AI对话系统中的8种记忆维护方案及应用场景详解
AI对话系统中的8种记忆维护方案及应用场景详解
在多轮对话中，如何让AI保持长期记忆是一个重要的技术问题。本文详细介绍了8种不同的记忆维护方式，并结合具体场景和代码示例进行了说明。这些方法可以帮助AI更好地理解和维护对话历史，提供更连贯、更个性化的服务。
在基于大模型的Agent中，长期记忆的状态维护至关重要。在OpenAI AI应用研究主管Lilian Weng的博客《基于大模型的Agent构成》中，将记忆视为关键的组件之一。下面结合LangChain中的代码，介绍8种不同的记忆维护方式在不同场景中的应用。
基于大模型的Agent构成
1. 获取全量历史对话
一般客服场景
在电信公司的客服聊天机器人场景中，如果用户在对话中先是询问了账单问题，接着又谈到了网络连接问题，ConversationBufferMemory可以用来记住整个与用户的对话历史，可以帮助AI在回答网络问题时还记得账单问题的相关细节，从而提供更连贯的服务。
2. 滑动窗口获取最近部分对话内容
商品咨询场景
在一个电商平台上，如果用户询问关于特定产品的问题（如手机的电池续航时间），然后又问到了配送方式，ConversationBufferWindowMemory可以帮助AI只专注于最近的一两个问题（如配送方式），而不是整个对话历史，以提供更快速和专注的答复。
3. 获取历史对话中实体信息
法律咨询场景
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。
4. 利用知识图谱获取历史对话中的实体及其联系
医疗咨询场景
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。
5. 对历史对话进行阶段性总结摘要
教育辅导场景
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。
6. 需要获取最新对话，又要兼顾较早历史对话
技术支持场景
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。
7. 回溯最近和最关键的对话信息
金融咨询场景
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，同时避免由于记忆过多而导致的信息混淆。
8. 基于向量检索对话信息
了解最新新闻事件
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。
vectorstore = Chroma(embedding_function=OpenAIEmbeddings())
retriever = vectorstore.as_retriever(search_kwargs=dict(k=1))
memory = VectorStoreRetrieverMemory(retriever=retriever)
memory.save_context({"input": "我喜欢吃火锅"}, {"output": "听起来很好吃"})
memory.save_context({"input": "我不喜欢看摔跤比赛"}, {"output": "我也是"})
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？"))
print(conversation_with_summary.predict(input="我提到了哪些运动？"))