Agent——记忆模块

最新推荐文章于 2024-09-14 01:09:48 发布

george_xu4

最新推荐文章于 2024-09-14 01:09:48 发布

阅读量1.1k

点赞数 21

分类专栏：大模型文章标签：语言模型 langchain 自然语言处理

本文链接：https://blog.csdn.net/xzq_qzx_/article/details/136561767

版权

本文介绍了在Agent架构中，如何利用LangChain库实现8种不同的记忆管理方式，适用于不同场景，如客服、商品咨询、法律咨询等。通过全量历史对话、滑动窗口、实体信息获取、知识图谱利用、阶段总结、最新对话回顾和向量检索等方法，提高对话的连贯性和准确性。

摘要由CSDN通过智能技术生成

在基于大模型的 Agent架构设计方面，论文[1]提出了一个统一的框架，包括Profile模块、Memory模块、Planning模块和Action模块。其中长期记忆的状态维护至关重要，在 OpenAI AI 应用研究主管 Lilian Weng 的博客《基于大模型的 Agent 构成》[2]中，将记忆视为关键的组件之一，下面我将结合 LangChain 中的代码，8 种不同的记忆维护方式在不同场景中的应用。

1. 获取全量历史对话

一般客服场景

在电信公司的客服聊天机器人场景中，如果用户在对话中先是询问了账单问题，接着又谈到了网络连接问题，ConversationBufferMemory 可以用来记住整个与用户的对话历史，可以帮助 AI 在回答网络问题时还记得账单问题的相关细节，从而提供更连贯的服务。

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
memory.save_context({"input": "你好"}, {"output": "怎么了"})

variables = memory.load_memory_variables({})