🌟 LangChain 30 天保姆级教程 · Day 21｜Memory 机制实战！让 AI 记住你说过的话，实现多轮连贯对话！

Csvn2026-04-17 14:53

系列目标 ：30 天从 LangChain 入门到企业级部署
今日任务：理解 Memory 类型 → 掌握 ConversationBufferMemory → 实现"带历史的 RAG 聊天机器人"！

💭 一、为什么需要 Memory？

没有记忆的 AI 像"金鱼"：

  • 用户："帮我查订单 1001"
  • AI："订单 1001 已发货。"
  • 用户："那物流单号是多少？"
  • AI："请提供订单号。"

问题：AI 忘了上一句提到的"订单 1001"！

解决方案：

✅ Memory 机制 ------ 将对话历史注入每次 Prompt，让 LLM 理解上下文！
💡 今天，我们就用 LangChain 的 Memory 模块，构建一个能记住 5 轮对话的智能客服！

🧱 二、LangChain Memory 核心类型

表格

Memory 类型 特点 适用场景
ConversationBufferMemory 保存全部历史 短对话、调试
ConversationBufferWindowMemory 只保留最近 N 轮 长对话、控制 token
ConversationSummaryMemory 用 LLM 生成摘要 超长对话（节省 token）
RedisChatMessageHistory 外部存储（分布式） Web 应用、多实例

✅ Day 21 重点：ConversationBufferWindowMemory + RAG

🛠️ 三、动手实践 1：基础对话记忆（无 RAG）

ini 复制代码 
# day21_memory_chat.py
from langchain_ollama import ChatOllama
from langchain.memory import ConversationBufferWindowMemory
from langchain.chains import ConversationChain

# 初始化 LLM 和 Memory（只记最近 3 轮）
llm = ChatOllama(model="qwen:7b", temperature=0)
memory = ConversationBufferWindowMemory(k=3)

# 创建对话链
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)

# 多轮对话
print(conversation.predict(input="你好！"))
print(conversation.predict(input="我叫小明"))
print(conversation.predict(input="我叫什么名字？"))  # AI 能答对！

▶️ 输出示例：

vbnet 复制代码 
> Entering new ConversationChain chain...
Prompt after formatting:
The following is a friendly conversation between a human and an AI...
Current conversation:
Human: 你好！
AI: 你好！有什么我可以帮你的吗？
Human: 我叫小明
AI: 很高兴认识你，小明！
Human: 我叫什么名字？
AI: 你叫小明。

✅ 成功记住"小明"！

🤖 四、动手实践 2：RAG + Memory（终极组合）

现在，我们要构建一个既能查知识库，又能记对话的客服机器人！

步骤 1：准备带 Memory 的 Prompt

ini 复制代码 
from langchain_core.prompts import PromptTemplate

# 自定义 Prompt，包含 {history} 和 {context}
template = """
你是一个公司客服助手，请根据以下信息回答问题：

已知资料：
{context}

对话历史：
{history}

用户新问题：{input}

回答：
"""

PROMPT = PromptTemplate(
    input_variables=["history", "context", "input"],
    template=template
)

步骤 2：加载 RAG 组件（复用 Day 18）

ini 复制代码 
from langchain_chroma import Chroma
from langchain_ollama import OllamaEmbeddings
from langchain.chains import RetrievalQA

# 向量库
embeddings = OllamaEmbeddings(model="nomic-embed-text")
vectorstore = Chroma(persist_directory="./chroma_db", embedding_function=embeddings)
retriever = vectorstore.as_retriever(search_kwargs={"k": 2})

步骤 3：创建带 Memory 的 RAG Chain

ini 复制代码 
from langchain.memory import ConversationBufferWindowMemory
from langchain.chains.conversation.base import ConversationChain

# 初始化 Memory
memory = ConversationBufferWindowMemory(
    memory_key="history",      # 对应 Prompt 中的 {history}
    input_key="input",         # 用户输入字段名
    k=3                        # 记住最近 3 轮
)

# 创建链
rag_with_memory = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=retriever,
    memory=memory,             # 注入 Memory！
    chain_type_kwargs={"prompt": PROMPT},
    return_source_documents=True
)

⚠️ 注意：RetrievalQA 支持 memory 参数（LangChain >=0.1.0）

步骤 4：测试多轮 RAG 对话

bash 复制代码 
# 第一轮
res1 = rag_with_memory({"query": "员工年假有多少天？"})
print("Q1:", res1["result"])

# 第二轮（指代上文）
res2 = rag_with_memory({"query": "那病假呢？"})  # AI 知道在问"假期政策"
print("Q2:", res2["result"])

# 第三轮（混合上下文）
res3 = rag_with_memory({"query": "刚才说的年假能跨年吗？"})
print("Q3:", res3["result"])

▶️ 预期效果：

  • Q2：正确返回病假政策（而非重复年假）
  • Q3：正确引用"年假不可跨年"条款

✅ 真正实现：

  • 语义检索（RAG）
  • 上下文理解（Memory）
  • 引用溯源（Source Documents）

☁️ 五、进阶：用 Redis 存储对话历史（Web 应用必备）

在 Web 服务中，需按 session_id 存储历史：

ini 复制代码 
from langchain_community.chat_message_histories import RedisChatMessageHistory
from langchain.memory import ConversationSummaryBufferMemory

def get_memory(session_id: str):
    message_history = RedisChatMessageHistory(
        url="redis://localhost:6379",
        ttl=3600,  # 1小时过期
        session_id=session_id
    )
    return ConversationSummaryBufferMemory(
        chat_memory=message_history,
        max_token_limit=500,
        llm=llm  # 用于生成摘要
    )

# 在 FastAPI 中使用
@app.post("/chat")
async def chat(req: ChatRequest):
    memory = get_memory(req.session_id)
    chain = RetrievalQA(..., memory=memory, ...)
    return chain({"query": req.message})

✅ 支持分布式部署、会话隔离、自动过期！

⚠️ 六、注意事项 & 最佳实践

表格

问题 建议
Token 超限 用 WindowMemory 或 SummaryMemory 控制长度
历史干扰检索 在 Prompt 中明确区分"历史"和"资料"
敏感信息留存 定期清理 Redis；Memory 中脱敏（结合 Day 14）
多用户混淆 务必用 session_id 隔离（Web 场景）
成本增加 每次调用都传历史 → 增加 token 消耗

💡 生产建议：

  • 默认只记 2~3 轮（足够覆盖 90% 场景）
  • 对"重置对话"指令清空 Memory
  • 监控平均对话轮数，优化 k 值

📦 七、配套代码结构

bash 复制代码 
langchain-30-days/
└── day21/
    ├── memory_rag_chat.py        # 带记忆的 RAG 聊天
    └── web_memory_demo.py        # Redis + FastAPI 示例（进阶）

📝 八、今日小结

  • ✅ 理解了 Memory 对多轮对话的必要性
  • ✅ 学会了 ConversationBufferWindowMemory 控制历史长度
  • ✅ 实现了 RAG + Memory 的融合系统
  • ✅ 掌握了用 Redis 支持 Web 应用的分布式记忆
  • ✅ 知道了 Token 控制与安全清理策略

🎯 明日预告：Day 22 ------ 长文档处理！MapReduce 与 Refine Chain 解决超长上下文难题！

相关推荐
kyle-fang6 小时前
langchain各类文档加载
windows·python·langchain
donglianyou6 小时前
Agent技术详解与实战
python·langchain·agent·langgraph
凌奕7 小时前
LangChain 接外部工具：MCP 和 CLI 到底该选哪个？
langchain
liu****8 小时前
LangGraph-AI应用开发框架(五)
python·langchain·大模型·langgraph
花千树-0108 小时前
三个 Agent 并行调研：用 concurrent 节点构建并发-汇聚式旅游规划助手
java·langchain·agent·function call·multi agent·mcp·harness
是小蟹呀^8 小时前
【整理】Agent中的ReAct架构
langchain·agent·react
舒一笑18 小时前
大模型根本不是“学会了”，它只是会“看例子”：一文讲透 In-context Learning（ICL）
langchain·llm·openai
Java后端的Ai之路21 小时前
LangChain ReAct Agent 核心技术问答
前端·react.js·langchain
Java后端的Ai之路1 天前
LangChain 面试问答指南2
面试·职场和发展·langchain
Java后端的Ai之路1 天前
当大模型开始“水土不服“：从通才到专才的进化论——Fine-tuning 企业级实战全攻略
人工智能·python·langchain·rag·lcel
热门推荐
012026年4月技术前沿：AI大模型爆发、智能体革命与量子安全新纪元02GitHub 镜像站点032026 年 AI 编程助手全面对比评测：Cursor vs Copilot vs Claude Code vs GitHub Copilot Free042026年4月AI大事件深度解读：大模型竞争进入“深水区“05Claude Code Windows 兼容性问题：指定版本 2.1.112 可解决06AI Weekly | 2026年4月第二周 · GitHub热门项目与AI发展趋势深度解析07UBUNTU Claude Code 报错 claude native binary not installed08从限购到畅通：GLM-5.1 Coding Plan接入攻略09近期有什么ai的新消息，新动态？ 2026.4月10从零部署 Hermes Agent：一只"会成长的 AI 马"保姆级安装教程