标签 ConversationKGMemory 下的文章

一、核心概念

1.1 什么是Memory？

Memory是LangChain框架中负责维护Chain状态并整合过去运行上下文的核心组件。默认情况下，所有链式模型和代理模型都是无状态的（独立处理每个查询，不保留历史信息），而在对话系统等场景中，记住先前交互至关重要，Memory正是为此设计的。

1.2 Memory的基本操作

Memory系统支持两个核心操作：

读取(Load)：在Chain执行前，从记忆中获取历史信息，增强用户输入
写入(Save)：在Chain执行后，将当前输入/输出保存到记忆中，供后续使用

1.3 内存的分类

LangChain将内存分为两大类：

短期内存(Short-term memory)：线程范围内存，追踪当前对话，在会话结束后通常会被清除
长期内存(Long-term memory)：跨会话存储，可在任意线程中随时访问，通常需要配置持久化存储

二、Memory类体系结构

2.1 核心类层次

BaseMemory
├── BaseChatMemory
│   ├── ConversationBufferMemory
│   ├── ConversationBufferWindowMemory
│   ├── ConversationSummaryMemory
│   ├── ConversationSummaryBufferMemory
│   ├── ConversationEntityMemory
│   └── ConversationKGMemory
└── VectorStoreRetrieverMemory

注：完整列表可参考API文档

2.2 BaseMemory接口（所有内存的基类）

所有内存类必须实现以下抽象方法：

load_memory_variables(inputs: Dict[str, Any]) -> Dict[str, Any]：加载内存变量，返回一个字典
save_context(inputs: Dict[str, Any], outputs: Dict[str, str]) -> None：保存当前运行的上下文到内存
clear() -> None：清除内存内容

三、内置Memory类型详解

3.1 ConversationBufferMemory（基础对话缓冲内存）

特点：简单存储完整对话历史，返回字符串格式的历史内容

# 使用示例
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(memory_key="chat_history")
memory.chat_memory.add_user_message("Hi!")
memory.chat_memory.add_ai_message("Hello!")
print(memory.load_memory_variables({}))  # 输出: {'chat_history': 'Human: Hi!\nAI: Hello!'}

3.2 ConversationBufferWindowMemory（对话窗口缓冲内存）

特点：只保留最近k轮对话，适合高频短对话场景，避免内存溢出

# 使用示例（只保留最近2轮）
memory = ConversationBufferWindowMemory(k=2, memory_key="history")

3.3 ConversationSummaryMemory（对话摘要内存）

特点：使用LLM自动生成对话摘要，减少token占用，适合长对话场景

# 使用示例
from langchain.llms import OpenAI
from langchain.memory import ConversationSummaryMemory
llm = OpenAI(temperature=0)
memory = ConversationSummaryMemory(llm=llm, memory_key="history")

3.4 ConversationSummaryBufferMemory（对话摘要+缓冲混合内存）

特点：结合上述两种内存优点，近期消息保留原文，久远内容使用摘要，平衡信息完整性与内存效率

3.5 ConversationEntityMemory（实体内存）

特点：专注于识别和存储对话中的实体（如人名、组织、地点）及其属性，适合个性化助手场景，让AI真正"认识"用户

3.6 ConversationKGMemory（知识图谱内存）

特点：构建对话知识图谱，将对话中的实体关系结构化（如"张三是产品经理"、"李华在杭州工作"），适合需要关系推理的复杂问答系统

3.7 VectorStoreRetrieverMemory（向量存储内存）

特点：将对话历史存储为向量嵌入到向量数据库（如Pinecone、Chroma、FAISS），通过语义相似度检索相关历史，适合大规模知识库集成和长期记忆场景

四、ChatMessageHistory：底层消息存储机制

4.1 基本概念

ChatMessageHistory是LangChain中负责管理和操作聊天消息的底层工具类，是几乎所有对话内存的基础支撑。它提供了简单接口来添加用户/AI消息并获取完整消息列表。

# 使用示例
from langchain.memory import ChatMessageHistory
history = ChatMessageHistory()
history.add_user_message("Hello")
history.add_ai_message("Hi there!")
print(history.messages)  # 输出消息列表

4.2 消息存储选项

ChatMessageHistory支持多种存储后端：

内存存储（默认）：临时存储，应用重启后丢失
Redis存储：分布式持久化存储，适合生产环境
文件存储：简单本地文件持久化
数据库存储：SQL或NoSQL数据库集成
自定义存储：实现BaseChatMessageHistory接口的自定义方案

五、在Chain中使用Memory

5.1 基本集成方法

将内存集成到Chain中通常需要以下步骤：

创建Memory实例：选择合适的内存类型并配置参数
将Memory传递给Chain：在初始化Chain时设置memory参数
在Prompt中引用内存变量：确保Prompt模板包含内存返回的变量名

# LLMChain使用示例
from langchain.llms import OpenAI
from langchain.chains import LLMChain
from langchain.memory import ConversationBufferMemory
from langchain.prompts import PromptTemplate

llm = OpenAI(temperature=0)
prompt = PromptTemplate(
    template="Previous conversation: {chat_history}\nNew question: {question}\nAnswer:",
    input_variables=["chat_history", "question"]
)
memory = ConversationBufferMemory(memory_key="chat_history")
chain = LLMChain(llm=llm, prompt=prompt, memory=memory)

# 执行Chain（只需传入question，chat_history会自动从memory中获取）
response = chain.run(question="Hello")

5.2 与ChatModel集成

当使用ChatModel（如gpt-4）时，需设置return_messages=True，使内存返回消息列表而非字符串，以适配ChatModel的输入格式：

# ChatModel集成示例
from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

llm = ChatOpenAI()
prompt = ChatPromptTemplate(
    messages=[
        SystemMessagePromptTemplate.from_template("You are a helpful assistant"),
        MessagesPlaceholder(variable_name="chat_history"),  # 必须与memory_key一致
        HumanMessagePromptTemplate.from_template("{question}")
    ]
)
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
chain = LLMChain(llm=llm, prompt=prompt, memory=memory)

5.3 内存参数详解

参数名	说明	适用场景
`memory_key`	内存变量在Chain中的键名（默认为"history"）	当Chain需要多个内存或自定义变量名时
`return_messages`	是否返回消息列表而非字符串（默认为False）	使用ChatModel时必须设为True
`input_key`	指定保存到内存的输入键（默认None，自动推断）	当Chain有多个输入时明确指定
`output_key`	指定保存到内存的输出键（默认None，自动推断）	当Chain有多个输出时明确指定
`k`	窗口内存保留的最近轮数（仅适用于窗口内存）	限制内存大小，防止上下文过长
`llm`	用于摘要/实体提取的LLM（仅适用于摘要/实体内存）	自定义摘要/实体提取逻辑

六、在Agent中使用Memory

6.1 基本集成方法

在Agent中使用内存与普通Chain类似，但需注意以下几点：

使用支持内存的Agent类型：如ConversationalAgent
确保Agent的Prompt中包含内存变量：通常是"chat_history"
正确设置内存的memory_key，与Prompt中变量名保持一致

# Agent使用示例
from langchain.agents import ConversationalAgent
from langchain.memory import ConversationBufferMemory
from langchain.llms import OpenAI

llm = OpenAI(temperature=0)
memory = ConversationBufferMemory(memory_key="chat_history")
agent = ConversationalAgent(
    llm=llm,
    system_message="You are a helpful assistant",
    memory=memory
)
agent.run("Hello!")

6.2 内存与工具调用的结合

在Agent执行过程中，内存会自动保存以下信息：

用户输入的原始查询
Agent生成的思考过程
工具调用的输入/输出
最终的回答

这使Agent能够在多轮工具调用中保持上下文一致性，理解之前的操作和结果。

七、自定义Memory开发

7.1 开发步骤

如需创建适合特定场景的自定义内存，可按以下步骤进行：

继承BaseMemory类：实现抽象方法
定义内存的存储方式：选择合适的数据结构或外部存储
实现load_memory_variables：定义如何从存储中读取数据
实现save_context：定义如何将新上下文保存到存储
实现clear：定义如何清空内存

# 简单自定义内存示例
from langchain.memory import BaseMemory
from typing import Dict, Any

class CustomMemory(BaseMemory):
    def __init__(self):
        self.data = {}
    
    @property
    def memory_variables(self) -> List[str]:
        return ["custom_var"]
    
    def load_memory_variables(self, inputs: Dict[str, Any]) -> Dict[str, Any]:
        return {"custom_var": self.data.get("value", "default")}
    
    def save_context(self, inputs: Dict[str, Any], outputs: Dict[str, str]) -> None:
        self.data["value"] = outputs.get("output_key", "no output")
    
    def clear(self) -> None:
        self.data = {}

7.2 与ChatMessageHistory结合

大多数自定义对话内存可通过组合BaseChatMemory和ChatMessageHistory来简化实现，这比直接继承BaseMemory更高效：

# 使用ChatMessageHistory的自定义内存
from langchain.memory import BaseChatMemory
from langchain.schema import messages_to_dict, messages_from_dict

class MyCustomChatMemory(BaseChatMemory):
    def __init__(self):
        super().__init__()
        self.chat_memory = ChatMessageHistory()
    
    def load_memory_variables(self, inputs: Dict[str, Any]) -> Dict[str, Any]:
        return {"history": self.chat_memory.messages}
    
    def save_context(self, inputs: Dict[str, Any], outputs: Dict[str, str]) -> None:
        user_msg = inputs.get("input", "")
        ai_msg = outputs.get("output", "")
        self.chat_memory.add_user_message(user_msg)
        self.chat_memory.add_ai_message(ai_msg)

八、长期记忆与持久化

8.1 LangGraph：官方推荐的长期记忆方案

从v0.3版本开始，LangChain推荐使用LangGraph作为长期记忆解决方案。LangGraph提供以下优势：

灵活的存储后端：支持内存、文件、数据库等多种存储
命名空间(Namespace)支持：可按用户/组织隔离存储，便于管理
键值对(Key-Value)结构：每个记忆有唯一键，便于精确检索
跨线程/会话共享：支持在不同对话中访问相同记忆

# LangGraph基本使用示例
from langchain.storage import LangGraph
from langchain.memory import CombinedMemory

# 配置存储
store = LangGraph(backend="sqlite")

# 创建长期内存
long_term_memory = store.create_memory(namespace="user_123", key="profile")

# 使用内存
long_term_memory.save("Hello, world!")
print(long_term_memory.load())  # 输出: "Hello, world!"

8.2 其他持久化方案

除LangGraph外，还可使用以下方案实现长期记忆：

文件存储：将内存数据序列化到本地文件
数据库存储：使用SQLAlchemy或NoSQL客户端连接数据库
Redis存储：适合分布式应用，提供高性能读写
向量数据库：如Chroma、Pinecone等，适合存储对话嵌入，支持语义检索

九、选择合适的Memory类型

根据不同应用场景，推荐以下内存类型：

场景	推荐内存类型	原因
简单聊天机器人	ConversationBufferMemory	实现简单，保存完整对话历史
高频短对话	ConversationBufferWindowMemory	只保留最近对话，减少上下文长度
长对话/知识库	ConversationSummaryMemory	自动摘要，减少token消耗
个性化助手	ConversationEntityMemory	追踪用户和实体信息，提供个性化响应
复杂关系推理	ConversationKGMemory	构建知识图谱，理解实体间关系
大规模知识库集成	VectorStoreRetrieverMemory	通过向量检索获取相关历史，支持长期记忆
生产环境/分布式系统	LangGraph + Redis/PostgreSQL	提供持久化、分布式存储支持

十、总结与下一步

10.1 核心要点回顾

Memory是LangChain中维护状态和上下文的核心组件，使无状态的LLM能够拥有"记忆"
内存系统支持读取（在Chain执行前加载历史）和写入（在执行后保存新上下文）两大操作
LangChain提供多种内存类型，从简单的对话缓冲到复杂的知识图谱和向量存储，满足不同场景需求
与Chain/Agent集成时，需确保内存变量名与Prompt中变量名一致，并根据是否使用ChatModel设置return_messages参数

10.2 推荐下一步

尝试基础示例：从ConversationBufferMemory开始，理解内存基本用法
探索高级类型：根据应用场景选择合适的内存（如窗口内存、摘要内存）
集成到实际应用：将内存与Agent或自定义Chain结合，构建有状态的对话系统
考虑持久化：对需要长期记忆的应用，研究LangGraph或其他持久化方案

注：本指南基于LangChain官方文档(v0.3.x)整理，部分功能仍标记为Beta，建议在生产环境中使用前检查最新文档。