多轮对话中实现 AI 长期记忆的 8 种优化方法及代码示例

4. 利用知识图谱获取历史对话中的实体及其联系

医疗咨询场景 在医疗咨询中，一个病人可能会描述多个症状和过去的医疗历史。ConversationKGMemory 可以构建一个包含病人症状、疾病历史和可能的健康关联的知识图谱，从而帮助 AI 提供更全面和深入的医疗建议。

技术原理：将对话信息转化为知识图谱节点和边，支持复杂的推理查询。 优缺点：优点是可进行逻辑推理；缺点是构建图谱成本较高。

from langchain.memory import ConversationKGMemory  
from langchain.llms import OpenAI  
llm = OpenAI(temperature=0)  
memory = ConversationKGMemory(llm=llm)  
memory.save_context({"input": "小李是程序员"}, {"output": "知道了，小李是程序员"})  
memory.save_context({"input": "张三是小李的笔名"}, {"output": "明白，张三是小李的笔名"})  
variables = memory.load_memory_variables({"input": "告诉我关于小李的信息"})  
print(variables)

5. 对历史对话进行阶段性总结摘要

教育辅导场景 在一系列的教育辅导对话中，学生可能会提出不同的数学问题或理解难题。ConversationSummaryMemory 可以帮助 AI 总结之前的辅导内容和学生的疑问点，以便在随后的辅导中提供更针对性的解释和练习。

技术原理：使用 LLM 定期生成对话历史的摘要，替代原始历史记录。 优缺点：优点大幅减少 Token 占用；缺点可能丢失细节，依赖摘要质量。

from langchain.memory import ConversationSummaryMemory  
from langchain.llms import OpenAI  
llm = OpenAI(temperature=0)  
memory = ConversationSummaryMemory(llm=llm)  
memory.save_context({"input": "老师，这个公式怎么推导？"}, {"output": "这是通过求导得到的..."})  
memory.save_context({"input": "那积分呢？"}, {"output": "积分是导数的逆运算..."})  
print(memory.load_memory_variables({"input": "总结一下刚才讲的内容"}))

6. 需要获取最新对话，又要兼顾较早历史对话

技术支持场景 在处理一个长期的技术问题时，用户可能会在多次对话中提供不同的错误信息和反馈。ConversationSummaryBufferMemory 可以帮助 AI 保留最近几次交互的详细信息，同时提供历史问题处理的摘要，以便于更有效地识别和解决问题。

技术原理：混合模式，保留最近 N 条完整记录，其余转为摘要。 优缺点：优点平衡了细节与长度；缺点配置参数较复杂。

from langchain.memory import ConversationSummaryBufferMemory  
from langchain.llms import OpenAI  
llm = OpenAI(temperature=0)  
memory = ConversationSummaryBufferMemory(llm=llm, max_token_limit=1000)  
memory.save_context({"input": "报错：Connection refused"}, {"output": "检查端口是否开放"})  
memory.save_context({"input": "还是不行"}, {"output": "尝试重启服务"})  
print(memory.load_memory_variables({"input": "之前报了什么错？"}))

7. 回溯最近和最关键的对话信息

金融咨询场景 在金融咨询聊天机器人中，客户可能会提出多个问题，涉及投资、市场动态或个人财务规划。ConversationTokenBufferMemory 可以帮助 AI 聚焦于最近和最关键的几个问题，同时避免由于记忆过多而导致的信息混淆。

技术原理：根据 Token 数量限制自动截断旧消息，优先保留新消息。 优缺点：优点自动管理 Token；缺点无法精确控制保留哪些具体条目。

from langchain.memory import ConversationTokenBufferMemory  
from langchain.llms import OpenAI  
llm = OpenAI(temperature=0)  
memory = ConversationTokenBufferMemory(llm=llm, max_token_limit=2000)  
memory.save_context({"input": "我想买股票"}, {"output": "请说明风险承受能力"})  
memory.save_context({"input": "中等风险"}, {"output": "建议配置混合基金"})  
print(memory.load_memory_variables({"input": "我刚才说了什么风险偏好？"}))

8. 基于向量检索对话信息

了解最新新闻事件 用户可能会对特定新闻事件提出问题。VectorStoreRetrieverMemory 能够快速从大量历史新闻数据中检索出与当前问题最相关的信息，即使这些信息在整个对话历史中不是最新的，也能提供及时准确的背景信息和详细报道。

技术原理：将对话片段向量化存储，通过相似度检索召回相关信息。 优缺点：优点适合长文本检索；缺点需要向量数据库支持，延迟略高。

from langchain.memory import VectorStoreRetrieverMemory  
from langchain.vectorstores import Chroma  
from langchain.embeddings import OpenAIEmbeddings  
vectorstore = Chroma(embedding_function=OpenAIEmbeddings())  
retriever = vectorstore.as_retriever(search_kwargs=dict(k=1))  
memory = VectorStoreRetrieverMemory(retriever=retriever)  
memory.save_context({"input": "我喜欢吃火锅"}, {"output": "听起来很好吃"})  
memory.save_context({"input": "我不喜欢看摔跤比赛"}, {"output": "我也是"})  
PROMPT_TEMPLATE = """以下是人类和 AI 之间的友好对话。AI 话语多且提供了许多来自其上下文的具体细节。如果 AI 不知道问题的答案，它会诚实地说不知道。  
以前对话的相关片段：  
{history}  
（如果不相关，你不需要使用这些信息）  
当前对话：  
人类：{input}  
AI：  
"""  
from langchain.prompts import PromptTemplate  
prompt = PromptTemplate(input_variables=["history", "input"], template=PROMPT_TEMPLATE)  
from langchain.chains import ConversationChain  
conversation_with_summary = ConversationChain(  
    llm=llm,  
    prompt=prompt,  
    memory=memory,  
    verbose=True  
)  
print(conversation_with_summary.predict(input="你好，我是张三，你叫什么"))

综上所述，选择合适的记忆机制取决于具体的业务场景、Token 预算以及对历史信息的依赖程度。开发者应根据实际需求灵活组合上述方法，以实现最佳的 Agent 体验。