1、前言
- 解决langchain搭建的智能体多轮会话中的记忆连接不连贯的问题
2、记忆模块的种类（常见3种）
调用的包名：from langchain_classic.memory import xxx
| 名称 | 优缺点 | 使用函数 |
|---|
| ConversationBufferMemory | 保留完整的对话上下文，实现简单适合短对话，随着对话增长会占用大量token | ConversationBufferMemory() |
| ConversationBufferWindowMemory | 只保留最近K次的会话，控制内存使用，会丢失早期的对话历史 | ConversationBufferWindowMemory(k=2) |
| ConversationSummaryBufferMemory | 保留最近详细对话+早期摘要，实现相对复杂 | ConversationSummaryBufferMemory(llm=llm,max_token_limit=1000) |
3、对话链的两种包
from langchain_classic.chains.conversation.baseimportxxx
| 名称 | 优缺点 | 调用方法 |
|---|
| ConversationChain | 适用于通用对话场景 | ConversationChain(llm=llm, prompt=PromptTemplate.from_template(“xxxx”),verbose=True, memory=window_memory) |
| RetrievalQAWithSourcesChain | 适用于基于知识库问答，调包：from langchain_classic.chains import RetrievalQAWithSourcesChain | RetrievalQAWithSourcesChain.from_chain_type(llm=llm,chain_type=“stuff”, retriever=retriever,memory=memory, return_source_documents=True) |
补充：
RetrievalQAWithSourcesChain下的chain_type有四种类型，如下表格：
| chain_type类型 | 具体作用 |
|---|
| stuff | 将所有文档内容放入上下文 |
| map_reduce | 先单独处理每个文档，再汇总 |
| refine | 迭代式优化答案 |
| map_rerank | 对每个文档打分再选择 |
为上一节的电商推荐模块转变为对话链的方式
fromlangchain_classic.chainsimportLLMChainfromlangchain_classic.chains.conversation.baseimportConversationChain window_memory=ConversationBufferWindowMemory(k=5)extract_product_name=ConversationChain(llm=llm,prompt=PromptTemplate.from_template("你是一个专业提取用户需求的助手，能够提取用户input中的最新需求并结合历史聊天记录chat_history里面想要的商品名称。例如：我想买花露水 -> 花露水,如果用户指定品牌或者价格，请注明品牌名称（老白健康也是牌子）。例如：（历史说想买牛奶）我想买蒙牛的。-> 牛奶（蒙牛）。直接输出最终商品名称即可，严禁多于废话。input为{input}, 历史为{history}"),verbose=True,memory=window_memory)introduct_products=ConversationChain(llm=llm,prompt=PromptTemplate.from_template("请结合用户需求，和在知识库中检索出来的商品列表，挑选最符合的商品推荐给用户，输出格式为："\"为您推荐xx个商品，第一款为xxx,该商品xxxx，第二款为xxx，该商品xxxx。卖点根据商品名称自己联网进行补充推荐给用户。注意：当用户说换一批需要避开历史中推荐过的商品，需要推荐满足历史中用户想买的商品且不同品牌的进行推荐，例如：历史用户说牛奶，那必须现在推荐牛奶相关的商品。商品列表为{input}, 历史：{history}"),verbose=True,memory=window_memory)whileTrue:user_input=input("\n💬 请输入你的需求：").strip()print("***********************************************************")print("memory:",window_memory)print("***********************************************************")ifuser_input.lower()in["退出","exit","quit","q","退下吧"]:print("👋 再见！")breakextract_result=extract_product_name.predict(input=user_input)print("extract_result:",extract_result)products_list=Weight_hunhe_search(extract_result,vector_weight=0.7,bm25_weight=0.3,k=10)answer=introduct_products.predict(input=f'{products_list}')#.invoke({"input":f'{user_input}',"product_list":f'{products_list}', "history":f"{window_memory}"})['text']print("answer:",answer)
结果展示
![]()
| 第一次推荐的三种米 | ”换一批“以后推荐另外三种大米 |
|---|
![]() | ![]() |
