversationSummaryBufferMemory：上面两个的结合，超过一定token限制之前以对话形式进行存储，超过之后进行小结存储。4.memory.save_context：有上下文对话，可以通过此插入对话内容，可供后续对话内容。
LangChain与大型语言模型(LLMs)应用基础教程：记忆力组件
weixin_42608414的博客
04-23 4742
今天我们会学习Langchain提供的6种记忆力组件它们分别是： ConversationBufferMemory ConversationBufferWindowMemory ConversationSummaryMemory ConversationSummaryBufferMemory ConversationKGMemory EntityMemory 它们有着各自不能的功能和特点,根据不同的应用场景我们可以选择不同的记忆力组件，当我们开发一个与AI交互的应用程序时选择正确的记忆力组件能够成倍的提
#LLM入门|Prompt#3.3_存储_Memory
weixin_45312236的博客
03-14 1248
对话摘要缓存储存，使用 LLM 对到目前为止历史对话自动总结摘要，并将其保存下来。我们创建了一个长字符串，其中包含某人的日程安排。# 创建一个长字符串schedule = "在八点你和你的产品团队有一个会议。你需要做一个PPT。上午9点到12点你需要忙于LangChain。Langchain是一个有用的工具，因此你的项目进展的非常快。中午，在意大利餐厅与一位开车来的顾客共进午餐 \走了一个多小时的路程与你见面，只为了解最新的 AI。确保你带了笔记本电脑可以展示最新的 LLM 样例."
使用 langchain 库时提示AttributeError: module ‘langchain‘ has no attribute ‘verbose‘
最新发布
03-30
### LangChain 中 `verbose` 属性引发 `AttributeError` 的原因及解决方案 #### 原因分析 当尝试访问或设置模块级别的属性时，如果该模块未定义此属性，则会抛出 `AttributeError`。在这种情况下，`langchain` 模块本身并未提供名为 `verbose` 的全局属性[^1]。因此，在运行类似以下代码时： ```python import langchain langchain.verbose = True ``` 由于 `langchain` 模块不支持直接赋值给不存在的属性 `verbose`，程序将触发异常。 --- #### 解决方案 为了规避上述问题并实现预期功能，可采取以下方法之一： 1. **更新 LangChain 版本** 如果当前使用的版本较旧，可能缺少某些特性或文档中的说明已过期。建议升级到最新稳定版以匹配官方教程和指南的内容： ```bash pip install --upgrade langchain ``` 2. **调整配置方式** 部分 LangChain 功能通过实例化对象而非修改模块级变量来控制行为。例如，对于链式调用（chains）、提示模板（prompts）或其他组件，可以通过初始化参数传递选项。以下是替代写法示例： ```python from langchain.chains import LLMChain from langchain.prompts import PromptTemplate from langchain.llms import OpenAI llm = OpenAI(temperature=0.7, verbose=True) # 设置模型实例为详细模式 prompt_template = PromptTemplate(input_variables=["question"], template="Q: {question}\nA:") chain = LLMChain(llm=llm, prompt=prompt_template, verbose=True) # 启用链条日志记录 result = chain.run(question="What is the capital of France?") print(result) ``` 上述代码片段展示了如何针对具体对象启用调试信息输出，而无需依赖全局状态管理[^4]。 3. **禁用冗余操作** 若仅需抑制潜在干扰性的消息打印，可通过显式关闭相关标志完成目标： ```python import langchain langchain.debug = False # 关闭调试模式 langchain.llm_cache = None # 清除缓存机制 ``` 此外，部分场景下推荐完全移除对争议字段的操作逻辑，转而采用更稳健的设计策略。 --- #### 示例代码修正 基于前述讨论，下面给出一段经过优化后的脚本供参考： ```python from langchain.memory import ConversationSummaryBufferMemory from langchain.chat_models import ChatOpenAI from langchain.schema import HumanMessage, AIMessage # 初始化聊天模型与记忆单元 chat_model = ChatOpenAI( temperature=0, model_name="gpt-3.5-turbo", max_tokens=256, verbose=False # 显式声明是否开启详尽反馈 ) memory = ConversationSummaryBufferMemory(chat_memory=None, memory_key="history", ai_prefix="Assistant") messages = [ HumanMessage(content="你好！"), ] response = chat_model.predict_messages(messages).content print(response) ``` 此处利用了 `ChatOpenAI` 类内置的支持结构化输入/输出的能力，并结合高效的对话摘要存储技术提升性能表现[^5]。 ---
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

之墨_

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值