零基础 | AI应用记忆管理：从短期到长期的完整实践指南

📄 文档概述

• 创建时间：2026-01-25
• 作者：zuozewei
• 功能：AI应用记忆管理完整指南
• 技术栈：Python、LangChain、mem0、ChromaDB、OpenAI API、DeepSeek
• 项目路径：https://github.com/zuozewei/blog-example/tree/master/AI-LLM/

🔧 技术栈详解

版本兼容性说明

本文采用以下经过验证的版本组合：

• Python 3.10+
• LangChain v0.2.10
• mem0 v1.1.2
• ChromaDB v0.5.11

Python

定义：AI/ML领域的主流开发语言，生态系统成熟完善。

在本项目中的作用：

• 作为主要开发语言，实现记忆管理逻辑
• 丰富的AI/ML生态系统支持
• 简洁易读的语法，便于快速开发

关键特性：

• 动态类型系统
• 强大的标准库
• 跨平台支持
• 活跃的社区支持

LangChain

定义：一个用于构建大模型应用的框架，提供模块化组件和工具链。

在本项目中的作用：

• 提供聊天历史管理接口（BaseChatMessageHistory）
• 实现文件持久化存储（FileChatMessageHistory）
• 集成大模型调用（ChatOpenAI）
• 提供提示词模板（ChatPromptTemplate）

核心组件：

• ChatMessageHistories：管理对话历史记录
• Chat Models：与大模型交互的接口
• Prompts：提示词模板管理
• Chains：将多个组件串联成工作流

优势：

• 模块化设计，易于组合
• 丰富的预构建组件
• 支持多种大模型提供商
• 活跃的社区和文档

mem0

定义：为大模型应用提供的可自我改进的记忆层框架，基于RAG架构改造而来。

在本项目中的作用：

• 实现长期记忆的存储和检索
• 自动从对话中提取关键信息
• 支持语义搜索和向量检索
• 提供多用户隔离机制

核心功能：

• 记忆存储：将信息持久化到向量数据库
• 记忆检索：基于语义相似度检索相关记忆
• 记忆提取：自动从对话中提取事实信息
• 记忆管理：支持增删改查操作

工作原理：

1. 接收用户输入和对话历史
2. 调用LLM提取关键事实（自动去重、合并相似记忆）
3. 将事实转换为向量嵌入
4. 存储到向量数据库（ChromaDB）
5. 查询时进行语义检索（支持多模态检索）
6. 返回相关记忆作为上下文

与传统RAG的差异：

优势：

• API简洁，易于集成
• 支持多种向量数据库
• 自动记忆提取，减少人工干预
• 支持多用户隔离
• 可扩展性强
• 内置记忆去重与融合机制

ChromaDB

定义：一个开源的向量数据库，专为AI应用设计，支持语义搜索和相似度检索。

在本项目中的作用：

• 作为mem0的向量存储后端
• 存储记忆的向量嵌入
• 支持高效的语义检索
• 提供本地持久化存储

核心特性：

• 向量存储：存储高维向量数据
• 语义检索：基于向量相似度搜索
• 元数据过滤：支持按元数据筛选
• 本地优先：支持本地部署，无需云服务
• 轻量级：易于集成和部署

工作原理：

1. 将文本转换为向量嵌入（Embedding）
2. 存储向量和元数据
3. 查询时将查询文本转换为向量
4. 计算向量相似度（如余弦相似度）
5. 返回最相似的记录

优势：

• 开源免费，无成本压力
• 本地部署，数据隐私可控
• 简单易用，快速上手
• 支持多种嵌入模型
• 良好的Python集成

技术栈协作关系

┌─────────────────────────────────────────────────────────┐ │ 应用层（Python） │ │ ┌──────────────┐ ┌──────────────┐ ┌─────────────┐ │ │ │ChatHistory │ │MemoryManager │ │ Example │ │ │ │ Manager │ │ │ │ │ │ │ └──────┬───────┘ └──────┬───────┘ └──────┬──────┘ │ └─────────┼──────────────────┼──────────────────┼────────┘ │ │ │ │ │ │ ┌─────────┴──────────────────┴──────────────────┴────────┐ │ 框架层（LangChain + mem0） │ │ ┌──────────────────┐ ┌──────────────────┐ │ │ │ FileChatMessage │ │ mem0 Memory │ │ │ │ History │ │ │ │ │ └────────┬─────────┘ └────────┬─────────┘ │ └───────────┼────────────────────┼───────────────────────┘ │ │ │ │ ┌───────────┴────────────────────┴───────────────────────┐ │ 存储层（ChromaDB + SQLite） │ │ ┌──────────────┐ ┌──────────────┐ ┌─────────────┐ │ │ │ ChromaDB │ │ SQLite │ │ JSON Files │ │ │ │ 向量数据库 │ │ 历史数据库 │ │ 聊天历史 │ │ │ └──────────────┘ └──────────────┘ └─────────────┘ │ └──────────────────────────────────────────────────────────┘

数据流说明：

1. 用户输入 → Python应用层
2. 短期记忆 → LangChain的FileChatMessageHistory → JSON文件
3. 长期记忆 → mem0 → ChromaDB向量数据库
4. 对话历史 → mem0 → SQLite数据库
5. 检索时 → mem0从ChromaDB检索 → 返回相关记忆

技术选型理由

🎯 核心内容

本指南全面介绍AI应用中的记忆管理技术，涵盖：

• 短期记忆：基于LangChain的聊天历史管理（ChatHistoryManager）
• 长期记忆：基于mem0的持久化记忆存储（MemoryManager）
• 记忆融合：短期与长期记忆的协同使用
• 工程实践：完整的项目结构、配置、测试和示例

📚 一、记忆的本质：大模型如何拥有长期记忆

大模型天生是"鱼的记忆"——每次对话都是全新的开始。要让AI记住用户的偏好和历史交互，我们需要通过两种方式实现记忆：

短期记忆（Short-term Memory）

• 将聊天历史放入提示词
• 仅能记住"近期"内容
• 受上下文窗口限制
• 适合单次会话的连续对话
• 实现方式：基于LangChain的FileChatMessageHistory

长期记忆（Long-term Memory）

• 突破上下文窗口限制
• 持久存储用户信息、偏好等
• 通过检索相关内容复用
• 适合跨会话的个性化服务
• 实现方式：基于mem0 + ChromaDB向量数据库

二、核心问题与解决方案

🤔 核心问题

• 大模型上下文窗口大小有限，无法承载无限历史
• 过大上下文会导致Token成本飙升
• 传输与计算效率低

💡 解决方案

借鉴RAG（检索增强生成）思路：

• 将需记忆内容存入向量数据库（ChromaDB）
• 生成时先检索相关内容
• 拼接上下文给大模型
• 解决信息存储、检索、深度挖掘问题

📁 二、项目架构：从短期到长期的记忆系统设计

src/mem0长期记忆/ ├── chat_history_manager.py # 短期记忆管理器 ├── memory_manager.py # 长期记忆管理器 ├── memory_config.py # mem0配置 ├── example.py # 使用示例 ├── .env # 环境变量配置 ├── history.db # SQLite历史数据库 ├── mem0db/ # ChromaDB向量数据库目录 │ ├── chroma.sqlite3 │ └── [uuid]/ # 向量数据文件 ├── tests/ # 测试目录 │ ├── __init__.py │ ├── test_chat_history_manager.py │ └── test_memory_manager.py └── README.md # 项目说明文档

🔧 二、短期记忆实现 - ChatHistoryManager

🎯 功能概述

ChatHistoryManager为对话系统提供短期记忆能力，主要特点包括：

• 支持按会话ID管理不同用户的聊天历史
• 内存缓存与文件持久化相结合
• 基于LangChain的FileChatMessageHistory
• 会话隔离机制
• 类封装，易于扩展

二、核心技术点

1. 会话历史管理：使用session_id隔离不同会话
2. 内存缓存机制：mem_store字典缓存会话历史
3. 文件持久化存储：JSON格式存储到本地文件
4. LangChain集成：基于BaseChatMessageHistory接口
5. 会话隔离：每个session_id独立存储

三、代码实现

1. ChatHistoryManager类

# -*- coding: utf-8 -*-""" @Time : 2025/12/14 04:33 @Author : zuozewei @File : chat_history_manager.py @Desc : 聊天历史管理 - 基于文件持久化+内存缓存，支持多会话隔离，实现对话历史的保存、读取和管理 """fromlangchain_community.chat_message_historiesimportFileChatMessageHistoryfromlangchain_core.chat_historyimportBaseChatMessageHistoryclassChatHistoryManager:"""聊天历史管理器类"""def__init__(self):"""初始化聊天历史管理器"""self.mem_store={}defget_session_history(self,session_id:str)->BaseChatMessageHistory:""" 获取会话历史 :param session_id: 会话ID :return: 会话历史 """ifsession_idnotinself.mem_store:self.mem_store[session_id]=FileChatMessageHistory(file_path=f"./history_{session_id}.json")returnself.mem_store[session_id]

核心设计：

• 使用类封装，避免全局变量
• mem_store字典缓存会话历史对象
• 首次访问时创建FileChatMessageHistory对象
• 后续访问直接返回缓存对象
• 文件路径格式：history_{session_id}.json

📝 使用示例

fromchat_history_managerimportChatHistoryManagerfromlangchain_core.messagesimportHumanMessage,AIMessage# 创建管理器实例manager=ChatHistoryManager()# 获取或创建会话历史history=manager.get_session_history("user123")# 添加消息history.add_message(HumanMessage(content="你好，请问今天天气怎么样？"))history.add_message(AIMessage(content="今天天气晴朗，温度适宜。"))# 获取所有消息messages=history.messagesprint(f"会话历史包含{len(messages)}条消息")formsginmessages:print(f"{msg.type}:{msg.content}")# 清除历史记录history.clear()

📊 运行结果

会话历史包含 2 条消息 human: 你好，请问今天天气怎么样？ ai: 今天天气晴朗，温度适宜。

🚀 三、长期记忆实现 - MemoryManager

🧠 mem0核心介绍

定义：为大模型应用提供的可自我改进的记忆层，由RAG框架改造而来，替代传统RAG，统一短期+长期记忆。

优势：

• API简洁易懂、功能强大
• 能满足长期记忆核心需求
• 工程化友好
• 支持语义检索，记忆提取精准
• 支持多用户隔离

⚙️ mem0配置实现

1. memory_config.py - 配置管理

# -*- coding: utf-8 -*-""" @Time : 2025/12/14 04:33 @Author : zuozewei @File : memory_config.py @Desc : mem0长期记忆配置 - 基于向量存储的持久化记忆系统 """importosimportwarningsfromdotenvimportload_dotenv load_dotenv()api_base=os.getenv("OPENAI_BASE_URL")oros.getenv("OPENAI_API_BASE")os.environ["OPENAI_API_KEY"]=os.getenv("OPENAI_API_KEY")os.environ["OPENAI_BASE_URL"]=api_basefrommem0importMemorydefcreate_memory():""" 创建Memory实例 :return: Memory实例 """returnMemory.from_config({"version":"v1.1","llm":{"provider":"openai","config":{"model":os.getenv("AI_MODEL","deepseek-v3.2"),"temperature":0,"max_tokens":1500,}},"embedder":{"provider":"openai","config":{"model":"text-embedding-v4"}},"vector_store":{"provider":"chroma","config":{"collection_name":"mem0db","path":"mem0db",}},"history_db_path":"history.db",})

配置说明：

• 使用环境变量管理API密钥和模型配置
• 支持自定义OpenAI兼容API（如DeepSeek）
• 使用ChromaDB作为向量存储
• SQLite存储历史记录
• 版本：v1.1（支持图记忆）

2. 环境变量配置（.env）

# OpenAI API配置OPENAI_API_KEY=your_api_key_hereOPENAI_BASE_URL=https://api.openai.com/v1AI_MODEL=gpt-4o-mini# 或者使用DeepSeek# OPENAI_BASE_URL=https://api.deepseek.com/v1# AI_MODEL=deepseek-v3.2

🏗️ MemoryManager类实现

# -*- coding: utf-8 -*-""" @Time : 2025/12/14 04:33 @Author : zuozewei @File : memory_manager.py @Desc : mem0长期记忆管理 - 基于向量存储的持久化记忆系统，支持多用户隔离和个性化回复 """importosfromlangchain_openaiimportChatOpenAIfromlangchain_core.promptsimportChatPromptTemplatefrommemory_configimportcreate_memoryclassMemoryManager:"""记忆管理器类"""def__init__(self):"""初始化记忆管理器"""self.mem0=create_memory()api_base=os.getenv("OPENAI_BASE_URL")oros.getenv("OPENAI_API_BASE")self.llm=ChatOpenAI(model=os.getenv("AI_MODEL","deepseek-v3.2"),api_key=os.getenv("OPENAI_API_KEY"),base_url=api_base,temperature=0.7