转型 AI 开发——LangChain 实战第六课：原来 AI 也分不同记忆方法？三种策略效果大公开！

昨天我们聊了为什么智能体要有记忆，今天来讲下langchain中的三种记忆策略。

是的，记忆策略。
有的同学可能就蒙圈了。

记忆不就是讲了什么都记住就好了吗？
搞那么多策略，有必要吗？

说实话，这事儿真有必要。

我们调用大模型，原理是我们把一大堆上下文送过去获取回答。

AI不像人一样，能够迅速抓住重点（当然有些人抓重点的水平可能不如AI，这情况另当别论）。

总之，记忆策略选得不对，AI 要么健忘，要么话痨，这是LLM的本身的机制导致的。

需要我们需要控制记忆范围，让它能够回答对我们最新的问题。

举个现实的例子：
假设你在做一个个人工作助手。下面这些坑点都需要你认真考虑。

• • 你跟 AI 聊了一周，你想让它帮你出个周报，于是它得帮你写总结。
• • 如果记忆太短，可能只记得最近聊的几句话，啥工作重点没记住，最后只能胡编。
• • 如果记忆太长，AI 得翻一堆细节，成本高不说（调api如果塞太多token，费用挺高的，太频繁搞大量的token，禁不住造），不仅返回速度慢，结果还容易啰嗦。
• • 如果你让它自己生成摘要，有可能漏掉关键项目，重要信息被压缩没了。

不同的记忆策略，决定了 AI 的“工作习惯”。
今天我们就来动手试试 LangChain 里最常见的三种。
老规矩，上代码。

1. 1. 全量记忆（ConversationBufferMemory）
   特点：聊过的所有内容都记下来。 场景：小范围聊天、短任务，保证不丢信息。

创建文件06_memory_all.py,代码内容如下。

            
            
            
            import os
from langchain_openai import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
from dotenv import load_dotenv

load_dotenv()

llm = ChatOpenAI(
    model="deepseek-chat", 
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("deepseek_api_key")
)

conversation = ConversationChain(
    llm=llm,
    memory=ConversationBufferMemory(),
    verbose=True
)

print("=== 全量记忆实验 ===")
print("先介绍你自己，再让我复述。输入 quit 退出。\n")

while True:
    user_input = input("你：")
    if user_input.lower() in ["quit", "exit", "退出"]:
        break
    ai_reply = conversation.predict(input=user_input)
    print("AI：", ai_reply)

1. 2. 窗口记忆（ConversationBufferWindowMemory）
   特点：只保留最近 N 轮，前面的对话直接丢掉。 场景：适合短任务，一问一答，或者几个问题内出结果的场景。

创建文件06_memory_window.py,代码内容如下。

            
            
            
            import os
from langchain_openai import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferWindowMemory
from dotenv import load_dotenv

load_dotenv()

llm = ChatOpenAI(
    model="deepseek-chat", 
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("deepseek_api_key")
)

# 使用窗口式记忆，只保留最近的k轮对话
conversation = ConversationChain(
    llm=llm,
    memory=ConversationBufferWindowMemory(k=3),  # 只保留最近3轮对话
    verbose=True
)

print("=== 窗口式记忆实验 ===")
print("这个版本只记住最近3轮对话，超出的会被遗忘。先介绍你自己，再让我复述。输入 quit 退出。\n")

while True:
    user_input = input("你：")
    if user_input.lower() in ["quit", "exit", "退出"]:
        break
    
    try:
        ai_reply = conversation.predict(input=user_input)
        print("AI：", ai_reply)
        print()
    except Exception as e:
        print(f"发生错误: {e}")

1. 3. 摘要记忆（ConversationSummaryMemory）
   特点：用 LLM 把过去的内容压缩成摘要，再存下来。 场景：写周报、写复盘、写长篇总结。
    ⚠️ 但是要注意：摘要不一定可靠，有可能丢掉重要信息！

创建文件06_memory_summary.py,代码内容如下。

            
            
            
            import os
from langchain_openai import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationSummaryMemory
from dotenv import load_dotenv

load_dotenv()

llm = ChatOpenAI(
    model="deepseek-chat", 
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("deepseek_api_key")
)

# 使用总结式记忆，会自动总结历史对话
conversation = ConversationChain(
    llm=llm,
    memory=ConversationSummaryMemory(llm=llm),
    verbose=True
)

print("=== 总结式记忆实验 ===")
print("这个版本会自动总结历史对话，节省token。先介绍你自己，再让我复述。输入 quit 退出。\n")

while True:
    user_input = input("你：")
    if user_input.lower() in ["quit", "exit", "退出"]:
        break
    
    try:
        ai_reply = conversation.predict(input=user_input)
        print("AI：", ai_reply)
        print()
    except Exception as e:
        print(f"发生错误: {e}")

三种记忆策略，都有各自的优势和缺点：

• • 全量记忆：信息最全，但会越来越臃肿。最后容易导致，又贵又慢结果还不准。
• • 窗口记忆：节省成本，但容易“健忘”。要搭配合适的场景使用。
• • 摘要记忆：节省空间，但可能漏信息。需要观察摘要生成的准确性。

我真实的使用下来感受是：记忆没有“最好”，只有“适合场景的”。

根据具体场景选择合适的方案，甚至混合使用，以达到最优的效果。