【AI大模型应用开发】以LangChain为例：从短期记忆实战，到如何让AI应用保持长期记忆的探索

• 大家好，我是同学小张，日常分享AI知识和实战案例
• 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。
• +v: jasper_8017 一起交流💬，一起进步💪。
• 微信公众号也可搜【同学小张】 🙏

本站文章一览：

在AI应用中，无论是多轮对话场景、RAG场景还是AI Agent场景中，记忆能力都是不可或缺的一部分。然而，记忆能力是目前大模型的短板，所以，现在很多框架，诸如 LangChain、MetaGPT 等，都封装了自己的记忆模块，以方便开发者实现自己大模型应用的记忆功能。

之前我们简单概览了一下 LangChain 的 Memory 模块（【AI大模型应用开发】【LangChain系列】3. 一文了解LangChain的记忆模块（理论实战+细节）），那只是在多轮对话场景中，简单的取最近几次的对话历史作为记忆。这是最简单的使用记忆的方法，也是短期记忆的一种。

本文我们来系统看下实现大模型应用记忆的方法，包括短期记忆和长期记忆。还是以LangChain为例来进行实战。

0. LangChain中 Memory 实战

我这里将记忆简单理解为对话历史，查询历史等历史记录。

0.1 记忆封装罗列

在 LangChain 中提供了多种获取记忆的封装，例如ConversationBufferMemory、ConversationBufferWindowMemory、ConversationTokenBufferMemory等。

简单罗列如下：

• ConversationBufferMemory可以理解为通用的将全部的历史记录取出来。
• ConversationBufferWindowMemory可以理解为滑动窗口，每次只取最近的K条记录。
• ConversationTokenBufferMemory可以理解为控制每次取的历史记录的Token数。
• ConversationSummaryMemory: 对上下文做摘要
• ConversationSummaryBufferMemory: 保存 Token 数限制内的上下文，对更早的做摘要
• VectorStoreRetrieverMemory: 将 Memory 存储在向量数据库中，根据用户输入