LangChain Memory 实战指南：让大模型记住你每一句话，轻松打造“有记忆”的AI助手

---

引言

你有没有遇到过这样的尴尬？

向 AI 提问："我叫张三"，下一秒再问"我叫什么名字？"------它居然说："抱歉，我不记得了。" 😅

别怪模型笨，这是所有 LLM 的"先天缺陷"：无状态调用。

但今天，我们用 LangChain Memory 给它装上"大脑"，实现真正意义上的多轮对话记忆！

本文将带你从零构建一个会"记事"的智能助手，并深入剖析底层原理、性能瓶颈与生产级优化方案。

---

🧠 一、为什么你的 AI 总是"金鱼脑"？

1.1 大模型的"失忆症"真相

我们知道，大语言模型（LLM）本质上是一个"黑箱函数"：

response = model(prompt)

每次调用都是独立的 HTTP 请求，没有任何上下文保留机制 ------ 就像每次见面都重新认识一遍。

举个例子：

// 第一次对话
await model.invoke("我叫陈昊，喜欢喝白兰地");
// 输出：很高兴认识你，陈昊！看来你喜欢喝白兰地呢～

console.log('------ 分割线 ------');

// 第二次对话
await model.invoke("我叫什么名字？");
// 输出：呃......不太清楚，能告诉我吗？

👉 结果令人崩溃：前脚刚自我介绍，后脚就忘了！

这在实际项目中是不可接受的。无论是客服机器人、教育助手还是个性化推荐系统，都需要记住用户的历史行为和偏好。

---

1.2 解决思路：把"记忆"塞进 Prompt

既然模型不会自己记，那就我们来帮它记！

核心思想非常简单：

✅ 每次请求前，把之前的对话历史拼接到当前 prompt 中

✅ 让模型"看到"完整的聊天记录，从而做出连贯回应

这就像是给模型戴上了一副"记忆眼镜"。

而 LangChain 的 Memory 模块，正是对这一过程的高度封装与自动化。

---

⚙️ 二、LangChain Memory 核心原理拆解

LangChain 提供了一套优雅的 API，让我们可以用几行代码实现"有记忆"的对话系统。

先看最终效果：

User: 我叫陈昊，喜欢喝白兰地
AI: 你好，陈昊！白兰地可是很有品味的选择哦～

User: 我喜欢喝什么酒？
AI: 你说你喜欢喝白兰地呀～是不是准备开一瓶庆祝一下？😉

✅ 成功记住用户名字和饮酒偏好！

下面我们就一步步实现这个功能。

---

2.1 核心组件一览

组件	作用
ChatMessageHistory	存储对话历史（内存/文件/数据库）
ChatPromptTemplate	定义提示词模板，预留 {history} 占位符
RunnableWithMessageHistory	自动注入历史 + 管理会话生命周期
sessionId	区分不同用户的会话，避免串台

---

2.2 完整代码实战

// 文件名：memory-demo.js
import { ChatDeepSeek } from "@langchain/deepseek";
import 'dotenv/config';
import { ChatPromptTemplate } from '@langchain/core/prompts';
import { RunnableWithMessageHistory } from "@langchain/core/runnables";
import { InMemoryChatMessageHistory } from '@langchain/core/chat_history';

// 1. 初始化模型
const model = new ChatDeepSeek({
    model: 'deepseek-reasoner',
    temperature: 0.3,
});

// 2. 构建带历史的 Prompt 模板
const prompt = ChatPromptTemplate.fromMessages([
    ['system', '你是一个温暖且有记忆的助手，请根据对话历史回答问题'],
    ['placeholder', '{history}'],   // ← 历史消息自动插入这里
    ['human', '{input}']            // ← 当前输入
]);

// 3. 创建可运行链（含调试输出）
const runnable = prompt
    .pipe(input => {
        console.log('\n🔍 最终发送给模型的完整上下文：');
        console.log(JSON.stringify(input, null, 2));
        return input;
    })
    .pipe(model);

// 4. 初始化内存历史存储
const messageHistory = new InMemoryChatMessageHistory();

// 5. 创建带记忆的链
const chain = new RunnableWithMessageHistory({
    runnable,
    getMessageHistory: () => messageHistory,
    inputMessagesKey: 'input',
    historyMessagesKey: 'history'
});

// 6. 开始对话测试
async function testConversation() {
    // 第一轮：告知信息
    const res1 = await chain.invoke(
        { input: "我叫陈昊，喜欢喝白兰地" },
        { configurable: { sessionId: "user_001" } }
    );
    console.log("🤖 回应1：", res1.content);

    // 第二轮：提问历史
    const res2 = await chain.invoke(
        { input: "我叫什么名字？我喜欢喝什么酒？" },
        { configurable: { sessionId: "user_001" } }
    );
    console.log("🤖 回应2：", res2.content);
}

testConversation();

📌 运行结果示例：

🤖 回应1： 你好，陈昊！听说你喜欢喝白兰地，真是个有品位的人呢～

🤖 回应2： 你叫陈昊，而且你说你喜欢喝白兰地哦～要不要来点搭配小吃？

🎉 成功！模型不仅记住了名字，还能综合多个信息进行推理回答！

---

2.3 关键机制图解

              +---------------------+
              |   用户新输入         |
              +----------+----------+
                         |
       +-----------------v------------------+
       |   ChatPromptTemplate              |
       |                                     |
       |   System: 你是有记忆的助手         |
       |   History: [之前的所有对话] ←───────+←─ 从 messageHistory 读取
       |   Human: 我叫什么名字？             |
       +-----------------+------------------+
                         |
                调用模型 → LLM
                         |
           返回响应 ←────+
                         |
       +-----------------v------------------+
       |  自动保存本次交互                  |
       |  user: 我叫什么名字？               |
       |  assistant: 你叫陈昊...            |
       |  写入 InMemoryChatMessageHistory   |
       +------------------------------------+

整个流程全自动闭环，开发者只需关注业务逻辑。

---

⚠️ 三、真实场景下的三大挑战与破解之道

虽然上面的例子很美好，但在生产环境中你会立刻面临三个"灵魂拷问"：

---

❌ 挑战1：Token "滚雪球"爆炸增长！

随着对话轮数增加，历史消息越积越多，导致：

• 单次请求 Token 数飙升
• 成本翻倍 💸
• 响应变慢 ⏳
• 可能超出模型最大长度限制（如 8192）

✅ 解法：选择合适的 Memory 类型

Memory 类型	特点	适用场景
BufferWindowMemory	只保留最近 N 轮	通用对话、短程记忆
ConversationSummaryMemory	自动生成一句话总结	长周期对话、节省 Token
EntityMemory	提取关键实体（人名/偏好）	推荐系统、CRM 助手

示例：使用窗口记忆（保留最近3轮）

import { BufferWindowMemory } from "langchain/memory";

const memory = new BufferWindowMemory({
    k: 3,
    memoryKey: "history"
});

📌 推荐组合：短期细节靠窗口 + 长期特征靠总结

---

❌ 挑战2：重启服务后历史全丢？！

InMemoryChatMessageHistory 是临时存储，服务一重启，记忆清零。

✅ 解法：持久化到数据库或文件

方案一：本地文件存储（轻量级）

import { FileChatMessageHistory } from "@langchain/core/chat_history";

const getMessageHistory = async (sessionId) => {
    return new FileChatMessageHistory({
        filePath: `./history/${sessionId}.json`
    });
};

方案二：Redis / MongoDB（高并发推荐）

npm install @langchain/redis

import { RedisChatMessageHistory } from "@langchain/redis";

const getMessageHistory = async (sessionId) => {
    return new RedisChatMessageHistory({
        sessionId,
        client: redisClient // 已连接的 Redis 客户端
    });
};

💡 生产环境强烈建议使用 Redis：高性能、支持过期策略、分布式部署无忧。

---

❌ 挑战3：多人同时聊天会不会串消息？

当然会！如果所有用户共用同一个 messageHistory，就会出现 A 用户看到 B 用户的对话。

✅ 解法：用 sessionId 隔离会话

await chain.invoke(
    { input: "我饿了" },
    { configurable: { sessionId: "user_123" } }  // 每个用户唯一 ID
)

await chain.invoke(
    { input: "我饿了" },
    { configurable: { sessionId: "user_456" } }  // 不同用户，不同历史
)

✅ 安全隔离，互不干扰！

---

🛠️ 四、Memory 的典型应用场景（附案例灵感）

场景	如何使用 Memory
客服机器人	记住订单号、投诉进度、用户情绪变化
教育辅导	追踪学习章节、错题记录、掌握程度
电商导购	记住预算、品牌偏好、尺码需求
编程助手	保持代码上下文、函数定义、项目结构
心理咨询	理解用户情绪演变、关键事件回顾

💡 创新玩法：结合 SummaryMemory + VectorDB，实现"长期人格记忆"------让 AI 记住你是内向还是外向、喜欢幽默还是严谨。

---

📘 五、高频面试题（LangChain 方向）：

1. LLM 为什么需要 Memory？它的本质是什么？
2. Buffer vs Summary Memory 的区别？什么时候用哪种？
3. 如何设计一个支持百万用户在线的记忆系统架构？
4. 如何防止敏感信息被 Memory 记录？（安全考量）

---

📝 结语：让 AI 真正"懂你"，从一次对话记忆开始

"智能不是回答问题的能力，而是理解上下文的艺术。"

LangChain Memory 虽然只是整个 LLM 应用中的一个小模块，但它却是通往拟人化交互的关键一步。

从"无状态"到"有记忆"，我们不只是在写代码，更是在塑造一种新的沟通方式。

未来属于那些能让 AI 记住你、理解你、陪伴你的产品。

而现在，你已经有了打造它的钥匙。

---