概要

大多数LLM应用都有对话界面。对话的一个重要组成部分是能够引用对话中先前介绍的信息。至少，对话系统应该能够直接访问过去消息的某些窗口。更复杂的系统需要有一个不断更新的世界模型，这使得它能够执行诸如维护有关实体及其关系的信息之类的事情。

我们将这种存储过去交互信息的能力称为“记忆”。 LangChain 提供了许多用于向系统添加记忆的实用程序。这些实用程序可以单独使用，也可以无缝地合并到链中。

记忆系统需要支持两个基本操作：读和写。回想一下，每个链都定义了一些需要某些输入的核心执行逻辑。其中一些输入直接来自用户，但其中一些输入可以来自用户。在给定的运行中，一条链将与其记忆系统交互两次。

在收到初始用户输入之后但在执行核心逻辑之前，链将从其记忆系统中读取并增加用户输入。
在执行核心逻辑之后但在返回答案之前，链会将当前运行的输入和输出写入记忆，以便在将来的运行中引用它们。

在这里插入图片描述

将记忆构建到系统中

任何记忆系统中的两个核心设计决策是：

状态如何存储
如何查询状态

存储：聊天消息列表(Storing: List of chat messages)

任何记忆的基础都是所有聊天交互的历史记录。即使这些不全部直接使用，也需要以某种形式存储。

LangChain记忆模块的关键部分之一就是用于存储这些聊天消息的一系列集成，从记忆列表到持久数据库。

聊天消息存储：如何使用聊天消息以及提供的各种集成

查询：聊天消息之上的数据结构和算法（Querying: Data structures and algorithms on top of chat messages）

保留聊天消息列表相当简单。不太直接的是建立在聊天消息之上的数据结构和算法，它们提供了最有用的消息的视图。

一个非常简单的记忆系统可能只返回每次运行的最新消息。稍微复杂一点的记忆系统可能会返回过去 K 条消息的简洁摘要。更复杂的系统可能会从存储的消息中提取实体，并且仅返回有关当前运行中引用的实体的信息。

每个应用程序对于如何查询记忆可能有不同的要求。记忆模块应该可以轻松地开始使用简单的记忆系统，并在需要时编写您自己的自定义系统。

记忆类型：构成LangChain支持的记忆类型的各种数据结构和算法

开始使用

我们来看看LangChain中的记忆到底是什么样子的。在这里，我们将介绍与任意记忆类交互的基础知识。

我们来看看如何在链中使用ConversationBufferMemory。 ConversationBufferMemory 是一种极其简单的内存形式，它仅将聊天消息列表保存在缓冲区中并将其传递到提示模板中。

from langchain.memory import ConversationBufferMemorymemory = ConversationBufferMemory()
memory.chat_memory.add_user_message("hi!")
memory.chat_memory.add_ai_message("whats up?")

从memory中返回哪些变量(What variables get returned from memory)

在进入链之前，从内存中读取各种变量。它有特定的名称，需要与链期望的变量保持一致。你可以通过调用memory.load_memory_variables({})来查看这些变量是什么。

请注意，我们传入的空字典只是实际变量的占位符。如果您使用的memory类型取决于输入变量，您可能需要传入一些变量。

memory.load_memory_variables({})

结果：

    {'chat_history': "Human: hi!\nAI: whats up?"}

在本例中，您可以看到 load_memory_variables 返回单个key: history。这意味着您的链（可能还有您的提示）期望输入名为：history的key。

通常可以通过memory类上的参数来控制此变量。例如，如果我们希望memory变量key为 chat_history，您可以执行以下操作：

memory = ConversationBufferMemory(memory_key="chat_history")
memory.chat_memory.add_user_message("hi!")
memory.chat_memory.add_ai_message("whats up?")

结果：

    {'chat_history': "Human: hi!\nAI: whats up?"}

控制这些键的参数名称可能因memory类型而异，但重要的是要了解：
(1) 这是可控的，
(2) 如何控制它。

记忆是字符串还是消息列表

最常见的记忆类型之一涉及返回聊天消息列表。这些可以作为单个字符串返回，全部连接在一起（当它们在 LLM 中传递时有用）或 ChatMessages 列表（当传递到 ChatModels 中时有用）。

默认情况下，它们作为单个字符串返回。为了作为消息列表返回，您可以设置 return_messages=True

memory = ConversationBufferMemory(return_messages=True)
memory.chat_memory.add_user_message("hi!")
memory.chat_memory.add_ai_message("whats up?")

结果：

    {'history': [HumanMessage(content='hi!', additional_kwargs={}, example=False),AIMessage(content='whats up?', additional_kwargs={}, example=False)]}

哪些key被保存到记忆中(What keys are saved to memory)

通常，链会接收或返回多个输入/输出键。在这些情况下，我们如何知道要将哪些键保存到聊天消息历史记录中？这通常可以通过记忆类型上的 input_key 和 output_key 参数来控制。

如果只有一个输入/输出键，则可以不用写 input_key 和 output_key 参数。但是，如果有多个输入/输出键，那么您必须指定要使用哪个输入/输出键的名称

端到端示例(End to end example)

最后，让我们看一下在链中使用它。我们将使用 LLMChain，并展示如何使用 LLM 和 ChatModel。
使用LLM的例子：

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langchain.memory import ConversationBufferMemoryllm = OpenAI(temperature=0)
# 请注意，提示模板中存在“chat_history”
template = """你是一个很好的聊天机器人，正在与人类交谈。之前的对话：
{chat_history}新的人类问题： {question}
回复:"""
prompt = PromptTemplate.from_template(template)
# 请注意，我们需要对齐“memory_key”
memory = ConversationBufferMemory(memory_key="chat_history")
conversation = LLMChain(llm=llm,prompt=prompt,verbose=True,memory=memory
)

结果：

# 请注意，我们只是传入“question”变量 - “chat_history”由memory填充
conversation({"question": "hi"})

使用ChatModel

from langchain.chat_models import ChatOpenAI
from langchain.prompts import (ChatPromptTemplate,MessagesPlaceholder,SystemMessagePromptTemplate,HumanMessagePromptTemplate,
)
from langchain.chains import LLMChain
from langchain.memory import ConversationBufferMemoryllm = ChatOpenAI()
prompt = ChatPromptTemplate(messages=[SystemMessagePromptTemplate.from_template("你是一个很好的聊天机器人，正在与人类交谈。"),# 这里的“variable_name”必须与memory对齐MessagesPlaceholder(variable_name="chat_history"),HumanMessagePromptTemplate.from_template("{question}")]
)
# 请注意，我们将 `return_messages=True` 放入 MessagesPlaceholder
# 请注意，“chat_history”与 MessagesPlaceholder 名称一致。
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
conversation = LLMChain(llm=llm,prompt=prompt,verbose=True,memory=memory
)

结果：

# 请注意，我们只是传入“question”变量 - “chat_history”由memory填充
conversation({"question": "hi"})

总结

本篇讲解聊天的历史记录: 如何存储、如何查询。

这里是使用ConversationBufferMemory类来完成存储和查询的。
也就是关键下面这段代码：

# 构建一个memory
memory = ConversationBufferMemory(memory_key="chat_history", return_messages=True)
# 关联大模型
conversation = LLMChain(llm=llm,prompt=prompt,verbose=True,memory=memory
)
# 查询
# 请注意，我们只是传入“question”变量 - “chat_history”由memory填充
conversation({"question": "hi"})