AI 长期记忆 8 种优化策略及 LangChain 代码实现

适用场景：法律咨询场景、个性化推荐。

在法律咨询的场景中，客户可能会提到特定的案件名称、相关法律条款或个人信息（如'我在去年的交通事故中受了伤，想了解关于赔偿的法律建议'）。ConversationEntityMemory 可以帮助 AI 记住这些关键实体和实体关系细节，从而在整个对话过程中提供更准确、更个性化的法律建议。

from langchain.memory import ConversationEntityMemory
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)
memory = ConversationEntityMemory(llm=llm)
_input = {"input": "公众号《LLM 应用全栈开发》的作者是莫尔索"}
memory.load_memory_variables(_input)
memory.save_context(
    _input,
    {"output": "是吗，这个公众号是干嘛的"}
)
print(memory.load_memory_variables({"input": "莫尔索是谁？"}))

• 优点：结构化提取关键信息，便于检索和推理。
• 缺点：依赖 LLM 的实体抽取能力，可能产生幻觉。

4. 利用知识图谱获取历史对话中的实体及其联系 (ConversationKGMemory)

适用场景：医疗咨询场景、复杂关系推理。

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（如'我有糖尿病史，最近觉得经常口渴和疲劳'）。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。

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": "莫尔索是小李的笔名"}, {"output": "明白，莫尔索是小李的笔名"})

variables = memory.load_memory_variables({"input": "告诉我关于小李的信息"})
print(variables)

• 优点：显式建模实体关系，支持复杂推理。
• 缺点：构建图谱开销较大，实时性略低。

5. 对历史对话进行阶段性总结摘要 (ConversationSummaryMemory)

适用场景：教育辅导场景、长篇文档分析。

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（如'我不太理解二次方程的求解方法'）。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。它通过不断将历史对话压缩为摘要来节省空间。

from langchain.memory import ConversationSummaryMemory
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo")
memory = ConversationSummaryMemory(llm=llm)
memory.save_context({"input": "什么是变量？"}, {"output": "变量是存储数据的容器"})
memory.save_context({"input": "如何定义？"}, {"output": "使用 var 关键字"})

variables = memory.load_memory_variables({})
print(variables)

• 优点：极大减少 Token 消耗，保持核心语义。
• 缺点：可能丢失细节，摘要质量依赖 LLM。

6. 需要获取最新对话，又要兼顾较早历史对话 (ConversationSummaryBufferMemory)

适用场景：技术支持场景、故障排查。

在处理一个长期的技术问题时（如软件故障排查），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。它结合了 Buffer 和 Summary 的优点。

from langchain.memory import ConversationSummaryBufferMemory
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo")
memory = ConversationSummaryBufferMemory(llm=llm, max_token_limit=2000)
memory.save_context({"input": "系统报错"}, {"output": "检查日志"})
memory.save_context({"input": "日志为空"}, {"output": "重启服务"})

variables = memory.load_memory_variables({})
print(variables)

• 优点：平衡了细节保留与上下文长度限制。
• 缺点：配置 max_token_limit 需要经验。

7. 回溯最近和最关键的对话信息 (ConversationTokenBufferMemory)

适用场景：金融咨询场景、实时性要求高的对话。

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（如'我想了解股市最近的趋势以及如何分配我的投资组合'）。ConversationTokenBufferMemory 可以帮助 AI 聚焦于最近和最关键的几个问题，当超过 Token 限制时自动删除最早的对话片段，同时避免由于记忆过多而导致的信息混淆。

from langchain.memory import ConversationTokenBufferMemory
from langchain.chat_models import ChatOpenAI

llm = ChatOpenAI(model="gpt-3.5-turbo")
memory = ConversationTokenBufferMemory(llm=llm, max_token_limit=1000)
memory.save_context({"input": "股票 A 涨了"}, {"output": "关注基本面"})
memory.save_context({"input": "债券 B 跌了"}, {"output": "注意风险"})

variables = memory.load_memory_variables({})
print(variables)

• 优点：严格限制 Token 数量，自动管理内存。
• 缺点：早期重要信息可能被强制丢弃。

8. 基于向量检索对话信息 (VectorStoreRetrieverMemory)

适用场景：了解最新新闻事件、知识库问答。

用户可能会对特定新闻事件提出问题，如'最近的经济峰会有什么重要决策？'。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。

from langchain.memory import VectorStoreRetrieverMemory
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
from langchain.chains import ConversationChain
from langchain.prompts import PromptTemplate

vectorstore = Chroma(embedding_function=OpenAIEmbeddings())
retriever = vectorstore.as_retriever(search_kwargs=dict(k=1))
memory = VectorStoreRetrieverMemory(retriever=retriever)

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：
"""

prompt = PromptTemplate(input_variables=["history", "input"], template=PROMPT_TEMPLATE)
conversation_with_summary = ConversationChain(
    llm=llm,
    prompt=prompt,
    memory=memory,
    verbose=True
)

print(conversation_with_summary.predict(input="你好，我是莫尔索，你叫什么"))
print(conversation_with_summary.predict(input="我喜欢的食物是什么？"))

• 优点：支持海量历史检索，语义匹配精准。
• 缺点：依赖向量数据库，架构复杂度较高。

总结与选型建议

选择合适的记忆机制取决于具体的业务需求、Token 预算以及对上下文精度的要求。

开发者应根据实际场景的上下文长度限制和对历史信息的敏感度，灵活组合上述策略，以构建高效、智能的 Agent 系统。