零基础学AI大模型之LLM存储记忆功能之BaseChatMemory
| 大家好，我是工藤学编程 🦉 | 一个正在努力学习的小博主，期待你的关注 |
|---|---|
| 实战代码系列最新文章😉 | C++实现图书管理系统（Qt C++ GUI界面版） |
| SpringBoot实战系列🐷 | 【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案 |
| 分库分表 | 分库分表之实战-sharding-JDBC分库分表执行流程原理剖析 |
| 消息队列 | 深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK） |
| AI大模型 | 零基础学AI大模型之LLM大模型存储记忆功能 |
前情摘要
1、零基础学AI大模型之读懂AI大模型
2、零基础学AI大模型之从0到1调用大模型API
3、零基础学AI大模型之SpringAI
4、零基础学AI大模型之AI大模型常见概念
5、零基础学AI大模型之大模型私有化部署全指南
6、零基础学AI大模型之AI大模型可视化界面
7、零基础学AI大模型之LangChain
8、零基础学AI大模型之LangChain六大核心模块与大模型IO交互链路
9、零基础学AI大模型之Prompt提示词工程
10、零基础学AI大模型之LangChain-PromptTemplate
11、零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战
12、零基础学AI大模型之LangChain链
13、零基础学AI大模型之Stream流式输出实战
14、零基础学AI大模型之LangChain Output Parser
15、零基础学AI大模型之解析器PydanticOutputParser
16、零基础学AI大模型之大模型的“幻觉”
17、零基础学AI大模型之RAG技术
18、零基础学AI大模型之RAG系统链路解析与Document Loaders多案例实战
19、零基础学AI大模型之LangChain PyPDFLoader实战与PDF图片提取全解析
20、零基础学AI大模型之LangChain WebBaseLoader与Docx2txtLoader实战
21、零基础学AI大模型之RAG系统链路构建：文档切割转换全解析
22、零基础学AI大模型之LangChain 文本分割器实战：CharacterTextSplitter 与 RecursiveCharacterTextSplitter 全解析
23、零基础学AI大模型之Embedding与LLM大模型对比全解析
24、零基础学AI大模型之LangChain Embedding框架全解析
25、零基础学AI大模型之嵌入模型性能优化
26、零基础学AI大模型之向量数据库介绍与技术选型思考
27、零基础学AI大模型之Milvus向量数据库全解析
28、零基础学AI大模型之Milvus核心：分区-分片-段结构全解+最佳实践
29、零基础学AI大模型之Milvus部署架构选型+Linux实战：Docker一键部署+WebUI使用
30、零基础学AI大模型之Milvus实战：Attu可视化安装+Python整合全案例
31、零基础学AI大模型之Milvus索引实战
32、零基础学AI大模型之Milvus DML实战
33、零基础学AI大模型之Milvus向量Search查询综合案例实战
33、零基础学AI大模型之新版LangChain向量数据库VectorStore设计全解析
34、零基础学AI大模型之相似度Search与MMR最大边界相关搜索实战
35、零基础学AI大模型之LangChain整合Milvus：新增与删除数据实战
36、零基础学AI大模型之LangChain+Milvus实战：相似性搜索与MMR多样化检索全解析
37、零基础学AI大模型之LangChain Retriever
38、零基础学AI大模型之MultiQueryRetriever多查询检索全解析
39、零基础学AI大模型之LangChain核心：Runnable接口底层实现
40、零基础学AI大模型之RunnablePassthrough
41、零基础学AI大模型之RunnableParallel
42、零基础学AI大模型之RunnableLambda
43、零基础学AI大模型之RunnableBranch
44、零基础学AI大模型之Agent智能体
45、零基础学AI大模型之LangChain Tool工具
46、零基础学AI大模型之LLM绑定Tool工具实战
47、零基础学AI大模型之LangChain Tool异常处理
48、零基础学AI大模型之CoT思维链和ReAct推理行动
49、零基础学AI大模型之Zero-Shot和Few-Shot
50、零基础学AI大模型之LangChain智能体执行引擎AgentExecutor
51、零基础学AI大模型之个人助理智能体之tool_calling_agent实战
52、零基础学AI大模型之旅游规划智能体之react_agent实战
53、零基础学AI大模型之LLM大模型存储记忆功能
本文章目录
- 零基础学AI大模型之LLM存储记忆功能之BaseChatMemory
零基础学AI大模型之LLM存储记忆功能之BaseChatMemory
哈喽，各位小伙伴！👋 上一篇我们聊了LLM存储记忆的核心概念和应用场景，知道了短期记忆和长期记忆的区别。今天咱们就往深了钻——聚焦LangChain中聊天记忆的“老祖宗”BaseChatMemory，搞懂它是怎么定义记忆接口、管理对话历史的，还有它的几个常用子类怎么实战使用。就算部分API有过期情况，咱们也能掌握核心思想，轻松上手！
一、什么是BaseChatMemory？
BaseChatMemory是LangChain中所有聊天型记忆模块的基类，简单说就是“所有聊天记忆的模板”——它定义了记忆存储和检索的通用规则，不管是我们后面要学的ConversationBufferMemory，还是自定义记忆，都得遵守它的规范。
# 核心导入方式from langchain.memory.chat_memory import BaseChatMemory 它的核心价值在于“标准化”：不管你是想存原始对话，还是存对话摘要，甚至想加密存储、过滤敏感信息，都能通过继承它来实现，不用从零造轮子。
二、BaseChatMemory的核心作用
作为基类，BaseChatMemory主要干三件大事，撑起所有聊天记忆的基础功能：
1. 标准化接口：统一“存”和“取”的方法
不管什么聊天记忆，都得实现两个核心方法，这是BaseChatMemory定好的规矩：
save_context()：存上下文——把用户输入和模型输出保存到记忆里；load_memory_variables()：取记忆——把保存的对话历史加载出来，供大模型使用。
有了统一接口，我们切换不同记忆模块时，代码不用大改，兼容性拉满！
2. 状态管理：维护对话历史
BaseChatMemory会通过内部属性，帮我们管好对话消息的增删改查，不用自己手动维护列表。不管是加一条用户消息，还是清空所有记忆，都有现成的方法可用。
3. 高扩展性：支持自定义逻辑
这是最实用的点！我们可以继承BaseChatMemory，重写它的方法，实现自己的需求：比如保存时过滤“密码”等敏感词，加载时只取最近3天的对话，甚至把记忆加密存储。
三、BaseChatMemory的关键属性和核心方法
要用好BaseChatMemory，先搞懂它的“核心装备”——属性和方法，用起来就像玩游戏用技能一样简单！
1. 关键属性：chat_memory
这是存储对话消息的“容器”，类型是ChatMessageHistory，里面有个messages列表，所有对话消息都存在这里。
每条消息都是BaseMessage的子类，常见的有两种：
HumanMessage：用户发送的消息；AIMessage：模型回复的消息。
简单说，chat_memory就像一个“聊天笔记本”，每一页就是一条HumanMessage或AIMessage。
2. 核心方法：3个常用技能
（1）save_context()：保存对话上下文
作用：把用户输入和模型输出成对保存到chat_memory里。
用法有两种，效果完全一样：
# 方法1：直接调用save_context（推荐，简洁） memory.save_context({"input":"你好"},# 用户输入{"output":"你好！有什么可以帮您？"}# 模型输出)# 方法2：手动添加消息到chat_memory memory.chat_memory.add_user_message("你好")# 添加用户消息 memory.chat_memory.add_ai_message("你好！有什么可以帮您？")# 添加AI消息（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": ""}四、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～
| 子类名称 | 核心特点 | 适用场景 |
|---|---|---|
| ConversationBufferMemory | 存储完整原始对话历史 | 短对话、需要保留全部对话细节 |
| ConversationBufferWindowMemory | 只保留最近k轮对话（滑动窗口） | 长对话、避免token占用过多 |
| ConversationSummaryMemory | 存储对话摘要（用大模型总结历史） | 超长对话、需要压缩对话内容 |
五、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",# 加载记忆时的key（默认就是"history"） return_messages=True# 这里设为True，方便看消息类型)# 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}")# 输出结果：# 对话记忆：# 类型：HumanMessage，内容：你的名字是什么？# 类型：AIMessage，内容：我叫工藤助手# 类型：HumanMessage，内容：我叫张三# 类型：AIMessage，内容：你好张三！很高兴认识你# 5. 清空记忆 memory.clear()print("\n清空后记忆：", memory.load_memory_variables({}))# 输出：清空后记忆： {'chat_history': []}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,# 窗口大小：最近2轮 memory_key="chat_history", return_messages=False# 返回字符串格式，更直观)# 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)# 输出结果：# 窗口内对话记忆：# Human: 适合去公园吗？# AI: 适合，公园花开了# Human: 公园要门票吗？# AI: 不需要，免费开放案例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 # 需要大模型来生成摘要# 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)# 输出结果（大模型生成，简洁保留关键信息）：# 用户张三表示想学习微积分，助手表示会帮他规划学习路径。用户询问微积分先学什么，助手建议先学极限，因为极限是微积分的基础。用户又问极限怎么学容易，助手建议多练例题，理解无穷小和无穷大的概念。六、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：
| 场景需求 | 推荐子类 | 关键参数 |
|---|---|---|
| 短对话、需要完整保留所有对话细节 | ConversationBufferMemory | return_messages |
| 长对话、只想记最近几轮 | ConversationBufferWindowMemory | k（窗口大小） |
| 超长对话、想压缩对话省token | ConversationSummaryMemory | llm（摘要用的大模型） |
| 要自定义逻辑（过滤敏感词、加密） | 继承BaseChatMemory重写方法 | - |
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。
有疑问欢迎在评论区交流，咱们下期再见！👋
