1. 摘要缓冲混合记忆
摘要缓冲混合记忆中，所需的模块有：
- chat_message_history：存储历史消息列表。
- moving_summary_buffer：移除消息的汇总字符串。
- summary_llm：生成摘要的 LLM，接收 summary（当前摘要）、query（人类提问）、content（AI生成）。
- max_tokens：限制记忆模块存储消息的最大 token 数。
- get_num_tokens：用于统计传入的文本的 token 数
2. ChatGPT/Playground 模拟
将记忆的 max_tokens 长度设置为 300，模拟所需物料：
-
ChatGPT 官网：https://chatgpt.com/（无痕模式）
-
OpenAI Tokenizer：https://platform.openai.com/tokenizer
人类提问你是由OpenAI开发的聊天机器人，请帮助用户回答问题。
摘要:
消息列表:
用户的提问是: 你好，我是慕小课，喜欢唱跳rap打篮球，你是谁？你喜欢什么呢？
AI 回复内容：
你好，慕小课！我是ChatGPT，一个由OpenAI训练的大型语言模型。很高兴认识你！我没有像人类一样的个人喜好，但我喜欢帮助人们解决问题、回答问题和分享知识。你提到喜欢唱跳rap和打篮球，感觉你生活非常丰富多彩！你有特别喜欢的歌手或者篮球队吗？聊天消息列表：
Human: 你好，我是慕小课，喜欢唱跳rap打篮球，你是谁？你喜欢什么呢？
AI: 你好，慕小课！我是ChatGPT，一个由OpenAI训练的大型语言模型。很高兴认识你！我没有像人类一样的个人喜好，但我喜欢帮助人们解决问题、回答问题和分享知识。你提到喜欢唱跳rap和打篮球，感觉你生活非常丰富多彩！你有特别喜欢的歌手或者篮球队吗？人类提问：
你是由OpenAI开发的聊天机器人，请帮助用户回答问题。
摘要: -
消息列表:
Human: 你好，我是慕小课，喜欢唱跳rap打篮球，你是谁？你喜欢什么呢？
AI: 你好，慕小课！我是ChatGPT，一个由OpenAI训练的大型语言模型。很高兴认识你！我没有像人类一样的个人喜好，但我喜欢帮助人们解决问题、回答问题和分享知识。你提到喜欢唱跳rap和打篮球，感觉你生活非常丰富多彩！你有特别喜欢的歌手或者篮球队吗？
用户的提问是: 你能用一段话快速解释下LLM是什么吗？AI 回复内容：
大型语言模型（LLM）是一种通过大量文本数据训练的人工智能模型，能够理解和生成自然语言文本。它应用于写作辅助、语言翻译、对话系统和问答系统等自然语言处理任务，表现出高水平的语言理解和生成能力。
聊天消息列表：
Human: 你好，我是慕小课，喜欢唱跳rap打篮球，你是谁？你喜欢什么呢？
AI: 你好，慕小课！我是ChatGPT，一个由OpenAI训练的大型语言模型。很高兴认识你！我没有像人类一样的个人喜好，但我喜欢帮助人们解决问题、回答问题和分享知识。你提到喜欢唱跳rap和打篮球，感觉你生活非常丰富多彩！你有特别喜欢的歌手或者篮球队吗？
Human: 你能用一段话快速解释下LLM是什么吗？
AI: 大型语言模型（LLM）是一种通过大量文本数据训练的人工智能模型，能够理解和生成自然语言文本。它应用于写作辅助、语言翻译、对话系统和问答系统等自然语言处理任务，表现出高水平的语言理解和生成能力。max_tokens 长度超过 300，触发总结，并删除超过长度的消息组。
总结 Prompt
你是一个强大的聊天机器人，请根据用户提供的谈话内容，总结内容，并将其添加到先前提供的摘要中，返回一个新的摘要。
<example>
当前摘要: 人类会问人工智能对人工智能的看法。人工智能认为人工智能是一股向善的力量。
新的谈话内容：
Human: 为什么你认为人工智能是一股向善的力量？
AI: 因为人工智能将帮助人类充分发挥潜力。
新摘要: 人类会问人工智能对人工智能的看法。人工智能认为人工智能是一股向善的力量，因为它将帮助人类充分发挥潜力。
</example>
当前摘要: -
新的对话内容:
Human: 你好，我是慕小课，喜欢唱跳rap打篮球，你是谁？你喜欢什么呢？
AI: 你好，慕小课！我是ChatGPT，一个由OpenAI训练的大型语言模型。很高兴认识你！我没有像人类一样的个人喜好，但我喜欢帮助人们解决问题、回答问题和分享知识。你提到喜欢唱跳rap和打篮球，感觉你生活非常丰富多彩！你有特别喜欢的歌手或者篮球队吗？摘要总结内容
慕小课介绍自己喜欢唱跳rap和打篮球，并问AI的喜好。AI自我介绍为ChatGPT，一个由OpenAI训练的大型语言模型，喜欢帮助人们解决问题、回答问题和分享知识。AI还问慕小课是否有特别喜欢的歌手或篮球队。记忆：
摘要: 慕小课介绍自己喜欢唱跳rap和打篮球，并问AI的喜好。AI自我介绍为ChatGPT，一个由OpenAI训练的大型语言模型，喜欢帮助人们解决问题、回答问题和分享知识。AI还问慕小课是否有特别喜欢的歌手或篮球队。
消息列表:
Human: 你能用一段话快速解释下LLM是什么吗？
AI: 大型语言模型（LLM）是一种通过大量文本数据训练的人工智能模型，能够理解和生成自然语言文本。它应用于写作辅助、语言翻译、对话系统和问答系统等自然语言处理任务，表现出高水平的语言理解和生成能力。再次提问：
你是由OpenAI开发的聊天机器人，请帮助用户回答问题。
摘要: 慕小课介绍自己喜欢唱跳rap和打篮球，并问AI的喜好。AI自我介绍为ChatGPT，一个由OpenAI训练的大型语言模型，喜欢帮助人们解决问题、回答问题和分享知识。AI还问慕小课是否有特别喜欢的歌手或篮球队。
消息列表:
Human: 你能用一段话快速解释下LLM是什么吗？
AI: 大型语言模型（LLM）是一种通过大量文本数据训练的人工智能模型，能够理解和生成自然语言文本。它应用于写作辅助、语言翻译、对话系统和问答系统等自然语言处理任务，表现出高水平的语言理解和生成能力。
用户的提问是: 我叫什么名字？AI 回复
根据消息列表中的内容，你的名字是老铁。以下是对"摘要缓冲混合记忆"机制的流程总结：
一、系统初始化时配置摘要缓冲混合记忆（Summary Buffer Memory）所需的核心组件，包括：
chat_message_history：用于存储完整的对话消息序列；moving_summary_buffer：用于维护摘要内容，存储被移除消息的语义压缩信息；summary_llm：用于生成摘要的语言模型，接收当前摘要、用户输入和 AI 回复；max_tokens：用于限制记忆中可存储的最大 token 数；get_num_tokens：用于计算任意文本的 token 数量，辅助判断是否触发摘要。
二、用户在 ChatGPT 或 Playground 中发起对话，例如输入"你好，我是老铁，喜欢唱跳rap打篮球，你是谁？你喜欢什么呢？"。AI 生成相应回复并将人类与 AI 的消息对完整地添加至消息列表（chat_message_history）中。
三、系统持续接收用户输入并追加消息。当消息列表中的总 token 数超过设定的 max_tokens（如 300），系统触发摘要机制。
四、触发摘要时，系统会将最早的一组消息（通常是一轮人类提问与 AI 回复）从消息列表中移除，并将其与当前摘要一并传入 summary_llm，生成更新后的摘要内容。
五、摘要生成的 Prompt 模板包含当前摘要、需要被摘要的对话内容，以及明确的摘要合并指令。模型输出的新摘要将覆盖原摘要，并保留在 moving_summary_buffer 中。
六、消息列表中仍保留未被摘要的新对话内容，后续用户提问时，系统会同时参考摘要内容与当前消息列表，以提供上下文一致的回答。
七、例如在用户再次提问"我叫什么名字？"时，虽然最初的自我介绍消息已被移除，但其内容已被压缩进摘要中。系统可通过摘要内容推断出用户自称"老铁"，并准确作答。