零基础学AI大模型之LLM存储记忆功能之BaseChatMemory

大家好，我是工藤学编程 🦉	一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉	C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷	【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表	分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列	深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型	零基础学AI大模型之LLM大模型存储记忆功能

前情摘要

本文章目录

- 前情摘要
零基础学AI大模型之LLM存储记忆功能之BaseChatMemory
- 一、什么是BaseChatMemory？
- 二、BaseChatMemory的核心作用
- - [1. 标准化接口：统一"存"和"取"的方法](#1. 标准化接口：统一“存”和“取”的方法)
  - [2. 状态管理：维护对话历史](#2. 状态管理：维护对话历史)
  - [3. 高扩展性：支持自定义逻辑](#3. 高扩展性：支持自定义逻辑)
- 三、BaseChatMemory的关键属性和核心方法
- - [1. 关键属性：chat_memory](#1. 关键属性：chat_memory)
  - [2. 核心方法：3个常用技能](#2. 核心方法：3个常用技能)
- 四、BaseChatMemory的常用子类：不用自己写，直接用！
- 五、子类实战：3个案例
- 六、怎么选BaseChatMemory子类？一张表搞定！
- 总结

零基础学AI大模型之LLM存储记忆功能之BaseChatMemory

哈喽，各位小伙伴！👋 上一篇我们聊了LLM存储记忆的核心概念和应用场景，知道了短期记忆和长期记忆的区别。今天咱们就往深了钻------聚焦LangChain中聊天记忆的"老祖宗"BaseChatMemory，搞懂它是怎么定义记忆接口、管理对话历史的，还有它的几个常用子类怎么实战使用。就算部分API有过期情况，咱们也能掌握核心思想，轻松上手！

一、什么是BaseChatMemory？

BaseChatMemory是LangChain中所有聊天型记忆模块的基类，简单说就是"所有聊天记忆的模板"------它定义了记忆存储和检索的通用规则，不管是我们后面要学的ConversationBufferMemory，还是自定义记忆，都得遵守它的规范。

python 复制代码

# 核心导入方式
from langchain.memory.chat_memory import BaseChatMemory

它的核心价值在于"标准化"：不管你是想存原始对话，还是存对话摘要，甚至想加密存储、过滤敏感信息，都能通过继承它来实现，不用从零造轮子。

二、BaseChatMemory的核心作用

作为基类，BaseChatMemory主要干三件大事，撑起所有聊天记忆的基础功能：

1. 标准化接口：统一"存"和"取"的方法

不管什么聊天记忆，都得实现两个核心方法，这是BaseChatMemory定好的规矩：

save_context()：存上下文------把用户输入和模型输出保存到记忆里；
load_memory_variables()：取记忆------把保存的对话历史加载出来，供大模型使用。

有了统一接口，我们切换不同记忆模块时，代码不用大改，兼容性拉满！

2. 状态管理：维护对话历史

BaseChatMemory会通过内部属性，帮我们管好对话消息的增删改查，不用自己手动维护列表。不管是加一条用户消息，还是清空所有记忆，都有现成的方法可用。

3. 高扩展性：支持自定义逻辑

这是最实用的点！我们可以继承BaseChatMemory，重写它的方法，实现自己的需求：比如保存时过滤"密码"等敏感词，加载时只取最近3天的对话，甚至把记忆加密存储。

三、BaseChatMemory的关键属性和核心方法

要用好BaseChatMemory，先搞懂它的"核心装备"------属性和方法，用起来就像玩游戏用技能一样简单！

1. 关键属性：chat_memory

这是存储对话消息的"容器"，类型是ChatMessageHistory，里面有个messages列表，所有对话消息都存在这里。

每条消息都是BaseMessage的子类，常见的有两种：

HumanMessage：用户发送的消息；
AIMessage：模型回复的消息。

简单说，chat_memory就像一个"聊天笔记本"，每一页就是一条HumanMessage或AIMessage。

2. 核心方法：3个常用技能

（1）save_context()：保存对话上下文

作用：把用户输入和模型输出成对保存到chat_memory里。

用法有两种，效果完全一样：

python 复制代码

# 方法1：直接调用save_context（推荐，简洁）
memory.save_context(
    {"input": "你好"},  # 用户输入
    {"output": "你好！有什么可以帮您？"}  # 模型输出
)

# 方法2：手动添加消息到chat_memory
memory.chat_memory.add_user_message("你好")  # 添加用户消息
memory.chat_memory.add_ai_message("你好！有什么可以帮您？")  # 添加AI消息

（2）load_memory_variables()：加载记忆

作用：把保存的对话历史取出来，默认返回一个字典，key是"history"，value是对话字符串。

示例：

python 复制代码

# 加载记忆
variables = memory.load_memory_variables({})
# 打印对话历史
print(variables["history"])
# 输出结果：
# Human: 你好
# AI: 你好！有什么可以帮您？

（3）clear()：清空记忆

作用：一键清空chat_memory里的所有对话消息，相当于"格式化笔记本"。

示例：

python 复制代码

# 清空所有记忆
memory.clear()
# 再加载就是空的了
print(memory.load_memory_variables({}))  # 输出：{"history": ""}

四、BaseChatMemory的常用子类：不用自己写，直接用！

BaseChatMemory是基类，不能直接用，LangChain已经帮我们实现了几个常用子类，覆盖大部分场景，直接拿来用就行～

子类名称	核心特点	适用场景
ConversationBufferMemory	存储完整原始对话历史	短对话、需要保留全部对话细节
ConversationBufferWindowMemory	只保留最近k轮对话（滑动窗口）	长对话、避免token占用过多
ConversationSummaryMemory	存储对话摘要（用大模型总结历史）	超长对话、需要压缩对话内容

五、子类实战：3个案例

案例1：ConversationBufferMemory------存储完整对话

适合短对话，需要保留每一句聊天内容的场景。

python 复制代码

# 1. 导入需要的包
from langchain.memory import ConversationBufferMemory

# 2. 初始化记忆（return_messages=True：返回消息对象列表，False返回字符串）
memory = ConversationBufferMemory(
    memory_key="chat_history",  # 加载记忆时的key（默认就是"history"）
    return_messages=True  # 这里设为True，方便看消息类型
)

# 3. 保存对话上下文
memory.save_context({"input": "你的名字是什么？"}, {"output": "我叫工藤助手"})
memory.save_context({"input": "我叫张三"}, {"output": "你好张三！很高兴认识你"})

# 4. 加载并查看记忆
chat_history = memory.load_memory_variables({})["chat_history"]
print("对话记忆：")
for msg in chat_history:
    print(f"类型：{type(msg).__name__}，内容：{msg.content}")

# 输出结果：
# 对话记忆：
# 类型：HumanMessage，内容：你的名字是什么？
# 类型：AIMessage，内容：我叫工藤助手
# 类型：HumanMessage，内容：我叫张三
# 类型：AIMessage，内容：你好张三！很高兴认识你

# 5. 清空记忆
memory.clear()
print("\n清空后记忆：", memory.load_memory_variables({}))  # 输出：清空后记忆： {'chat_history': []}

案例2：ConversationBufferWindowMemory------只记最近k轮对话

适合长对话，比如聊了100轮，只想让模型记住最后3轮，避免token不够用。

python 复制代码

# 1. 导入需要的包
from langchain.memory import ConversationBufferWindowMemory

# 2. 初始化记忆：k=2表示只保留最近2轮对话（一轮用户+一轮AI为一轮）
memory = ConversationBufferWindowMemory(
    k=2,  # 窗口大小：最近2轮
    memory_key="chat_history",
    return_messages=False  # 返回字符串格式，更直观
)

# 3. 保存3轮对话（会自动只留最后2轮）
# 第1轮
memory.save_context({"input": "今天天气怎么样？"}, {"output": "今天晴天，适合出游"})
# 第2轮
memory.save_context({"input": "适合去公园吗？"}, {"output": "适合，公园花开了"})
# 第3轮
memory.save_context({"input": "公园要门票吗？"}, {"output": "不需要，免费开放"})

# 4. 加载记忆：只保留最后2轮（第2、3轮）
chat_history = memory.load_memory_variables({})["chat_history"]
print("窗口内对话记忆：")
print(chat_history)

# 输出结果：
# 窗口内对话记忆：
# Human: 适合去公园吗？
# AI: 适合，公园花开了
# Human: 公园要门票吗？
# AI: 不需要，免费开放

案例3：ConversationSummaryMemory------用摘要压缩对话

适合超长对话，比如聊了100轮，用大模型把历史对话总结成一段话，既省token又能保留关键信息。

python 复制代码

# 1. 导入需要的包
from langchain.memory import ConversationSummaryMemory
from langchain.chat_models import ChatOpenAI  # 需要大模型来生成摘要

# 2. 初始化大模型（也可以用开源模型，如通义千问、智谱清言）
llm = ChatOpenAI(temperature=0, model_name="gpt-3.5-turbo")

# 3. 初始化记忆：传入大模型用于生成摘要
memory = ConversationSummaryMemory(
    llm=llm,
    memory_key="chat_history",
    return_messages=False
)

# 4. 保存多轮对话
memory.save_context({"input": "我叫张三，想学习微积分"}, {"output": "好的，我会帮你规划学习路径"})
memory.save_context({"input": "微积分先学什么？"}, {"output": "先学极限，这是微积分的基础"})
memory.save_context({"input": "极限怎么学容易？"}, {"output": "多练例题，理解无穷小和无穷大的概念"})

# 5. 加载记忆：返回的是对话摘要，不是原始对话
summary = memory.load_memory_variables({})["chat_history"]
print("对话摘要：")
print(summary)

# 输出结果（大模型生成，简洁保留关键信息）：
# 用户张三表示想学习微积分，助手表示会帮他规划学习路径。用户询问微积分先学什么，助手建议先学极限，因为极限是微积分的基础。用户又问极限怎么学容易，助手建议多练例题，理解无穷小和无穷大的概念。

六、怎么选BaseChatMemory子类？一张表搞定！

不知道用哪个子类？看场景选就行，一目了然：

场景需求	推荐子类	关键参数
短对话、需要完整保留所有对话细节	ConversationBufferMemory	return_messages
长对话、只想记最近几轮	ConversationBufferWindowMemory	k（窗口大小）
超长对话、想压缩对话省token	ConversationSummaryMemory	llm（摘要用的大模型）
要自定义逻辑（过滤敏感词、加密）	继承BaseChatMemory重写方法	-

总结

BaseChatMemory作为LangChain聊天记忆的基类，核心是定了"存（save_context）、取（load_memory_variables）、清（clear）"的标准接口，让各种记忆模块有章可循。它的子类不用我们自己写，直接根据场景选：短对话用ConversationBufferMemory，长对话用窗口记忆，超长对话用摘要记忆。

有疑问欢迎在评论区交流，咱们下期再见！👋