60.llama_index-记忆（记忆存储到Redis）

内容参考于：图灵AI大模型全栈

常用的数据库组件

ChatStore 类型	存储方式	主要功能与适用场景	持久化	推荐场景
SimpleChatStore	内存 + JSON 文件	基础存取、persist()/from_persist_path()	是	开发、测试、小项目
RedisChatStore	Redis	高性能、高并发、分布式	是	生产、中大型应用
PostgresChatStore	PostgreSQL	事务支持、SQL 查询	是	企业级
UpstashChatStore	Serverless Redis	无服务器运维、易扩展	是	云原生应用
TablestoreChatStore 等	阿里云等云数据库	云服务集成	是	特定云平台

Radis存储

安装Radis库

python 复制代码

pip install llama-index-storage-chat-store-redis

使用Radis代码，如果想使用Redis只需要把下图红框位置改成RedisChatStore就可以了

如下图红框，历史记录存放到Redis中的内容

如果想看Redis怎么读写的源码，可以按着CTRL鼠标左键单击下图红框位置

如下图红框修改值和获取值的源码

如下图红框，方法名前面带a字母的表示异步

Redis存储代码

python 复制代码

from llama_index.core import VectorStoreIndex, SimpleDirectoryReader
from llama_index.core.memory import ChatMemoryBuffer
from llama_index.storage.chat_store.redis import RedisChatStore
from base_llm import llm, embed_model

# 创建RedisChatStore，也就是创建一个可以连接和操作Readis数据库的变量
chat_store = RedisChatStore(
    redis_url="redis://localhost:6379"
)

# 创建Memory，也就是创建历史记录存储空间，这里指定让它存放到Redis中
memory = ChatMemoryBuffer(
    token_limit=1500,
    chat_store=chat_store,
    chat_store_key="user1"
)

# 加载文档
documents = SimpleDirectoryReader(input_files=["./data_file/小说.txt"]).load_data()

# 创建索引
index = VectorStoreIndex.from_documents(documents, embed_model=embed_model)

# 创建ChatEngine，也就是创建聊天大模型
chat_engine = index.as_chat_engine(
    chat_mode="best",
    memory=memory,
    verbose=True,
    llm=llm
)


# 开始聊天
response = chat_engine.chat("萧炎的斗之力多少段")
print(response)
# 打印100个-，用来区分上方的回答和下方的回答
print('-'*100)
response = chat_engine.chat("萧薰儿比他高多少")
print(response)