转型 AI 开发——LangChain 实战第五课：为什么智能体一定要有记忆，才能成为你的第二大脑？

昨天我们聊了 Few-shot，很多同学可能心里在想： 那 AI 能不能记住我说过的话？
答案是：当然能。

记忆，是 AI 应用的 第一步升级。

• • 没有记忆：只能一句话一句话干，像“工具”。
• • 有了记忆：能追踪上下文，接续任务，像“助理”。

但问题在于 —— 原生 API 想要让 AI “有记忆”，要自己维护一大堆对话历史。

你跟 AI 聊十句话，就得在 messages 里面硬塞十条数据。

越聊越多，messages 越臃肿，光看都头疼。

LangChain给我们封装了 **Memory，**而且还能换不同的记忆策略（比如只记最近的，或者自动生成摘要）。

说实话，这个框架能力我是用得最舒服的，自己手搓记忆管理的真的太麻烦了。

那对于AI来讲，什么是“记忆”？

记忆本质上就是 保存上下文。

因为我们使用API来调用大模型，每次都属于单个对话（压根不知道刚才聊了啥）。

所以我们每次和大模型交互，都需要将刚才聊过的信息，再次发给它，达到唤醒“记忆”的目的。

• • 没有记忆的 AI：你问“我是谁？”，它一脸懵逼。
• • 有记忆的 AI：它会回忆起你刚才说过的名字，然后接着回答。

所以记忆是 AI 从“聊天机器人”升级为“智能体”的第一步。

老规矩，我们继续对比两种写法差异。

原生写法，新建文件 05_memory.py

           
           
           
           import os
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()
client = OpenAI(api_key=os.getenv("deepseek_api_key"), base_url="https://api.deepseek.com/v1")

# 初始化对话历史
messages = [
    {"role": "system", "content": "你是一个智能助理，会记住用户的自我介绍"}
]

print("=== 记忆小实验 ===")
print("随便跟我聊两句，比如先介绍你自己，再让我复述。输入 quit 退出。")
print()

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

    # 把用户输入塞进历史
    messages.append({"role": "user", "content": user_input})

    # 调用大模型
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages
    )

    ai_reply = response.choices[0].message.content
    print("AI：", ai_reply)

    # 把 AI 的回答也塞进历史
    messages.append({"role": "assistant", "content": ai_reply})

这个写法能跑，但你看出来了 ——
 我们得手动维护 messages，一问一答往里 append。
 聊久了，全靠自己管理上下文，超级麻烦。

LangChain 写法，新建文件 05_memory_langchain.py

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

load_dotenv()

llm = ChatOpenAI(
    model="deepseek-chat",
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("deepseek_api_key"),
    temperature=0.7
)

# 用 Memory 来管理上下文
memory = ConversationBufferMemory()
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True  # 打印提示词，方便观察
)

print("=== LangChain 记忆小实验 ===")
print("随便跟我聊两句，比如先介绍你自己，再让我复述。输入 quit 退出。")
print()

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)

比较了原生和langchain的记忆管理实现方式，有这么些差别，这也是为什么我们要用框架的一个很重要的原因。

在原生 API 里，你会发现写起来很“繁琐”：

• • 你必须自己维护一个 messages 列表。
• • 每次用户说话，要手动 append 一条 "role": "user" 的消息。
• • AI 回复后，你还得再 append 一条 "role": "assistant" 的消息。
• • 一旦想换策略，比如“只保留最近 N 条”或者“做摘要”，都得自己额外写逻辑。

而在 LangChain 里，这些都被 记忆模块（Memory） 接管了：

• • ConversationChain 会自动把用户输入和 AI 回复保存进记忆。
• • ConversationBufferMemory 是最简单的记忆方式，完整保存上下文。
• • 如果想节省 Token，可以直接换 ConversationSummaryMemory，它会自动帮你做摘要。
• • 或者用 ConversationBufferWindowMemory，只保留最近几轮对话。

最后，我们来看看拥有了记忆能力的AI效果。

下节课我们讲记忆策略，让我们一起深入探讨记忆管理的实现吧。