LangChain 大模型记忆增强方案涵盖短时与长时记忆机制。核心原理为历史消息调取、填充 Prompt 及保存。常用组件包括 ConversationBufferMemory 用于内存存储，ConversationSummaryMemory 用于上下文总结，以及结合向量数据库实现长期记忆。通过 ConversationBufferMemory 配合 PromptTemplate 或 ChatPromptTemplate 的 MessagesPlaceholder 可实现上下文感知。ConversationChain 进一步封装了上述流程，简化开发。开发者需注意 memory_key 与 variable_name 的一致性规则，根据模板类型选择合适配置。扩展方案可结合向量数据库实现 RAG 架构，提升知识检索能力。
LangChain 为大语言模型（LLM）提供了丰富的记忆组件，使得构建具有上下文感知能力的对话应用变得简单。本文将深入拆解基于 LangChain 的大模型记忆方案，涵盖原理、类型及具体实现。
给 LLM 安装记忆的核心逻辑包含三个关键步骤：
若手动实现上述三步，开发者需要编写大量重复的模板代码，不仅冗余且容易遗漏关键逻辑。LangChain 通过封装 Memory 组件和 Chain 机制，简化了这一流程，让开发者能更专注于业务逻辑的实现。
根据存储时长和机制的不同，LangChain 中的记忆主要分为短时记忆和长时记忆。
ConversationBufferMemory 以键值对方式将消息存在内存中。对于较长对话，可使用 ConversationSummaryMemory 对上下文进行总结摘要，或 ConversationTokenBufferMemory 基于固定 Token 数量自动刷新旧消息。以下将以 ConversationBufferMemory 为例，演示如何快速为 LLM 安装记忆。
使用 ConversationBufferMemory 记住上下文的基本代码如下：
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
memory.save_context(
{"input": "你好，我的名字是半支烟，我是一个程序员"},
{"output": "你好，半支烟"}
)
print(memory.load_memory_variables({}))
结合 PromptTemplate 使用时，需指定 memory_key 以匹配 Prompt 中的变量名：
from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
# Prompt 模板
template = """
你是一个对话机器人，以下<history>标签中是 AI 与人类的历史对话记录，请你参考历史上下文，回答用户输入的问题。
历史对话:
<history>
{customize_chat_history}
</history>
人类:{human_input}
机器人:
"""
prompt = PromptTemplate(
template=template,
input_variables=["customize_chat_history", "human_input"],
)
memory = ConversationBufferMemory(
memory_key="customize_chat_history",
)
model = ChatOpenAI(model="gpt-3.5-turbo")
chain = LLMChain(
llm=model,
memory=memory,
prompt=prompt,
verbose=True,
)
# 首次调用
chain.predict(human_input="你知道我的名字吗？")
# 第二次调用，利用记忆
chain.predict(human_input="我叫半支烟，我是一名程序员")
# 第三次调用，验证记忆是否保留
chain.predict(human_input="你知道我的名字吗？")
此时，LLM 已具备记忆能力，无需手动处理历史消息的拼接与保存。
当使用 ChatPromptTemplate 时，由于涉及多角色（System, Human, AI），需要使用 MessagesPlaceholder 来插入历史消息列表。
PromptTemplate：主要用于单行文本生成，适合结构化数据或非对话场景。ChatPromptTemplate：专为聊天场景设计，支持 System、Human、AI 等多角色消息格式。历史消息需按顺序排列在最新问题之前。以下是 ChatPromptTemplate 配合 MessagesPlaceholder 的标准实现：
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.chains import LLMChain
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
chat_prompt = ChatPromptTemplate.from_messages([
("system", "你是一个乐于助人的助手。"),
MessagesPlaceholder(variable_name="customize_chat_history"),
("human", "{human_input}"),
])
memory = ConversationBufferMemory(
memory_key="customize_chat_history",
return_messages=True, # 关键参数：返回消息对象而非字符串
)
model = ChatOpenAI(model="gpt-3.5-turbo")
chain = LLMChain(
llm=model,
memory=memory,
prompt=chat_prompt,
verbose=True,
)
chain.predict(human_input="你好，我叫半支烟，我是一名程序员。")
为了进一步简化开发，LangChain 提供了 ConversationChain，它内部封装了 Memory、LLMChain 和 ChatPromptTemplate 的初始化过程。
from langchain.chains import ConversationChain
from langchain.chat_models import ChatOpenAI
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory(
memory_key="history", # 默认占位符通常为 history
return_messages=True,
)
model = ChatOpenAI(model="gpt-3.5-turbo")
chain = ConversationChain(
llm=model,
memory=memory,
verbose=True,
)
# 注意：此处变量名必须是 input
chain.predict(input="你好，我叫半支烟，我是一名程序员。")
ConversationChain 提供了包含 AI 角色和人类角色的标准对话格式，极大降低了配置复杂度。
ConversationBufferMemory 的 memory_key 参数定义了内存中存储对话数据的键名。该键名必须与 Prompt 模板中的变量名保持一致，否则无法正确注入历史消息。
在实际开发中，memory_key 的选择取决于使用的模板类型：
自定义 MessagesPlaceholder：如果使用 ChatPromptTemplate 并显式定义 MessagesPlaceholder，则 memory_key 可以与 variable_name 保持一致，例如都设为 customize_chat_history。
chat_prompt = ChatPromptTemplate.from_messages([
("system", "你是一个乐于助人的助手。"),
MessagesPlaceholder(variable_name="customize_chat_history"),
("human", "{input}"),
])
memory = ConversationBufferMemory(
memory_key="customize_chat_history",
return_messages=True,
)
使用 ConversationChain：如果直接使用 ConversationChain 而不自定义 Prompt，memory_key 必须设置为 history，因为 ConversationChain 内部默认使用此键名。
MessagesPlaceholder 本质上是 Prompt 中的一个占位符，用于动态插入从 Memory 读取的历史消息列表。它允许在构建复杂 Prompt 时灵活控制消息的结构和位置。
MessagesPlaceholder，直接通过字符串格式化注入历史内容。MessagesPlaceholder，因为它能保持消息的角色属性（Role），确保 LLM 正确理解对话流。在使用 ConversationChain 时，可以省去创建 ChatPromptTemplate 的步骤。虽然输出结果可能略有差异，但大多数场景下功能一致。若需精细控制 System Prompt 或消息结构，建议手动构建 ChatPromptTemplate 并传入 ConversationChain。
本文详细解析了 LangChain 中大模型记忆增强的基本原理与实现方案。主要要点如下：
ConversationBufferMemory 适用于短期会话；ConversationSummaryMemory 适用于长上下文；向量数据库适用于跨会话知识检索。memory_key 与 Prompt 中的变量名严格对应。ConversationChain 简化流程，特殊需求再手动定制 ChatPromptTemplate。对于需要长期存储知识的场景，除了简单的内存缓存，建议结合向量数据库。基本流程为：
VectorStoreRetriever 根据当前问题检索相关片段。通过合理运用上述记忆策略，开发者可以构建出既具备连贯对话能力，又能准确调用外部知识的智能应用系统。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online
将 Markdown（GFM）转为 HTML 片段，浏览器内 marked 解析；与 HTML转Markdown 互为补充。 在线工具，Markdown转HTML在线工具，online