09 - Memory — Agent的记忆系统！从短期记忆到长期记忆，一篇搞定

适合前后端/测试等有编程基础的同学，手把手教你让AI拥有“记忆”

前言

通过前两节课的学习，我们已经掌握了LangChain的Model I/O（统一调用大模型）和Chain（构建执行流程）。现在你的AI应用已经能“听懂话”、“会干活”了。

但它有一个致命的问题——鱼的记忆。

回想一下第6节课我们讲过的内容：大模型的API是无状态的，每次调用都是独立的，它完全不记得上一次聊了什么。

在第6节课，我们手动封装了一个MemoryChat类来管理对话历史。现在进入LangChain的世界，我们要用更优雅、更强大的方式来解决这个问题。

这就是今天的主角——Memory（记忆系统）。

一句话定义：LangChain的Memory组件通过结构化的方式存储、管理对话历史，让AI具备“记忆能力”。

全文约6000字，代码均可直接复制运行。

一、为什么AI需要记忆？

1.1 无状态API的本质

大模型的API调用是无状态的——每次请求都是独立的，模型不会主动记住任何之前的信息。

问题重现：

# 第一轮对话response1=llm.invoke("我叫小明")print(response1.content)# "你好小明！很高兴认识你。"# 第二轮对话（独立请求）response2=llm.invoke("我叫什么名字？")print(response2.content)# "抱歉，我不知道你的名字。"

AI完全“失忆”了。这让多轮对话变得极其尴尬。

1.2 Memory的核心作用

LangChain的Memory组件通过两个核心动作解决这个问题：

Memory能帮我们解决的实际问题：

• 避免重复提问：你说过“我叫小明”，之后AI能直接叫出你的名字
• 支撑复杂任务：让AI“先梳理需求，再生成方案”，它能记住中间结果
• 简化交互：不用每次提问都把前因后果说一遍

1.3 短期记忆 vs 长期记忆

LangChain的记忆系统分为两个层级：

💡通俗理解：短期记忆就像你正在进行的聊天——聊完就忘了；长期记忆就像你的通讯录——每次打开都能找到。

二、LangChain的四种核心记忆类型

LangChain提供了多种Memory实现，适用于不同场景。下面我们逐一学习最常用的四种。

2.1 ConversationBufferMemory — 全量记忆

核心机制：保存所有对话历史，像一个不断增长的记事本。

优点：实现简单，信息完整无丢失。
缺点：对话增长会导致Token消耗巨大。
适用场景：对话轮次少、内容短的场景。

fromlangchain.memoryimportConversationBufferMemory# 初始化记忆memory=ConversationBufferMemory()# 保存对话上下文memory.save_context({"input":"你好啊，AI小助手。"},{"output":"嗨！有什么我可以帮助你的？"})memory.save_context({"input":"我叫小明"},{"output":"你好小明！很高兴认识你。"})# 加载记忆history=memory.load_memory_variables({})print(history)# 输出: {'history': 'Human: 你好啊，AI小助手。\nAI: 嗨！有什么我可以帮助你的？\nHuman: 我叫小明\nAI: 你好小明！很高兴认识你。'}# 也可以直接获取消息对象列表messages=memory.chat_memory.messagesprint(messages)# 输出: [HumanMessage(content='你好啊，AI小助手。'), AIMessage(content='嗨！有什么我可以帮助你的？'), ...]

与Chain结合使用：

fromlangchain.chainsimportLLMChainfromlangchain.promptsimportPromptTemplatefromlangchain.memoryimportConversationBufferMemory# 定义Prompt模板（注意：变量名必须是"history"）template=""" 你是一个友好的AI助手。 对话历史： {history} 人类：{input} AI："""prompt=PromptTemplate(input_variables=["history","input"],template=template)# 创建带记忆的Chainmemory=ConversationBufferMemory()chain=LLMChain(llm=llm,prompt=prompt,memory=memory,verbose=True# 开启可以看到内部执行过程)# 多轮对话print(chain.predict(input="你好，我叫小明"))print(chain.predict(input="我叫什么名字？"))# AI会记得！

2.2 ConversationBufferWindowMemory — 窗口记忆

核心机制：只保留最近K轮对话，像一个滑动窗口。

优点：有效控制上下文长度，Token消耗可控。
缺点：会丢失窗口外的历史信息。
适用场景：只需要近期对话上下文的场景。

fromlangchain.memoryimportConversationBufferWindowMemory# k=2 表示只保留最近2轮对话（每轮=1次Human+1次AI）memory=ConversationBufferWindowMemory(k=2)memory.save_context({"input":"第1轮：你好"},{"output":"你好！"})memory.save_context({"input":"第2轮：我叫小明"},{"output":"你好小明！"})memory.save_context({"input":"第3轮：我喜欢编程"},{"output":"太好了！"})# 加载记忆——只会看到最近2轮history=memory.load_memory_variables({})print(history['history'])# 输出只包含第2轮和第3轮，第1轮已被遗忘

2.3 ConversationSummaryMemory — 摘要记忆

核心机制：调用LLM将历史对话总结为摘要，用摘要替代完整历史。

优点：大幅压缩Token消耗。
缺点：摘要可能导致细节丢失。
适用场景：长对话且关注整体脉络的场景。

fromlangchain.memoryimportConversationSummaryMemory# 初始化摘要记忆（需要传入LLM用于生成摘要）memory=ConversationSummaryMemory(llm=llm)# 多轮对话后，记忆会自动生成摘要memory.save_context({"input":"你好，我叫小明，是一名软件工程师"},{"output":"你好小明！很高兴认识你。"})memory.save_context({"input":"我主要做后端开发，用Python"},{"output":"Python后端开发很有前景！"})memory.save_context({"input":"最近在学习AI Agent"},{"output":"AI Agent是当前最热门的方向！"})# 加载记忆——看到的是摘要而不是完整对话history=memory.load_memory_variables({})print(history['history'])# 输出类似: "小明是一名软件工程师，专注于Python后端开发，目前正在学习AI Agent。"

2.4 VectorStoreRetrieverMemory — 向量检索记忆

核心机制：将对话存入向量数据库，按语义相关性检索最相关的记忆。

优点：能从超长历史中检索关键信息，支持跨会话记忆。
缺点：依赖向量数据库，实现较复杂。
适用场景：对话历史极长，需要根据语义检索关键记忆的场景。

fromlangchain.memoryimportVectorStoreRetrieverMemoryfromlangchain.vectorstoresimportChromafromlangchain.embeddingsimportOpenAIEmbeddings# 1. 创建向量数据库embedding=OpenAIEmbeddings()vectorstore=Chroma(collection_name="conversation_memory",embedding_function=embedding)# 2. 创建VectorStoreRetrieverMemory# retriever会检索最相关的top-k条记忆memory=VectorStoreRetrieverMemory(retriever=vectorstore.as_retriever(search_kwargs={"k":3}),memory_key="history"# 注入Prompt时的变量名)# 3. 保存记忆（自动向量化存储）memory.save_context({"input":"我喜欢看科幻电影，特别是《星际穿越》"},{"output":"《星际穿越》是一部经典！"})memory.save_context({"input":"我住在北京，经常去朝阳公园跑步"},{"output":"朝阳公园环境很好，适合跑步"})memory.save_context({"input":"我是Python开发者，有5年经验"},{"output":"5年Python经验很资深了！"})# 4. 检索相关记忆（基于语义相似度，而非关键词匹配）# 问"推荐一部科幻片" → 自动检索到关于《星际穿越》的记忆relevant=memory.load_memory_variables({"input":"推荐一部科幻片"})print(relevant['history'])# 输出包含《星际穿越》相关的记忆

三、四种记忆类型对比总结

四、实战：构建带记忆的“智能客服Agent”

把前面学的知识综合起来，构建一个真正能用的智能客服Agent。

需求：

1. 用户首次对话时，Agent收集用户信息（姓名、偏好）
2. Agent能记住这些信息，在后续对话中调用
3. 使用ConversationSummaryMemory管理长对话

fromlangchain_openaiimportChatOpenAIfromlangchain.chainsimportLLMChainfromlangchain.promptsimportPromptTemplatefromlangchain.memoryimportConversationSummaryMemory# 1. 初始化模型llm=ChatOpenAI(model="deepseek-v4-flash",api_key="你的Key",base_url="https://api.deepseek.com",temperature=0.7)# 2. 定义系统Prompttemplate=""" 你是一位专业的智能客服助手，名叫"小智"。 你的职责是耐心、友好地回答用户的问题，并记住用户告诉你的所有信息。 以下是对话摘要（历史记忆）： {history} 人类：{input} 小智："""prompt=PromptTemplate(input_variables=["history","input"],template=template)# 3. 创建带摘要记忆的Chainmemory=ConversationSummaryMemory(llm=llm,memory_key="history")chain=LLMChain(llm=llm,prompt=prompt,memory=memory,verbose=False)# 4. 模拟多轮对话defchat_with_agent(user_input):response=chain.predict(input=user_input)returnresponse# 测试对话print("客服小智：您好！我是智能客服小智，有什么可以帮您？")# 第一轮：用户自我介绍user1="你好，我叫王芳，想咨询一下你们的产品"print(f"用户：{user1}")print(f"小智：{chat_with_agent(user1)}\n")# 第二轮：用户问具体问题（Agent应该记得用户的名字）user2="我上次问的那个智能手表，现在有优惠吗？"print(f"用户：{user2}")print(f"小智：{chat_with_agent(user2)}\n")# 第三轮：继续追问（Agent应该记得之前的对话脉络）user3="好的，那帮我下单一个吧"print(f"用户：{user3}")print(f"小智：{chat_with_agent(user3)}\n")# 查看当前记忆摘要print("--- 当前记忆摘要 ---")print(memory.load_memory_variables({})['history'])

运行效果：

客服小智：您好！我是智能客服小智，有什么可以帮您？ 用户：你好，我叫王芳，想咨询一下你们的产品 小智：您好王芳！很高兴为您服务。请问您想了解我们哪款产品呢？ 用户：我上次问的那个智能手表，现在有优惠吗？ 小智：王芳您好！您之前问的智能手表现在确实有优惠活动，目前打8折。 用户：好的，那帮我下单一个吧 小智：好的王芳！我这就帮您下单，请问您需要什么颜色的？ --- 当前记忆摘要 --- 王芳是一位咨询产品的客户，她询问了智能手表，并决定下单购买。

Agent成功记住了用户的名字“王芳”以及之前的对话脉络！

五、生产环境最佳实践

5.1 会话隔离：使用session_id

在实际生产中，你需要为每个用户/会话维护独立的记忆，而不是所有用户共享一个记忆。

# 用字典管理多个会话的记忆session_memories={}defget_memory_for_session(session_id):ifsession_idnotinsession_memories:session_memories[session_id]=ConversationBufferMemory()returnsession_memories[session_id]# 每个用户使用自己的session_iduser1_memory=get_memory_for_session("user_001")user2_memory=get_memory_for_session("user_002")

5.2 持久化存储

默认的Memory只存在内存中，程序重启就丢失了。生产环境需要持久化。

# 使用Redis存储对话历史（示例）importredisfromlangchain.memoryimportConversationBufferMemoryfromlangchain.memory.chat_message_historiesimportRedisChatMessageHistory# 使用Redis作为存储后端history=RedisChatMessageHistory(session_id="user_001",url="redis://localhost:6379/0")memory=ConversationBufferMemory(chat_memory=history,return_messages=True)

5.3 Token消耗监控

使用tiktoken监控Token消耗，防止超出上下文窗口。

importtiktokendefcount_tokens(text,model="cl100k_base"):encoding=tiktoken.get_encoding(model)returnlen(encoding.encode(text))# 在每次调用前检查history=memory.load_memory_variables({})['history']token_count=count_tokens(history)print(f"当前记忆消耗Token:{token_count}")iftoken_count>100000:# 超过阈值print("警告：记忆过长，考虑切换到SummaryMemory")

5.4 记忆类型选择决策树

对话轮次少（<10轮）？ → 是 → ConversationBufferMemory（简单够用） → 否 ↓ 需要记住所有细节？ → 是 → ConversationBufferWindowMemory（控制窗口大小） → 否 ↓ 关注整体脉络而非细节？ → 是 → ConversationSummaryMemory（摘要压缩） → 否 ↓ 对话极长、需要语义检索？ → 是 → VectorStoreRetrieverMemory（向量检索）

六、实战小练习（作业）

练习：构建一个“个性化美食推荐Agent”

需求：

1. Agent能记住用户的基本信息（姓名、口味偏好、忌口）
2. 用户每次问“推荐餐厅”时，Agent基于记忆中的偏好进行推荐
3. 使用ConversationSummaryMemory管理记忆
4. 模拟至少5轮对话，验证Agent能记住跨轮次的信息

提示代码框架：

fromlangchain.memoryimportConversationSummaryMemory# 1. 初始化模型和记忆llm=ChatOpenAI(...)memory=ConversationSummaryMemory(llm=llm,memory_key="history")# 2. 定义Prompt模板（包含记忆和历史）template=""" 你是一位美食推荐专家。 对话摘要： {history} 用户：{input} 专家："""prompt=PromptTemplate(...)# 3. 创建Chainchain=LLMChain(llm=llm,prompt=prompt,memory=memory)# 4. 多轮对话测试# 第1轮：用户自我介绍 + 口味偏好# 第2轮：推荐餐厅（基于偏好）# 第3轮：用户补充信息（忌口）# 第4轮：再次推荐（基于更新后的偏好）# 第5轮：验证Agent记住了所有信息

结语

今天这节课，我们全面学习了LangChain的Memory记忆系统：

下节课（第10节），我们将进入LangChain的另一个核心模块——Retrieval（检索），学习如何让Agent连接外部知识库，构建RAG（检索增强生成）应用！

如果觉得有帮助，欢迎点赞、收藏、评论三连！我们下节课见！

📌 本文是《AI Agent开发实战》课程第9节的完整内容，系列文章持续更新中，关注我不迷路！