Day17：LangChain Memory系统详解：让AI Agent拥有记忆，实现多轮对话

Day17：LangChain Memory系统详解：让AI Agent拥有记忆，实现多轮对话

一、引言

在构建智能对话Agent时，记忆（Memory）是决定其能否进行连贯对话的关键。没有记忆的Agent就像金鱼，每次对话都从零开始，无法理解“刚才提到的那个城市天气如何”这类上下文依赖的问题。LangChain提供了强大的Memory系统，可以轻松为Agent添加短期和长期记忆能力。

今天我们将深入探讨LangChain的Memory模块，以通义千问（Qwen）大模型为例，从零实现一个能记住对话历史的Agent。你将学会：

• 使用ConversationBufferMemory和ConversationSummaryMemory存储对话历史

• 将Memory集成到Agent中，实现多轮对话

• 编写一个天气查询示例，让Agent根据历史天气信息推荐着装

• 使用StructuredTool替代简单的@tool装饰器，体验更灵活的工具定义方式

所有代码均基于以下版本验证通过：

langchain 0.1.17 langchain-classic 1.0.3 langchain-community 0.0.38 langchain-core 0.1.53 langchain-text-splitters 0.0.2

二、LangChain Memory 概述

LangChain将记忆分为两类：

• 短期记忆：在单个会话中存储对话历史，如ConversationBufferMemory直接缓存所有消息。

• 长期记忆：对历史进行摘要或向量化存储，如ConversationSummaryMemory定期总结对话，减少token消耗。

Memory模块的核心作用是在Agent调用LLM之前，将历史对话注入到Prompt中，让模型感知上下文。下图展示了Memory的工作流程：

Memory将历史消息附加到下一次LLM调用中

三、环境准备

首先安装所需依赖（推荐使用虚拟环境）：

pip install langchain==0.1.17 langchain-community==0.0.38 langchain-core==0.1.53

由于我们使用通义千问模型，需要安装dashscopeSDK：

pip install dashscope

在代码中导入必要的模块：

importosfromlangchain.memoryimportConversationBufferMemory,ConversationSummaryMemoryfromlangchain.agentsimportinitialize_agent,AgentTypefromlangchain.toolsimportStructuredToolfromlangchain_community.chat_modelsimportChatTongyi

注意：langchain-community中的ChatTongyi封装了通义千问API，需配置环境变量DASHSCOPE_API_KEY（获取方式：阿里云控制台）。

四、初始化千问大模型

# 设置API密钥（建议从环境变量读取）os.environ["DASHSCOPE_API_KEY"]="your-api-key-here"# 创建千问模型实例llm=ChatTongyi(model="qwen-turbo",# 可选 qwen-turbo, qwen-plus, qwen-maxtemperature=0.7,max_tokens=1024)

五、对话缓冲存储器（ConversationBufferMemory）

ConversationBufferMemory是最简单的记忆形式，它将所有对话消息按顺序存储，并在每次调用时以字符串或消息列表的形式返回。

5.1 基本用法

memory=ConversationBufferMemory(return_messages=True)# 保存用户消息和AI回复memory.save_context({"input":"你好"},{"output":"您好！有什么需要帮助的？"})memory.save_context({"input":"今天天气怎么样？"},{"output":"北京今天晴，15-25℃"})# 加载记忆变量print(memory.load_memory_variables({}))

5.2 在链中使用

通过load_memory_variables获取历史，然后将其注入Prompt模板。

六、对话摘要存储器（ConversationSummaryMemory）

当对话非常长时，ConversationBufferMemory会导致token超限。ConversationSummaryMemory通过LLM定期总结对话内容，只保留摘要。

summary_memory=ConversationSummaryMemory(llm=llm)summary_memory.save_context({"input":"你好"},{"output":"您好！"})summary_memory.save_context({"input":"今天天气怎么样？"},{"output":"北京今天晴，15-25℃"})print(summary_memory.load_memory_variables({}))

七、使用 StructuredTool 定义工具

之前我们常用@tool装饰器快速定义工具，但StructuredTool提供了更强大的功能：你可以显式定义输入参数的名称、类型、描述，甚至返回值的schema。这对于复杂工具或需要精确控制参数描述的场景非常有用。

下面我们用StructuredTool创建一个天气查询工具：

defget_weather_func(city:str)->str:"""根据城市名返回天气信息（模拟数据）"""city_weather={"北京":"晴，15-25℃","上海":"多云，18-22℃","广州":"阵雨，20-26℃","深圳":"多云转阴，22-28℃"}returncity_weather.get(city,"暂无该城市天气信息")# 使用 StructuredTool.from_function 创建工具weather_tool=StructuredTool.from_function(func=get_weather_func,name="get_weather",description="根据城市名查询当前天气",# 可以指定参数schema（可选）# args_schema: 可以传入一个pydantic模型来定义参数)

StructuredTool也可以直接实例化，但from_function是最便捷的方式。

八、将Memory集成到Agent中实现多轮对话

接下来我们实战：创建一个Agent，它拥有天气查询工具，并利用ConversationBufferMemory记住历史，从而回答“适合穿什么衣服”这类依赖上下文的问题。

8.1 初始化带记忆的Agent

# 创建记忆实例（返回消息格式，便于Agent处理）memory=ConversationBufferMemory(memory_key="chat_history",# 必须与Agent预期key一致return_messages=True)# 初始化Agentagent=initialize_agent(tools=[weather_tool],# 使用StructuredTool创建的toolllm=llm,agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,# 支持对话的Agent类型memory=memory,verbose=True# 打印思考过程，便于调试)

关键点：memory_key必须设置为"chat_history"，因为CONVERSATIONAL_REACT_DESCRIPTION类型的Agent默认从该变量获取历史。

8.2 测试多轮对话

# 第一轮：询问天气response1=agent.run("今天北京天气怎么样？")print("AI:",response1)# 第二轮：基于天气提问response2=agent.run("那适合穿什么衣服？")print("AI:",response2)

九、进阶：使用 ConversationSummaryMemory 节省Token

如果对话轮次非常多，可以将memory替换为ConversationSummaryMemory，但需要注意它返回的是字符串而非消息列表，因此需要调整return_messages=False：

summary_memory=ConversationSummaryMemory(llm=llm,memory_key="chat_history",return_messages=False# 返回字符串摘要)agent_summary=initialize_agent(tools=[weather_tool],llm=llm,agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,memory=summary_memory,verbose=True)

十、常见问题与注意事项

1. Agent类型选择：CONVERSATIONAL_REACT_DESCRIPTION专为对话设计，它会自动将历史作为Prompt的一部分。如果使用ZERO_SHOT_REACT_DESCRIPTION，需要手动拼接历史。

2. Memory Key匹配：确保memory_key与Agent期望的变量名一致（通常是chat_history）。

3. StructuredTool vs @tool：StructuredTool提供了更丰富的参数定义能力，例如你可以通过args_schema指定输入参数的pydantic模型，从而实现自动验证和文档生成。而@tool装饰器更简洁，适合快速开发。

4. 版本兼容：LangChain 0.1.x 中initialize_agent仍可用，更高版本可能推荐使用create_react_agent函数。

5. 千问模型配置：如果遇到超时或API错误，检查网络环境和API密钥有效性。

十一、总结与展望

今天我们学习了LangChain的Memory系统，并成功为千问Agent添加了记忆能力，使其能够进行上下文关联的多轮对话。主要收获：

• ConversationBufferMemory直接存储对话历史，简单直观。

• ConversationSummaryMemory通过摘要压缩记忆，适合长对话。

• 通过memory参数将记忆注入Agent，实现状态保持。

• 使用StructuredTool定义工具，体验更灵活的工具定义方式。

附录：完整可运行代码

importosfromlangchain.memoryimportConversationBufferMemoryfromlangchain.agentsimportinitialize_agent,AgentTypefromlangchain.toolsimportStructuredToolfromlangchain_community.chat_modelsimportChatTongyi# 设置API密钥os.environ["DASHSCOPE_API_KEY"]="your-dashscope-api-key"# 定义工具函数defget_weather_func(city:str)->str:"""根据城市名返回天气信息（模拟数据）"""weather_data={"北京":"晴，15-25℃","上海":"多云，18-22℃","广州":"阵雨，20-26℃","深圳":"多云转阴，22-28℃"}returnweather_data.get(city,"暂无该城市天气信息")# 使用StructuredTool创建工具weather_tool=StructuredTool.from_function(func=get_weather_func,name="get_weather",description="根据城市名查询当前天气")# 初始化模型和记忆llm=ChatTongyi(model="qwen-turbo",temperature=0.7)memory=ConversationBufferMemory(memory_key="chat_history",return_messages=True)# 创建Agentagent=initialize_agent(tools=[weather_tool],llm=llm,agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,memory=memory,verbose=True)# 多轮对话if__name__=="__main__":print("开始对话（输入 'quit' 退出）")whileTrue:user_input=input("\n用户：")ifuser_input.lower()=='quit':breakresponse=agent.run(user_input)print(f"AI：{response}")

运行结果：

开始对话（输入 'quit' 退出） 用户：今天上海天气怎么样 > Entering new AgentExecutor chain... Thought: Do I need to use a tool? Yes Action: get_weather Action Input: "上海" Observation: 多云，18-22℃ Thought:AI: 今天上海天气多云，气温在18到22摄氏度之间，比较舒适。 > Finished chain. AI：今天上海天气多云，气温在18到22摄氏度之间，比较舒适。 用户：今天我适合穿什么衣服 > Entering new AgentExecutor chain... Thought: Do I need to use a tool? No AI: 今天上海天气多云，气温在18到22摄氏度之间，属于温和舒适的初秋天气。建议穿着长袖衬衫、薄针织衫、薄外套或风衣等轻便透气的衣物；下装可选长裤或薄款裙子（搭配打底袜更稳妥）。早晚稍凉，可备一件薄外套以防温差。整体以“叠穿”为宜，方便根据室内外温度灵活增减。 > Finished chain. AI：今天上海天气多云，气温在18到22摄氏度之间，属于温和舒适的初秋天气。建议穿着长袖衬衫、薄针织衫、薄外套或风衣等轻便透气的衣物；下装可选长裤或薄款裙子（搭配打底袜更稳妥）。早晚稍凉，可备一件薄外套以防温差。整体以“叠穿”为宜，方便根据室内外温度灵活增减。