LangChain基础篇 (03)

LangChain 核心模块学习：Memory

大多数LLM应用都具有对话界面。对话的一个重要组成部分是能够引用先前在对话中介绍过的信息。至少，一个对话系统应该能够直接访问一些过去消息的窗口。更复杂的系统将需要拥有一个不断更新的世界模型，使其能够保持关于实体及其关系的信息。

我们将存储过去交互信息的能力称为“记忆（Memory）”。

LangChain提供了许多用于向应用/系统中添加 Memory 的实用工具。这些工具可以单独使用，也可以无缝地集成到链中。

一个记忆系统（Memory System）需要支持两个基本操作：读取（READ）和写入（WRITE）。

每个链都定义了一些核心执行逻辑，并期望某些输入。其中一些输入直接来自用户，但有些输入可能来自 Memory。

在一个典型 Chain 的单次运行中，将与其 Memory System 进行至少两次交互:

1. 在接收到初始用户输入之后，在执行核心逻辑之前，链将从其 Memory 中读取并扩充用户输入。
2. 在执行核心逻辑之后但在返回答案之前，一个链条将把当前运行的输入和输出写入Memory ，以便在未来的运行中可以引用它们。

BaseMemory Class 基类

类继承关系：

## 适用于简单的语言模型 BaseMemory --> BaseChatMemory --> <name>Memory  # Examples: ZepMemory, MotorheadMemory 

# 定义一个名为BaseMemory的基础类 class BaseMemory(Serializable, ABC):     """用于Chains中的内存的抽象基类。          这里的内存指的是Chains中的状态。内存可以用来存储关于Chain的过去执行的信息，     并将该信息注入到Chain的未来执行的输入中。例如，对于会话型Chains，内存可以用来     存储会话，并自动将它们添加到未来的模型提示中，以便模型具有必要的上下文来连贯地     响应最新的输入。"""      # 定义一个名为Config的子类     class Config:         """为此pydantic对象配置。              Pydantic是一个Python库，用于数据验证和设置管理，主要基于Python类型提示。         """              # 允许在pydantic模型中使用任意类型。这通常用于允许复杂的数据类型。         arbitrary_types_allowed = True          # 下面是一些必须由子类实现的方法：          # 定义一个属性，它是一个抽象方法。任何从BaseMemory派生的子类都需要实现此方法。     # 此方法应返回该内存类将添加到链输入的字符串键。     @property     @abstractmethod     def memory_variables(self) -> List[str]:         """获取此内存类将添加到链输入的字符串键。"""          # 定义一个抽象方法。任何从BaseMemory派生的子类都需要实现此方法。     # 此方法基于给定的链输入返回键值对。     @abstractmethod     def load_memory_variables(self, inputs: Dict[str, Any]) -> Dict[str, Any]:         """根据给链的文本输入返回键值对。"""          # 定义一个抽象方法。任何从BaseMemory派生的子类都需要实现此方法。     # 此方法将此链运行的上下文保存到内存。     @abstractmethod     def save_context(self, inputs: Dict[str, Any], outputs: Dict[str, str]) -> None:         """保存此链运行的上下文到内存。"""          # 定义一个抽象方法。任何从BaseMemory派生的子类都需要实现此方法。     # 此方法清除内存内容。     @abstractmethod     def clear(self) -> None:         """清除内存内容。""" 

BaseChatMessageHistory Class 基类

类继承关系：

## 适用于聊天模型  BaseChatMessageHistory --> <name>ChatMessageHistory  # Example: ZepChatMessageHistory 

# 定义一个名为BaseChatMessageHistory的基础类 class BaseChatMessageHistory(ABC):     """聊天消息历史记录的抽象基类。"""      # 在内存中存储的消息列表     messages: List[BaseMessage]      # 定义一个add_user_message方法，它是一个方便的方法，用于将人类消息字符串添加到存储区。     def add_user_message(self, message: str) -> None:         """为存储添加一个人类消息字符串的便捷方法。          参数:             message: 人类消息的字符串内容。         """         self.add_message(HumanMessage(content=message))      # 定义一个add_ai_message方法，它是一个方便的方法，用于将AI消息字符串添加到存储区。     def add_ai_message(self, message: str) -> None:         """为存储添加一个AI消息字符串的便捷方法。          参数:             message: AI消息的字符串内容。         """         self.add_message(AIMessage(content=message))      # 抽象方法，需要由继承此基类的子类来实现。     @abstractmethod     def add_message(self, message: BaseMessage) -> None:         """将Message对象添加到存储区。          参数:             message: 要存储的BaseMessage对象。         """         raise NotImplementedError()      # 抽象方法，需要由继承此基类的子类来实现。     @abstractmethod     def clear(self) -> None:         """从存储中删除所有消息"""  

ConversationChain and ConversationBufferMemory

ConversationBufferMemory 可以用来存储消息，并将消息提取到一个变量中。

from langchain_openai import OpenAI from langchain.chains import ConversationChain from langchain.memory import ConversationBufferMemory  llm = OpenAI(temperature=0) conversation = ConversationChain(     llm=llm,      verbose=True,      memory=ConversationBufferMemory() ) 

> Entering new ConversationChain chain... Prompt after formatting: The following is a friendly conversation between a human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know. Current conversation: Human: 你好呀！ AI: [INFO][2025-02-06 16:35:18.141] oauth.py:304 [t:3812]: successfully refresh token > Finished chain. 

ConversationBufferWindowMemory

ConversationBufferWindowMemory 会在时间轴上保留对话的交互列表。它只使用最后 K 次交互。这对于保持最近交互的滑动窗口非常有用，以避免缓冲区过大。

from langchain.memory import ConversationBufferWindowMemory  conversation_with_summary = ConversationChain(     llm=OpenAI(temperature=0, max_tokens=1000),      # We set a low k=2, to only keep the last 2 interactions in memory     memory=ConversationBufferWindowMemory(k=2),      verbose=True ) conversation_with_summary.predict(input="嗨，你最近过得怎么样？") 

ConversationSummaryBufferMemory

ConversationSummaryBufferMemory 在内存中保留了最近的交互缓冲区，但不仅仅是完全清除旧的交互，而是将它们编译成摘要并同时使用。与以前的实现不同的是，它使用token长度而不是交互次数来确定何时清除交互。

from langchain.memory import ConversationSummaryBufferMemory  memory = ConversationSummaryBufferMemory(llm=llm, max_token_limit=10) memory.save_context({"input": "嗨，你最近过得怎么样？"}, {"output": " 嗨！我最近过得很好，谢谢你问。我最近一直在学习新的知识，并且正在尝试改进自己的性能。我也在尝试更多的交流，以便更好地了解人类的思维方式。"}) memory.save_context({"input": "你最近学到什么新知识了?"}, {"output": " 最近我学习了有关自然语言处理的知识，以及如何更好地理解人类的语言。我还学习了有关机器学习的知识，以及如何使用它来改善自己的性能。"}) 

memory.load_memory_variables({})