（ 教学 ）Agent 构建 Memory（提示词对话存储）1. ConversationBufferMemory(对话缓存存储, 版本>1.0和<1.0的区别

（ 教学 ）Agent 构建 Memory（提示词对话存储）1. ConversationBufferMemory(对话缓存存储, 版本>1.0和<1.0的区别)

ConversationBufferMemory，这是一个用于在缓冲区中存储对话历史的内存类。

通常情况下，不需要额外的处理。但是，当对话历史超出模型的上下文窗口时，可能需要进行额外处理。

学习如何使用 ConversationBufferMemory 来存储和检索对话历史。

目前看这些之前的版本1.0以前的，版本1.0以后的。我会列出两个版本的使用方式和特点。

加载 ConversationBufferMemory 类

from langchain_classic.memory import ConversationBufferWindowMemory
    
memory = ConversationBufferMemory()

可以使用 save_context(inputs, outputs) 方法来保存对话记录。

• 这个方法接受两个参数，inputs 和 outputs。
• inputs 用于存储用户的问题，而 outputs 用于存储 AI 的回答。
• 对话记录会在内部以 history 键进行存储。
• 你可以使用 load_memory_variables 方法来获取和查看已保存的对话历史。

# inputs: dictionary(key: "human" or "ai", value: question)
# outputs: dictionary(key: "ai" or "human", value: answer)
memory.save_context(
    inputs={
        "human": "你好，我想要远程开设一个银行账户。我该如何开始？",
    },
    outputs={
        "ai": "你好！很高兴你想开设账户。首先，请准备好你的身份证件以供身份验证。"
    },
)

内存对象的 load_memory_variables({}) 方法会以字符串形式返回完整的对话历史。

# 检查存储在'history'键中的消息历史记录
print(memory.load_memory_variables({})["history"])

塞入数据

memory.save_context(
    inputs={
        "human": "我已经上传了照片。如何进行身份验证？"
    },
    outputs={
        "ai": "我们已确认您上传的照片。请通过手机进行身份验证。请输入通过短信发送的验证码。"
    },
)
memory.save_context(
    inputs={
        "human": "我已输入验证码。现在如何开户？"
    },
    outputs={
        "ai": "身份验证已完成。请选择您想要的账户类型并输入必要信息。您可以选择存款类型、币种等。"
    },
)
# Save 2 more conversations.
memory.save_context(
    inputs={
        "human": "我已经输入了所有信息。下一步是什么？",
    },
    outputs={
        "ai": "我已确认您输入的信息。开户流程即将完成。请同意使用条款并确认开户。"
    },
)
memory.save_context(
    inputs={
        "human": "我已完成所有步骤。账户开通了吗？",
    },
    outputs={
        "ai": "是的，账户已开通。您的账号和相关信息已发送至您注册的邮箱。如果需要其他帮助，请随时联系我们。谢谢！"
    },
)

打印一下，查看一下内存中的对话历史。

print(memory.load_memory_variables({})["history"])

Human: 你好，我想要远程开设一个银行账户。我该如何开始？ AI: 你好！很高兴你想开设账户。首先，请准备好你的身份证件以供身份验证。 Human: 是的,我已经准备好了身份证件用于身份验证。接下来我该怎么做? AI: 谢谢。请清晰地上传您身份证件的正反面照片。接下来我们将继续进行身份验证流程。 Human: 我已经上传了照片。如何进行身份验证？ AI: 我们已确认您上传的照片。请通过手机进行身份验证。请输入通过短信发送的验证码。 Human: 我已输入验证码。现在如何开户？ AI: 身份验证已完成。请选择您想要的账户类型并输入必要信息。您可以选择存款类型、币种等。 Human: 我已经输入了所有信息。下一步是什么？ AI: 我已确认您输入的信息。开户流程即将完成。请同意使用条款并确认开户。 Human: 我已完成所有步骤。账户开通了吗？ AI: 是的，账户已开通。您的账号和相关信息已发送至您注册的邮箱。如果需要其他帮助，请随时联系我们。谢谢！

将消息提取为 HumanMessage 和 AIMessage 对象

设置 return_messages=True 将返回 HumanMessage 和 AIMessage 对象。

memory = ConversationBufferMemory(return_messages=True)

memory = ConversationBufferMemory(return_messages=True)

memory.save_context(
    inputs={
        "human": "你好，我想要远程开设一个银行账户。我该如何开始？",
    },
    outputs={
        "ai": "你好！很高兴你想开设账户。首先，请准备好你的身份证件以供身份验证。",
    },
)

memory.save_context(
    inputs={
        "human": "好的，我已经准备好身份证件了。接下来我该怎么做？"
    },
    outputs={
        "ai": "谢谢。请清晰地上传你的身份证正反面照片。之后我们将进行身份验证流程。"
    },
)

memory.save_context(
    inputs={
        "human": "我已经上传了照片。如何进行身份验证？"
    },
    outputs={
        "ai": "我们已确认收到您上传的照片。请通过手机进行身份验证。请输入通过短信收到的验证码。"
    },
)
memory.load_memory_variables({})["history"]

打印内容

memory.load_memory_variables({})["history"]

HumanMessage(content='你好，我想要远程开设一个银行账户。我该如何开始？', additional_kwargs={}, response_metadata={}), AIMessage(content='你好！很高兴你想开设账户。首先，请准备好你的身份证件以供身份验证。', additional_kwargs={}, response_metadata={}), HumanMessage(content='好的，我已经准备好身份证件了。接下来我该怎么做？', additional_kwargs={}, response_metadata={}), AIMessage(content='谢谢。请清晰地上传你的身份证正反面照片。之后我们将进行身份验证流程。', additional_kwargs={}, response_metadata={}), HumanMessage(content='我已经上传了照片。如何进行身份验证？', additional_kwargs={}, response_metadata={}), AIMessage(content='我们已确认收到您上传的照片。请通过手机进行身份验证。请输入通过短信收到的验证码。', additional_kwargs={}, response_metadata={})

使用新版本的存储方式

from langgraph.checkpoint.memory import MemorySaver
from langchain_openai import ChatOpenAI
from langgraph.graph import MessagesState, START, StateGraph
from langchain_core.messages import HumanMessage

# 使用 MemorySaver 作为 checkpointer
checkpointer = MemorySaver()

# 定义简单的聊天图
def chat(state: MessagesState):
    model = ChatOpenAI(
        temperature=0.1,  # 控制输出的随机性和创造性，值越低输出越稳定可预测，值越高输出越有创意但可能偏离预期 (范围: 0.0 ~ 2.0)
        model_name="Qwen/Qwen2.5-7B-Instruct",  # 硅基流动支持的模型名称
        openai_api_key=os.getenv("SILICONFLOW_API_KEY"),  # 从环境变量获取API密钥
        openai_api_base="https://api.siliconflow.cn/v1"  # 硅基流动API的基础URL
    )
    response = model.invoke(state["messages"])
    return {"messages": [response]}

builder = StateGraph(state_schema=MessagesState)
builder.add_node("chat", chat)
builder.add_edge(START, "chat")
graph = builder.compile(checkpointer=checkpointer)

# 使用 thread_id 保持对话上下文
config = {"configurable": {"thread_id": "user-1"}}

# 第一轮对话
result1 = graph.invoke(
    {"messages": [HumanMessage(content="你好，我叫Bob")]}, 
    config
)
print(result1["messages"][-1].content)

# 第二轮对话 - 记住上文
result2 = graph.invoke(
    {"messages": [HumanMessage(content="我的名字是什么？")]}, 
    config
)
print(result2["messages"][-1].content)  # 会记住 "Bob"