7. Spring AI 对话记忆 + 结构化输出
@
目录
对话记忆
大型语言模型 (LLM) 是无状态的，这意味着它们不会保留先前交互的信息。
@Test public void testChatOptions() { String content = chatClient.prompt() .user("我叫小兔子 ") .call() .content(); System.out.println(content); System.out.println("--------------------------------------------------------------------------"); content = chatClient.prompt() .user("我叫什么 ？") .call() .content(); System.out.println(content); } 
那我们平常跟一些大模型聊天是怎么记住我们对话的呢？实际上，每次对话都需要将之前的对话消息内置发送给大模型，这种方式称为多轮对话。
SpringAi提供了一个ChatMemory的组件用于存储聊天记录，允许您使用 LLM 跨多个交互存储和检索信息。并且可以为不同用户的多个交互之间维护上下文或状态。
可以在每次对话的时候把当前聊天信息和模型的响应存储到ChatMemory， 然后下一次对话把聊天记录取出来再发给大模型。
` //输出 名字叫徐庶 但是这样做未免太麻烦！ 能不能简化？ 思考一下！
用我们之前的Advisor对话拦截是不是就可以不用每次手动去维护了。 并且SpringAi早已体贴的为我提供了ChatMemoryAutoConfiguration自动配置类
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-autoconfigure-model-chat-memory</artifactId> </dependency> @AutoConfiguration @ConditionalOnClass({ ChatMemory.class, ChatMemoryRepository.class }) public class ChatMemoryAutoConfiguration { @Bean @ConditionalOnMissingBean ChatMemoryRepository chatMemoryRepository() { return new InMemoryChatMemoryRepository(); } @Bean @ConditionalOnMissingBean ChatMemory chatMemory(ChatMemoryRepository chatMemoryRepository) { return MessageWindowChatMemory.builder().chatMemoryRepository(chatMemoryRepository).build(); } } 所以我们可以这样用：
PromptChatMemoryAdvisor
SpringAi提供了 PromptChatMemoryAdvisor 专门用于对话记忆的拦截
@SpringBootTest public class ChatMemoryTest { ChatClient chatClient; @BeforeEach public void init(@Autowired DeepSeekChatModel chatModel, @Autowired ChatMemory chatMemory) { chatClient = ChatClient .builder(chatModel) .defaultAdvisors( // PromptChatMemoryAdvisor拦截器 就会自动将我们与大模型的历史对话记录下来 PromptChatMemoryAdvisor.builder(chatMemory).build() ) .build(); } @Test public void testChatOptions() { String content = chatClient.prompt() .user("我叫徐庶 ？") // .advisors(new ReReadingAdvisor()) .call() .content(); System.out.println(content); System.out.println("--------------------------------------------------------------------------"); content = chatClient.prompt() .user("我叫什么 ？") .advisors(new ReReadingAdvisor()) .call() .content(); System.out.println(content); } } 配置聊天记录最大存储数量
你要知道， 我们把聊天记录发给大模型， 都是算token计数的。
大模型的token是有上限了， 如果你发送过多聊天记录，可能就会导致token过长。
如下是大模型存储的 token 历史条数上限。
并且更多的token也意味更多的费用， 更久的解析时间. 所以不建议太长
（DEFAULT_MAX_MESSAGES默认20即10次对话）
一旦超出DEFAULT_MAX_MESSAGES只会存最后面N条（可以理解为先进先出），参考MessageWindowChatMemory源码
@Bean ChatMemory chatMemory(@Autowired ChatMemoryRepository chatMemoryRepository) { // MessageWindowChatMemory 创建一个历史对话存储的配置， return MessageWindowChatMemory .builder() .maxMessages(10) // 设置最大存储 10 条 .chatMemoryRepository(chatMemoryRepository).build(); } 配置多用户隔离记忆
如果有多个用户在进行对话， 肯定不能将对话记录混在一起， 不同的用户的对话记忆需要隔离
@Test public void testChatOptions() { String content = chatClient.prompt() .user("我叫徐庶 ？") // 注意:这里要先构建一个 ChatMemory的 Bean，和上面类似，这里我们设置历史对话的用户ID .advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID,"1")) .call() .content(); System.out.println(content); System.out.println("--------------------------------------------------------------------------"); content = chatClient.prompt() .user("我叫什么 ？") .advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID,"1")) .call() .content(); System.out.println(content); System.out.println("--------------------------------------------------------------------------"); content = chatClient.prompt() .user("我叫什么 ？") .advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID,"2")) .call() .content(); System.out.println(content); } 会发现， 不同的CONVERSATION_ID，会有不同的记忆
原理源码$
主要有前置存储
MessageWindowChatMemory
具体存储实现
ChatMemoryRepository
数据库存储对话记忆
默认情况， 对话内容会存在jvm内存会导致：
- 一直存最终会撑爆JVM导致OOM。
- 重启就丢了， 如果已想存储到第三方存储进行持久化
springAi内置提供了以下几种方式（例如 Cassandra、JDBC 或 Neo4j）， 这里演示下JDBC方式
- 添加依赖
<dependency> <groupId>org.springframework.ai</groupId> <artifactId>spring-ai-starter-model-chat-memory-repository-jdbc</artifactId> </dependency> <!--jdbc--> <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-starter-jdbc</artifactId> </dependency> <!--mysql驱动--> <dependency> <groupId>com.mysql</groupId> <artifactId>mysql-connector-j</artifactId> <scope>runtime</scope> </dependency> - 添加配置(目前我们的需要创建一个schema-mysql.sql 文件，就是一个 SQL 脚本，在后面有配置)SPRING_AI_CHAT_MEMORY 表存储用户的历史对话，数据库，我们自行定义将该数据表存储到那个数据库中即可。
spring.ai.chat.memory.repository.jdbc.initialize-schema=always spring.ai.chat.memory.repository.jdbc.schema=classpath:/schema-mysql.sql 如下是 MySQL 的配置：
spring: datasource: username: root password: 123456 url: jdbc:mysql://localhost:3306/springai?characterEncoding=utf8&useSSL=false&serverTimezone=UTC& driver-class-name: com.mysql.cj.jdbc.Driver - 配置类
@Configuration public class ChatMemoryConfig { @Bean // JdbcChatMemoryRepository 是已经被封装好自动装配好了，就可以使用 ChatMemory chatMemory(@Autowired JdbcChatMemoryRepository chatMemoryRepository) { return MessageWindowChatMemory .builder() .maxMessages(1) // 设置存储为上面我们传的变量的 jdbc 的存储方式 .chatMemoryRepository(chatMemoryRepository).build(); } } - resources/schema-mysql.sql（目前1.0.0版本需要自己定义，没有提供脚本），创建这个SPRING_AI_CHAT_MEMORY 数据表，来存储用户的历史对话
CREATE TABLE IF NOT EXISTS SPRING_AI_CHAT_MEMORY ( `conversation_id` VARCHAR(36) NOT NULL, `content` TEXT NOT NULL, `type` VARCHAR(10) NOT NULL, `timestamp` TIMESTAMP NOT NULL, INDEX `SPRING_AI_CHAT_MEMORY_CONVERSATION_ID_TIMESTAMP_IDX` (`conversation_id`, `timestamp`) ); - 测试
@SpringBootTest public class ChatMemoryTest { ChatClient chatClient; @BeforeEach public void init(@Autowired DeepSeekChatModel chatModel, @Autowired ChatMemory chatMemory) { chatClient = ChatClient .builder(chatModel) .defaultAdvisors( PromptChatMemoryAdvisor.builder(chatMemory).build() ) .build(); } @Test public void testChatOptions() { String content = chatClient.prompt() .user("你好，我叫徐庶！") .advisors(new ReReadingAdvisor()) .advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID,"1")) .call() .content(); System.out.println(content); System.out.println("--------------------------------------------------------------------------"); content = chatClient.prompt() .user("我叫什么 ？") .advisors(new ReReadingAdvisor()) .advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID,"1")) .call() .content(); System.out.println(content); } } 可以看到由于我设置.maxMessages(1)数据库只存一条
扩展：其实我可以让其存储到我们的所有历史对话，因为数据库就是存储数据的吗，而且存储起来的数据可能还是可以用于我们分析测试用户的对话的。那我们取数据库的时候，可以获取最新一条的数据即可。
Redis存储
如果你想用redis ， 你需要自己实现ChatMemoryRepository接口（自己实现增、删、查）
Redis 存储更快，我们如果一般就是仅仅只是临时存储用户的 100 条记录什么的，就存到 Redis 当中就好了，超过了 100 条记录，也是会存储到用户最新的那 100 条记录，后续的内容也不用持久化了，丢了就丢了，反正都是用户的一个临时历史对话记录而已。性能也是比 MySQL 更快的。
但是alibaba-ai有现成的实现：（还包括ES）
https://github.com/alibaba/spring-ai-alibaba/tree/main/community/memories
<properties> <jedis.version>5.2.0</jedis.version> </properties> <dependency> <groupId>com.alibaba.cloud.ai</groupId> <artifactId>spring-ai-alibaba-starter-memory-redis</artifactId> </dependency> <dependency> <groupId>redis.clients</groupId> <artifactId>jedis</artifactId> <version>${jedis.version}</version> </dependency> spring: ai: memory: redis: host: localhost port: 6379 timeout: 5000 password: @Configuration public class RedisMemoryConfig { @Value("${spring.ai.memory.redis.host}") private String redisHost; @Value("${spring.ai.memory.redis.port}") private int redisPort; @Value("${spring.ai.memory.redis.password}") private String redisPassword; @Value("${spring.ai.memory.redis.timeout}") private int redisTimeout; @Bean public RedisChatMemoryRepository redisChatMemoryRepository() { return RedisChatMemoryRepository._builder_() .host(redisHost) .port(redisPort) // 若没有设置密码则注释该项 // .password(redisPassword) .timeout(redisTimeout) .build(); } @Bean // RedisChatMemoryRepository 被我们上面 Bean 注入了 ChatMemory chatMemory(@Autowired RedisChatMemoryRepository redisMemoryRepository) { return MessageWindowChatMemory .builder() .maxMessages(1) // 设置存储为上面我们传的变量的 jdbc 的存储方式 .chatMemoryRepository(redisMemoryRepository).build(); } } 多层次记忆架构 痛点
记忆多=聪明(大模型记录了多了用户的历史对话记录，就更加能够理解我们，实现我们的需求了)， 但是记忆多会触发 token 上限（每个大模型的 token 是有上限的，不可以无限的存储。）
要知道， 无论你用什么存储对话以及， 也只能保证服务端的存储性能。
但是一旦聊天记录多了依然会超过token上限， 但是有时候我们依然希望存储更多的聊天记录，这样才能保证整个对话更像“人”。
多层次记忆架构（模仿人类）
- 近期记忆：保留在上下文窗口中的最近几轮对话，每轮对话完成后立即存储（可通过ChatMemory）； 10 条
- 中期记忆：通过RAG检索的相关历史对话(每轮对话完成后，异步将对话内容转换为向量并存入向量数据库） 5条
- 长期记忆：关键信息的固化总结
- 方式一：定时批处理
+ 通过定时任务（如每天或每周）对积累的对话进行总结和提炼
+ 提取关键信息、用户偏好、重要事实等
+ 批处理方式降低计算成本，适合大规模处理 - 方式二：关键点实时处理
+ 在对话中识别出关键信息点时立即提取并存储
+ 例如，当用户明确表达偏好、提供个人信息或设置持久性指令时
- 方式一：定时批处理
结构化输出
基础类型：
以Boolean为例 ， 在 agent 中可以用于判定用于的内容2个分支， 不同的分支走不同的逻辑
ChatClient chatClient; @BeforeEach public void init(@Autowired DashScopeChatModel chatModel) { chatClient = ChatClient.builder(chatModel).build(); } @Test public void testBoolOut() { Boolean isComplain = chatClient .prompt() .system(""" 请判断用户信息是否表达了投诉意图? 只能用 true 或 false 回答，不要输出多余内容 """) .user("你们家的快递迟迟不到,我要退货！") .call() .entity(Boolean.class); // 结构化输出，让大模型输出 Boolean.class java当中的布尔值类型 // 分支逻辑 if (Boolean.TRUE.equals(isComplain)) { System.out.println("用户是投诉，转接人工客服！"); } else { System.out.println("用户不是投诉，自动流转客服机器人。"); // todo 继续调用 客服ChatClient进行对话 } } Pojo类型：
用购物APP应该见过复制一个地址， 自动为你填入每个输入框。 用大模型轻松完成！
public record Address( String name, // 收件人姓名 String phone, // 联系电话 String province, // 省 String city, // 市 String district, // 区/县 String detail // 详细地址 ) {} @Test public void testEntityOut() { Address address = chatClient.prompt() // .systemshi 是一个系统提示词，优先级更高 .system(""" 请从下面这条文本中提取收货信息 """) .user("收货人：张三，电话13588888888，地址：浙江省杭州市西湖区文一西路100号8幢202室") .call() .entity(Address.class); // 大模型会根据文本内容，将其中的用户的对话信息识别存储到我们的 Address的对象类 System.out.println(address); } public record Address( String name, // 收件人姓名 String phone, // 联系电话 String province, // 省 String city, // 市 String district, // 区/县 String detail // 详细地址 ) {} 原理
ChatModel或者直接使用低级API：
@Test public void testLowEntityOut( @Autowired DashScopeChatModel chatModel) { // BeanOutputConverter 转换器 BeanOutputConverter<ActorsFilms> beanOutputConverter = new BeanOutputConverter<>(ActorsFilms.class); String format = beanOutputConverter.getFormat(); String actor = "周星驰"; String template = """ 提供5部{actor}导演的电影. {format} """; PromptTemplate promptTemplate = PromptTemplate.builder().template(template).variables(Map.of("actor", actor, "format", format)).build(); ChatResponse response = chatModel.call( promptTemplate.create() ); ActorsFilms actorsFilms = beanOutputConverter.convert(response.getResult().getOutput().getText()); System.out.println(actorsFilms); } 最后：
“在这个最后的篇章中，我要表达我对每一位读者的感激之情。你们的关注和回复是我创作的动力源泉，我从你们身上吸取了无尽的灵感与勇气。我会将你们的鼓励留在心底，继续在其他的领域奋斗。感谢你们，我们总会在某个时刻再次相遇。”
![洛谷 P11345 [KTSC 2023 R2] 基地简化 题解](http://www.itfaba.com/wp-content/themes/kemi/timthumb.php?src=http://www.itfaba.com/wp-content/themes/kemi/img/random/2.jpg&w=218&h=124&zc=1)
