LLM 存储记忆功能：BaseChatMemory 详解与子类实战

（2）load_memory_variables()：加载记忆

作用：把保存的对话历史取出来，默认返回一个字典，key 是'history'，value 是对话字符串。 示例：

# 加载记忆
variables = memory.load_memory_variables({})
# 打印对话历史
print(variables["history"])
# 输出结果：
# Human: 你好
# AI: 你好！有什么可以帮您？

（3）clear()：清空记忆

作用：一键清空 chat_memory 里的所有对话消息，相当于'格式化笔记本'。 示例：

# 清空所有记忆
memory.clear()
# 再加载就是空的了
print(memory.load_memory_variables({}))
# 输出：{"history": ""}

三、BaseChatMemory 的常用子类：不用自己写，直接用！

BaseChatMemory 是基类，不能直接用，LangChain 已经帮我们实现了几个常用子类，覆盖大部分场景，直接拿来用就行～

四、子类实战：3 个案例

案例 1：ConversationBufferMemory——存储完整对话

适合短对话，需要保留每一句聊天内容的场景。

# 1. 导入需要的包
from langchain.memory import ConversationBufferMemory 

# 2. 初始化记忆（return_messages=True：返回消息对象列表，False 返回字符串）
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

# 3. 保存对话上下文
memory.save_context({"input":"你的名字是什么？"},{"output":"我叫工藤助手"})
memory.save_context({"input":"我叫张三"},{"output":"你好张三！很高兴认识你"})

# 4. 加载并查看记忆
chat_history = memory.load_memory_variables({})["chat_history"]
print("对话记忆：")
for msg in chat_history:
    print(f"类型：{type(msg).__name__}，内容：{msg.content}")

# 5. 清空记忆
memory.clear()
print("\n清空后记忆：", memory.load_memory_variables({}))

案例 2：ConversationBufferWindowMemory——只记最近 k 轮对话

适合长对话，比如聊了 100 轮，只想让模型记住最后 3 轮，避免 token 不够用。

# 1. 导入需要的包
from langchain.memory import ConversationBufferWindowMemory 

# 2. 初始化记忆：k=2 表示只保留最近 2 轮对话（一轮用户 + 一轮 AI 为一轮）
memory = ConversationBufferWindowMemory(
    k=2,
    memory_key="chat_history",
    return_messages=False
)

# 3. 保存 3 轮对话（会自动只留最后 2 轮）
# 第 1 轮
memory.save_context({"input":"今天天气怎么样？"},{"output":"今天晴天，适合出游"})
# 第 2 轮
memory.save_context({"input":"适合去公园吗？"},{"output":"适合，公园花开了"})
# 第 3 轮
memory.save_context({"input":"公园要门票吗？"},{"output":"不需要，免费开放"})

# 4. 加载记忆：只保留最后 2 轮（第 2、3 轮）
chat_history = memory.load_memory_variables({})["chat_history"]
print("窗口内对话记忆：")
print(chat_history)

案例 3：ConversationSummaryMemory——用摘要压缩对话

适合超长对话，比如聊了 100 轮，用大模型把历史对话总结成一段话，既省 token 又能保留关键信息。

# 1. 导入需要的包
from langchain.memory import ConversationSummaryMemory 
from langchain.chat_models import ChatOpenAI 

# 2. 初始化大模型（也可以用开源模型，如通义千问、智谱清言）
llm = ChatOpenAI(temperature=0, model_name="gpt-3.5-turbo")

# 3. 初始化记忆：传入大模型用于生成摘要
memory = ConversationSummaryMemory(
    llm=llm,
    memory_key="chat_history",
    return_messages=False
)

# 4. 保存多轮对话
memory.save_context({"input":"我叫张三，想学习微积分"},{"output":"好的，我会帮你规划学习路径"})
memory.save_context({"input":"微积分先学什么？"},{"output":"先学极限，这是微积分的基础"})
memory.save_context({"input":"极限怎么学容易？"},{"output":"多练例题，理解无穷小和无穷大的概念"})

# 5. 加载记忆：返回的是对话摘要，不是原始对话
summary = memory.load_memory_variables({})["chat_history"]
print("对话摘要：")
print(summary)

五、怎么选 BaseChatMemory 子类？一张表搞定！

不知道用哪个子类？看场景选就行，一目了然：

六、总结

BaseChatMemory 作为 LangChain 聊天记忆的基类，核心是定了'存（save_context）、取（load_memory_variables）、清（clear）'的标准接口，让各种记忆模块有章可循。它的子类不用我们自己写，直接根据场景选：短对话用 ConversationBufferMemory，长对话用窗口记忆，超长对话用摘要记忆。