Python+LangChain/LangGraph框架开发Ai智能体系列(七) | 为 Agent 添加短期记忆策略

1. 学习目标

- 为 Agent 智能体添加短期记忆，掌握agent短期记忆三种策略。

2.核心概念速览

-策略1：BufferMemory（全量缓冲）

-策略2：WindowMemory（滑动窗口，k=3）

-策略3：SummaryMemory（摘要压缩）

为什么 Agent 需要记忆？

默认的 LLM （大语言模型）是无状态的：每次调用都是全新的对话，不记得之前说了什么。

### 核心特点

-短期记忆三种策略：

3.代码实现

3.1 ConversationBufferMemory（短期）

from langchain.memory import ConversationBufferMemorymemory = ConversationBufferMemory(    return_messages=True,   # 返回 Message 对象列表（不是字符串）    memory_key="chat_history"  # 注入 prompt 的 key)# 存入记忆memory.save_context(    {"input": "我叫小明"},    {"output": "你好小明！"})# 读取记忆history = memory.load_memory_variables({})# {'chat_history': [HumanMessage('我叫小明'), AIMessage('你好小明！')]}

3.2 ConversationBufferWindowMemory（滑动窗口）

from langchain.memory import ConversationBufferWindowMemorymemory = ConversationBufferWindowMemory(    k=5,  # 只保留最近 5 轮    return_messages=True)

"""短期记忆类型对比演示演示三种短期记忆策略：Buffer / Window / Summary无需 LLM，直接运行即可看到效果"""# ============================================================# 方式一：手动实现，理解底层原理（推荐先看这个）# ============================================================class BufferMemory:    """全量缓冲记忆：保留所有历史对话"""    def __init__(self):        self.history = []  # 存储 (human, ai) 元组列表    def save(self, human_msg: str, ai_msg: str):        self.history.append({"role": "human", "content": human_msg})        self.history.append({"role": "ai", "content": ai_msg})    def load(self) -> list:        return self.history.copy()    def format_for_prompt(self) -> str:        """格式化为 prompt 字符串"""        lines = []        for msg in self.history:            prefix = "用户" if msg["role"] == "human" else "助手"            lines.append(f"{prefix}: {msg['content']}")        return "\n".join(lines)    def token_count(self) -> int:        """粗略估算 Token 数（实际用 tiktoken）"""        total = sum(len(m["content"]) for m in self.history)        return total // 2  # 中文约 2 字符/token    def clear(self):        self.history = []class WindowMemory:    """滑动窗口记忆：只保留最近 k 轮"""    def __init__(self, k: int = 3):        self.k = k  # 保留最近 k 轮        self.rounds = []  # 每个元素是一轮 (human, ai)     def save(self, human_msg: str, ai_msg: str):        self.rounds.append((human_msg, ai_msg))        # 超出窗口就丢掉最早的        if len(self.rounds) > self.k:            self.rounds = self.rounds[-self.k:]    def load(self) -> list:        messages = []        for human, ai in self.rounds:            messages.append({"role": "human", "content": human})            messages.append({"role": "ai", "content": ai})        return messages    def format_for_prompt(self) -> str:        lines = []        for human, ai in self.rounds:            lines.append(f"用户: {human}")            lines.append(f"助手: {ai}")        return "\n".join(lines)class SummaryMemory:    """摘要压缩记忆：将历史对话压缩为摘要"""    def __init__(self):        self.summary = ""       # 当前摘要        self.recent = []        # 最近几轮完整保留        self.max_recent = 2     # 最近 2 轮不压缩    def save(self, human_msg: str, ai_msg: str):        self.recent.append((human_msg, ai_msg))        # 超出 max_recent 就压缩旧的（这里 mock 压缩，真实要用 LLM）        if len(self.recent) > self.max_recent:            oldest = self.recent.pop(0)            self._compress_to_summary(oldest[0], oldest[1])    def _compress_to_summary(self, human: str, ai: str):        """Mock 压缩：真实场景用 LLM 生成摘要"""        new_info = f"之前对话中：用户说'{human[:20]}...'，助手回复'{ai[:20]}...'"        if self.summary:            self.summary += f"\n{new_info}"        else:            self.summary = new_info    def format_for_prompt(self) -> str:        parts = []        if self.summary:            parts.append(f"[历史摘要]\n{self.summary}")        if self.recent:            parts.append("[最近对话]")            for human, ai in self.recent:                parts.append(f"用户: {human}")                parts.append(f"助手: {ai}")        return "\n".join(parts)# ============================================================# 演示主函数# ============================================================def demo_buffer_memory():    print("=" * 60)    print("📦 演示一：BufferMemory（全量缓冲）")    print("=" * 60)    mem = BufferMemory()    conversations = [        ("我叫小明，今年25岁", "你好小明！很高兴认识你。"),        ("我喜欢喝咖啡", "了解，你喜欢咖啡！"),        ("我在西安工作", "西安是个不错的城市。"),        ("我的爱好是编程", "编程真是个好爱好！"),        ("我最喜欢 Python", "Python 确实很强大！"),    ]    for human, ai in conversations:        mem.save(human, ai)    print(f"存储了 {len(conversations)} 轮对话")    print(f"Token 估算：约 {mem.token_count()} tokens")    print("\n--- 格式化为 Prompt ---")    print(mem.format_for_prompt())    print()def demo_window_memory():    print("=" * 60)    print("🪟 演示二：WindowMemory（滑动窗口，k=3）")    print("=" * 60)    mem = WindowMemory(k=3)    conversations = [        ("我叫小明，今年25岁", "你好小明！"),        ("我喜欢喝咖啡", "了解，你喜欢咖啡！"),        ("我在西安工作", "西安是个不错的城市。"),        ("我的爱好是编程", "编程真是个好爱好！"),        ("我最喜欢 Python", "Python 确实很强大！"),    ]    for i, (human, ai) in enumerate(conversations, 1):        mem.save(human, ai)        print(f"[第{i}轮后] 保留 {len(mem.rounds)} 轮 | "              f"{'(已丢弃旧对话)'if i > 3else''}")    print("\n--- 最终保留的对话（仅最近3轮）---")    print(mem.format_for_prompt())    print("\n⚠️  注意：第1、2轮已被丢弃！'我叫小明'的信息丢失了")    print()def demo_summary_memory():    print("=" * 60)    print("📝 演示三：SummaryMemory（摘要压缩，保留最近2轮）")    print("=" * 60)    mem = SummaryMemory()    conversations = [        ("我叫小明，今年25岁", "你好小明！"),        ("我喜欢喝咖啡", "了解，你喜欢咖啡！"),        ("我在西安工作", "西安是个不错的城市。"),        ("我的爱好是编程", "编程真是个好爱好！"),        ("我最喜欢 Python", "Python 确实很强大！"),    ]    for i, (human, ai) in enumerate(conversations, 1):        mem.save(human, ai)    print("--- 最终格式化（旧对话被压缩为摘要）---")    print(mem.format_for_prompt())    print("\n✅ 优点：旧信息被压缩保留，不会彻底丢失")    print()def compare_strategies():    print("=" * 60)    print("📊 三种策略对比总结")    print("=" * 60)    print("""策略           优点                缺点               适用场景----------------------------------------------------------------------Buffer        完整保留所有对话    Token 随对话增长   短对话、调试Window(k=N)   Token 稳定可控     旧信息直接丢失     一般聊天机器人Summary       保留摘要+最近轮次  需要 LLM 压缩      长对话、生产环境""")    print("💡 实践建议：")    print("  开发阶段：Buffer（方便调试）")    print("  生产环境：Window 或 Summary + 外部长期记忆")if __name__ == "__main__":    demo_buffer_memory()    demo_window_memory()    demo_summary_memory()    compare_strategies()    print("\n✅ 运行完毕！理解了短期记忆的三种策略后，")    print("去看极简工具盒公众号下一篇文章学习agent长期持久化记忆。")