【LLM大模型】拆解LangChain的大模型记忆方案

【LLM大模型】拆解LangChain的大模型记忆方案

引用

CSDN

1.

https://blog.csdn.net/2301_81940605/article/details/140314765

简介：之前我们聊过如何使用LangChain给LLM（大模型）装上记忆，里面提到对话链ConversationChain和MessagesPlaceholder，可以简化安装记忆的流程。下文来拆解基于LangChain的大模型记忆方案。

之前我们聊过如何使用LangChain给LLM（大模型）装上记忆，里面提到对话链
ConversationChain
和
MessagesPlaceholder
，可以简化安装记忆的流程。下文来拆解基于LangChain的大模型记忆方案。

1. 安装记忆的原理

1.1. 核心步骤

给LLM安装记忆的核心步骤就3个：

1. 在对话之前调取之前的历史消息。
2. 将历史消息填充到Prompt里。
3. 对话结束后，继续将历史消息保存到到memory记忆中。

1.2. 常规使用方法的弊端

了解这3个核心步骤后，在开发过程中，就需要手动写代码实现这3步，这也比较麻烦，不仅代码冗余，而且容易遗漏这些模板代码。

为了让开发者聚焦于业务实现，LangChain贴心地封装了这一整套实现。使用方式如下。

2. 记忆的种类

记忆分为 短时记忆 和 长时记忆。

在LangChain中使用
ConversationBufferMemory
作为短时记忆的组件，实际上就是以键值对的方式将消息存在内存中。

如果碰到较长的对话，一般使用
ConversationSummaryMemory
对上下文进行总结，再交给大模型。或者使用
ConversationTokenBufferMemory
基于固定的token数量进行内存刷新。

如果想对记忆进行长时间的存储，则可以使用向量数据库进行存储（比如FAISS、Chroma等），或者存储到Redis、Elasticsearch中。

下面以
ConversationBufferMemory
为例，对如何快速安装记忆做个实践。

3. 给LLM安装记忆 — 非MessagesPlaceholder

3.1. ConversationBufferMemory使用示例

使用
ConversationBufferMemory
进行记住上下文：

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"}
)
memory.load_memory_variables({})

3.2. LLMChain+ConversationBufferMemory使用示例

# 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,
)
chain.predict(human_input="你知道我的名字吗？")
# chain.predict(human_input="我叫半支烟，我是一名程序员")
# chain.predict(human_input="你知道我的名字吗？")

此时，已经给LLM安装上记忆了，免去了我们写那3步核心的模板代码。

对于
PromptTemplate
使用以上方式，但
ChatPromptTemplate
因为有多角色，所以需要使用
MessagesPlaceholder
。具体使用方式如下。

4. 给LLM安装记忆 — MessagesPlaceholder

MessagesPlaceholder
主要就是用于
ChatPromptTemplate
场景。

ChatPromptTemplate
模式下，需要有固定的格式。

4.1. PromptTemplate和ChatPromptTemplate区别

ChatPromptTemplate
主要用于聊天场景。

ChatPromptTemplate
有多角色，第一个是System角色，后续的是Human与AI角色。因为需要有记忆，所以之前的历史消息要放在最新问题的上方。

4.2. 使用MessagesPlaceholder安装

最终的ChatPromptTemplate + MessagesPlaceholder代码如下：

chat_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个乐于助人的助手。"),
        MessagesPlaceholder(variable_name="customize_chat_history"),
![](https://wy-static.wenxiaobai.com/chat-rag-image/18081854667041653035)
        ("human", "{human_input}"),
    ]
)
memory = ConversationBufferMemory(
    memory_key="customize_chat_history",
    return_messages=True,
)
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。")

至此，我们使用了
ChatPromptTemplate
简化了构建prompt的过程。

5. 使用对话链ConversationChain

如果连
ChatPromptTemplate
都懒得写了，那直接使用对话链
ConversationChain
，让一切变得更简单。实践代码如下：

memory = ConversationBufferMemory(
    memory_key="history",  # 此处的占位符必须是history
    return_messages=True,
)
model = ChatOpenAI(
    model="gpt-3.5-turbo",
)
chain = ConversationChain(
    llm=model,
    memory=memory,
    verbose=True,
)
chain.predict(input="你好，我叫半支烟，我是一名程序员。")  # 此处的变量必须是input

ConversationChain提供了包含AI角色和人类角色的对话摘要格式。ConversationChain实际上是对Memory和LLMChain和ChatPrompt进行了封装，简化了初始化Memory和构建ChatPromptTemplate的步骤。

6. ConversationBufferMemory

6.1. memory_key

ConversationBufferMemory
有一个入参是
memory_key
，表示内存中存储的本轮对话的
键
，后续可以根据
键
找到对应的值。

6.2. 使用"chat_history"还是"history"

ConversationBufferMemory
的
memory_key
，有些资料里是设置是
memory_key="history"
，有些资料里是
"chat_history"
。

这里有2个规则，如下：

• 在使用
  MessagesPlaceholder
  和
  ConversationBufferMemory
  时，
  MessagesPlaceholder
  的
  variable_name
  和
  ConversationBufferMemory
  的
  memory_key
  可以自定义，只要相同就可以。比如这样：

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",  # 此处的占位符可以是自定义
    return_messages=True,
)
model = ChatOpenAI(
    model="gpt-3.5-turbo",
)
chain = ConversationChain(
    llm=model,
    memory=memory,
    prompt=chat_prompt,
    verbose=True,
)
chain.predict(input="你好，我叫半支烟，我是一名程序员。")  # 此处的变量必须是input

• 如果只是使用
  ConversationChain
  ，又没有使用
  MessagesPlaceholder
  的场景下，ConversationBufferMemory的memory_key，必须用
  history
  。

7. MessagesPlaceholder的使用场景

MessagesPlaceholder
其实就是在与AI对话过程中的
Prompt
的一部分，它代表
Prompt
中的历史消息这部分。它提供了一种结构化和可配置的方式来处理这些消息列表，使得在构建复杂
Prompt
时更加灵活和高效。

说白了它就是个占位符，相当于把从memory读取的历史消息插入到这个占位符里了。

比如这样，就可以表示之前的历史对话消息：

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}"),
    ]
)

是否需要使用MessagesPlaceholder，记住2个原则：

• PromptTemplate
  类型的模板，无需使用MessagesPlaceholder
• ChatPromptTemplate
  类型的聊天模板，需要使用MessagesPlaceholder。但是在使用ConversationChain时，可以省去创建ChatPromptTemplate的过程（也可以不省去）。省去和不省去在输出过程中有些区别，如下：

8. 总结

本文主要聊了安装记忆的基本原理、快速给LLM安装记忆、
ConversationBufferMemory
、
MessagesPlaceholder
的使用、对话链
ConversationChain
的使用和原理。