Memory：让对话拥有记忆

模型本身没有记忆

LLM 是无状态的：所谓"记忆"，就是把历史消息再次发给模型。Memory 模块管理的正是"历史消息如何收集、如何裁剪"。

最朴素的方式：手动维护列表

history = []
while True:
    q = input("> ")
    history.append(HumanMessage(content=q))
    resp = llm.invoke(history)
    history.append(resp)
    print(resp.content)

LangChain 的 Memory 策略

• ChatMessageHistory：最基础的消息存储（内存 / Redis / SQLite 等后端）；
• ConversationBufferMemory：原样保留全部历史 —— 简单但 token 增长快；
• ConversationBufferWindowMemory：只保留最近 k 轮 —— 成本可控，丢失远期信息；
• ConversationTokenBufferMemory：按 token 上限裁剪；
• ConversationSummaryMemory：用模型把历史压缩成摘要 —— 长对话首选。

在 LCEL 中接入记忆

from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import SQLChatMessageHistory

def get_history(session_id):
    return SQLChatMessageHistory(session_id, "sqlite:///chat.db")

chain = prompt | llm
chain_with_history = RunnableWithMessageHistory(
    chain, get_history,
    input_messages_key="question",
    history_messages_key="history",
)
# 调用时通过 config 指定会话
chain_with_history.invoke({"question": "我叫小明"},
                          config={"configurable": {"session_id": "user-1"}})