LangChain Memory (记忆系统)

LLM 本身是无状态的。Memory 系统的作用就是存储、处理和提取之前的对话历史，并在新的请求中将其作为上下文发送给模型。

#1. 为什么需要 Memory？

如果没有 Memory，每次对话都是独立的：

• 用户：我叫小明。
• 模型：你好！
• 用户：我叫什么名字？
• 模型：对不起，我不记得了。

#2. 核心组件：ChatHistory

最基础的存储单元是 ChatMessageHistory，它简单地保存了 Message 对象的列表。

python复制
from langchain.memory import ChatMessageHistory

history = ChatMessageHistory()
history.add_user_message("你好，我是小明。")
history.add_ai_message("你好小明！很高兴见到你。")

print(history.messages)

#3. 常用 Memory 类型

LangChain 提供了多种策略来处理历史记录，平衡“记忆长度”与“Token 消耗”。

#A. ConversationBufferMemory (全量记忆)

保存所有历史记录。最简单，但 Token 消耗增长极快。

#B. ConversationSummaryMemory (摘要记忆)

让 LLM 对之前的对话进行总结。适合超长对话。

#C. ConversationTokenBufferMemory (Token 限制记忆)

只保留最近的 N 个 Token，旧的记录会被丢弃。

#4. 在 Chain 中集成 Memory

在现代 LangChain 开发中，我们通常使用 RunnableWithMessageHistory 来包装我们的 Chain。

python复制
from langchain_core.runnables.history import RunnableWithMessageHistory

# 1. 定义 Chain 逻辑
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个友好的助手。"),
    ("placeholder", "{chat_history}"), # 历史记录占位符
    ("user", "{input}"),
])
chain = prompt | llm

# 2. 包装并关联存储
# 这里的 store 可以是内存中的字典，也可以是 Redis 数据库
store = {}
def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

wrapped_chain = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="chat_history",
)

# 3. 调用时传入 session_id
wrapped_chain.invoke(
    {"input": "我叫小明"},
    config={"configurable": {"session_id": "user_123"}}
)

#5. 持久化存储

在生产环境中，你不能将历史存在内存里（重启就没了）。LangChain 支持多种数据库：

• Redis: 响应极快。
• MongoDB: 灵活的 JSON 存储。
• Postgres: 使用 SQL 数据库存储历史。

---

注意：随着 LangGraph 的普及，许多复杂的记忆逻辑现在可以通过 LangGraph 的 Checkpointer 实现，这提供了更强的状态持久化能力。