本文深入介绍 LangChain 的 Memory 系统机制，包括 ConversationMemory 类型、历史对话拼接与自动总结功能，助你搭建支持上下文记忆与多轮对话的智能链条。

一、为什么需要 Memory 系统？

LLM 默认无状态，每次调用仅看当前输入，不记忆前文
对话系统要记住上下文，答案才能“接得住”
Memory 系统负责 记录、拼接、管理历史对话，并把相关内容注入 prompt，以维持对话连续性与上下文理解能力

二、Memory 类型概览

这些 Memory 类型虽已逐步迁移至 LangGraph，但源码支持仍可使用，适合当前链式记忆机制。

三、如何使用 RunnableWithMessageHistory

LangChain 提供 RunnableWithMessageHistory 封装任何 Runnable，实现会话记忆管理：
langchain_core.runnables.history.RunnableWithMessageHistory

实现逻辑简要（How it works）：

class RunnableWithMessageHistory(Runnable):
    def __init__(
        self,
        runnable: Runnable,  # 被包裹的链或模型
        get_session_history: Callable,  # 根据 session_id 获取 MessageHistory 对象
        input_messages_key: str = ...,
        history_messages_key: str = ...
    ):
        ...

    def invoke(self, input: dict, config: RunnableConfig) -> Any:
        # 1. 从 config 中获取 session_id
        session_id = config.configurable.get("session_id")

        # 2. 调用 get_session_history(session_id) 获取消息记录对象
        history = self.get_session_history(session_id)

        # 3. 从 history 读取历史消息 → 注入 input 中指定的 key
        input[self.history_messages_key] = history.messages

        # 4. 执行原始 runnable
        output = self.runnable.invoke(input, config)

        # 5. 将当前对话的输入/输出消息记录到 history 中
        history.add_messages([HumanMessage(...), AIMessage(...)])

        return output

作用（What it does）：

包装一个模型调用链，如 ChatPromptTemplate | ChatModel
生命周期中自动注入历史消息至 prompt，并保存交互信息
需要传入：get_session_history、input_messages_key、history_messages_key 等参数
不改变原有链的功能，只是在调用前后插入“历史注入 + 历史记录”逻辑

import os
from typing import Dict
from langchain_core.runnables import RunnableWithMessageHistory
from langchain_core.chat_history import BaseChatMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 模拟一个内存中的历史记录存储（实际部署可替换为 Redis 等）
session_store: Dict[str, ChatMessageHistory] = {}


def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in session_store:
        session_store[session_id] = ChatMessageHistory()
    return session_store[session_id]


# 创建 Prompt 模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个非常专业且友好的助手。"),
    ("user", "{question}"),
])

# 创建原始模型链
llm = ChatOpenAI(
    temperature=0.7,
    model="glm-4.5",
    openai_api_key=os.getenv("ZAI_API_KEY"),
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/"
)
chain = prompt | llm

# 包装为带记忆功能的链
chain_with_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="question",  # 输入参数名
    history_messages_key="history",  # prompt 接收历史的参数名
)

# 执行调用，自动注入历史并记录
response = chain_with_history.invoke(
    {"question": "帮我总结一下《实践论》的核心论点，纯文本输出。"},
    config={"configurable": {"session_id": "user123"}}
)

print(session_store)
print("-------------------------------")
print(response.content)

{'user123': InMemoryChatMessageHistory(messages=[HumanMessage(content='帮我总结一下《实践论》的核心论点，纯文本输出。', additional_kwargs={}, response_metadata={}), AIMessage(content='《实践论》的核心论点是：**实践是认识的基础、动力、目的和检验真理的唯一标准**。全文围绕认识与实践的辩证关系展开，主要包含以下要点：\n\n1. **实践对认识的决定作用**  \n   - 认识来源于实践：人类的生产活动是最基本的实践活动，是认识发展的根本来源；阶级斗争、政治生活、科学实验等其他社会实践也深刻影响认识。\n   - 实践推动认识发展：从感性认识上升到理性认识，离不开实践提供的反复观察和材料积累。\n   - 实践是认识的目的：认识的根本任务在于指导实践、改造世界。\n   - 实践是检验真理的唯一标准：只有通过实践才能验证认识的正确性。\n\n2. **认识发展的辩证过程**  \n   - 认识经历两个阶段：**感性认识**（对事物表面和片面的直观）和**理性认识**（对事物本质和规律的抽象概括），二者在实践基础上统一。\n   - 理性认识依赖于感性认识，感性认识有待深化为理性认识。\n   - 认识运动是循环往复、不断深化的过程：从实践到认识，再回到实践，如此“实践—认识—再实践—再认识”，每一次循环都推动认识向更高层次发展。\n\n3. **反对教条主义和经验主义**  \n   - 批判脱离实践的教条主义（空谈理论）和经验主义（固守片面经验），强调理论必须联系实际，在实践中持续修正和发展认识。\n\n4. **改造主观世界与客观世界**  \n   - 认识世界的最终目的是改造世界，包括改造客观世界（社会与自然）和主观世界（提高认识能力），二者统一于社会实践。\n\n**总结**：《实践论》系统阐述了马克思主义认识论的基本原理，突出强调实践的核心地位，主张通过“知行统一”的动态过程不断接近真理，为实现理论与实践的结合提供了哲学基础。', additional_kwargs={}, response_metadata={'token_usage': {'completion_tokens': 383, 'prompt_tokens': 25, 'total_tokens': 408, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}, 'prompt_cache_hit_tokens': 0, 'prompt_cache_miss_tokens': 25}, 'model_name': 'deepseek-chat', 'system_fingerprint': 'fp_eaab8d114b_prod0820_fp8_kvcache', 'finish_reason': 'stop', 'logprobs': None}, id='run--4ade92e9-44f0-427d-a744-61989849df7e-0')])}
-------------------------------
《实践论》的核心论点是：**实践是认识的基础、动力、目的和检验真理的唯一标准**。全文围绕认识与实践的辩证关系展开，主要包含以下要点：

1. **实践对认识的决定作用**  
   - 认识来源于实践：人类的生产活动是最基本的实践活动，是认识发展的根本来源；阶级斗争、政治生活、科学实验等其他社会实践也深刻影响认识。
   - 实践推动认识发展：从感性认识上升到理性认识，离不开实践提供的反复观察和材料积累。
   - 实践是认识的目的：认识的根本任务在于指导实践、改造世界。
   - 实践是检验真理的唯一标准：只有通过实践才能验证认识的正确性。

2. **认识发展的辩证过程**  
   - 认识经历两个阶段：**感性认识**（对事物表面和片面的直观）和**理性认识**（对事物本质和规律的抽象概括），二者在实践基础上统一。
   - 理性认识依赖于感性认识，感性认识有待深化为理性认识。
   - 认识运动是循环往复、不断深化的过程：从实践到认识，再回到实践，如此“实践—认识—再实践—再认识”，每一次循环都推动认识向更高层次发展。

3. **反对教条主义和经验主义**  
   - 批判脱离实践的教条主义（空谈理论）和经验主义（固守片面经验），强调理论必须联系实际，在实践中持续修正和发展认识。

4. **改造主观世界与客观世界**  
   - 认识世界的最终目的是改造世界，包括改造客观世界（社会与自然）和主观世界（提高认识能力），二者统一于社会实践。

**总结**：《实践论》系统阐述了马克思主义认识论的基本原理，突出强调实践的核心地位，主张通过“知行统一”的动态过程实现认识的发展与真理的验证，为科学方法论和革命实践提供了哲学基础。

此机制适合单用户/多线程管理，可替换持久化存储（如 Redis）用于实际部署。

四、Memory 类型与历史拼接方法详解

LangChain 的 Memory 系统本质上是对历史消息的持久化与上下文拼接机制，其核心目标是：

维持上下文连贯性（记住历史提问/回答）
节省 Prompt 长度（通过滑窗或摘要机制）
提升用户体验（多轮对话、状态感知）

1. ConversationBufferMemory：最简单的全量对话缓存器

✅ 适用于短对话或窗口足够大的场景

功能说明：
缓存所有历史消息（用户与 AI 的对话）
会被自动拼接注入 Prompt 中
容易超长，但适合简单原型开发

import os

from langchain.chains.conversation.base import ConversationChain
from langchain.memory import ConversationBufferMemory
from langchain_openai import ChatOpenAI

memory = ConversationBufferMemory(return_messages=True)

llm = ChatOpenAI(
    temperature=0.7,
    model="glm-4.5",
    openai_api_key=os.getenv("ZAI_API_KEY"),
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/"
)

chain = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=False
)

print(chain.invoke(
    {"input": "请用一句话回答（不要超过30个汉字）：苏联的存在时间区间是什么？"})["response"])
print(chain.invoke({"input": "我刚才问的问题是什么？"})["response"])

2. ConversationBufferWindowMemory：滑动窗口对话历史

✅ 适用于需要历史但受限于 Prompt 长度的中长对话

功能说明：
只保留最后 k 轮对话（默认每轮包含用户+AI 各一条）
防止历史无限增长，减小 Token 压力
控制成本与上下文权衡

from langchain.memory import ConversationBufferWindowMemory

memory = ConversationBufferWindowMemory(
    k=3,  # 仅保留最近3轮消息
    return_messages=True
)

搭配使用方式与 ConversationBufferMemory 相同。

3. ConversationSummaryMemory：自动摘要上下文

✅ 适用于历史很长但上下文窗口受限场景

功能说明：
使用 LLM 自动生成对历史对话的总结（如“用户想了解投资建议...”）
将该 summary 注入到 Prompt 中作为上下文
每轮对话后 summary 会动态更新，保持语义完整

import os

from langchain.chains.conversation.base import ConversationChain
from langchain.memory import ConversationSummaryMemory
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    temperature=0.7,
    model="glm-4.5",
    openai_api_key=os.getenv("ZAI_API_KEY"),
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/"
)

memory = ConversationSummaryMemory(
    llm=llm,  # 用于生成摘要的 LLM
    return_messages=True,
    max_token_limit=300  # 控制 summary 长度
)

chain = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=False
)

response = chain.invoke(dict(input="我最近很焦虑，可能是因为工作压力大。"))
print(response['response'])
print("\n" + "*" * 100 + "\n")
response = chain.invoke(dict(input="你有什么放松建议吗？"))
print(response['response'])

听到你这么说，我很理解你的感受。工作压力确实是现代人常见的焦虑来源之一。你愿意具体聊聊最近工作中遇到了什么特别有压力的事情吗？比如是任务量突然增加、人际关系紧张，还是对未来的不确定性感到担忧？有时候把具体问题梳理出来，本身就能缓解一部分情绪。

另外，如果你需要的话，我可以和你分享一些缓解工作焦虑的小方法，比如：
1. **短期应对**：尝试用“番茄工作法”分割任务，每工作25分钟休息5分钟，避免持续高压；
2. **调整视角**：每天睡前写下3件当天完成的小事（哪怕只是“准时开会”），强化掌控感；
3. **身体调节**：焦虑时容易浅呼吸，可以刻意练习腹式呼吸（吸气4秒→屏息4秒→呼气6秒），帮助神经系统放松。

当然，如果这种状态持续超过两周，并影响到睡眠或日常生活，也建议考虑和专业心理咨询师聊一聊。你最近睡眠和食欲怎么样？

****************************************************************************************************
当然有。既然你提到了工作压力，我们可以从一些简单易行的方法开始。这里有几个层次的建议，你可以根据当下的感受选择尝试：

### 1. **“微休息”技巧（适合工作中即时缓解）**
- **呼吸重置法**：闭上眼睛，用4秒吸气→屏息4秒→用6秒缓慢呼气，重复5次。这能快速平复神经系统。
- **桌面正念**：拿起手边的一个物件（比如水杯），专注感受它的温度、纹理30秒，让大脑从焦虑叙事中抽离。
- **番茄工作法变式**：工作25分钟→强制休息5分钟（**离开座位走动**），每4个循环后休息15分钟。休息时绝对不看工作消息。

### 2. **工作习惯调整**
- **焦虑清单**：把担忧的具体事项写在纸上（例如“明天会议报告可能被质疑”），旁边标注：①最坏结果是什么？②我能控制的部分是什么？③第一步小行动是什么？往往写下来就会发现焦虑被具象化、可控化了。
- **设定“焦虑时段”**：每天给自己10分钟专门用来担忧，其他时间出现焦虑念头时告诉自己：“留到专属时段再处理”。

### 3. **下班后的身心恢复**
- **温差刺激法**：结束工作后用温水洗脸后，再用凉毛巾敷眼周10秒，能快速唤醒副交感神经。
- **15分钟“身份切换仪式”**：比如换掉工作装、点燃香薰、播放特定音乐，暗示大脑“工作模式关闭”。
- **渐进式肌肉放松**：从脚趾开始向上，依次收紧每个肌肉群5秒后彻底放松，感受身体沉入椅子的重量感。

### 4. **长期视角建设**
- **每周做一次“压力源审计”**：记录本周引发强烈焦虑的3件事，观察是否存在模式（例如总是在接到某类任务后崩溃）。
- **创造“成就感档案”**：建立专属文件夹，存放工作成果、同事感谢、学会的新技能记录，焦虑时翻阅。

### 特别提醒：
你之前提到睡眠和食欲可能受影响，如果出现：
- 连续2周以上入睡困难/早醒
- 对曾经喜欢的事物失去兴趣
- 胸闷、手抖等身体症状频繁出现
建议优先考虑**三甲医院临床心理科**或**专业心理咨询师**进行评估。这不是“脆弱”，就像感冒需要吃药一样正常。

**你想先从哪个方法开始尝试？或者需要我针对某个场景提供更具体的方案吗？** 🌿

4. ConversationSummaryBufferMemory：摘要 + 滑窗的混合策略

✅ 适用于既想缩短上下文，又希望保留部分原文历史

功能说明：
保留一部分原始对话（如最近2轮）
对更早的对话进行摘要压缩
综合使用 buffer + summarization 的策略

from langchain.memory import ConversationSummaryBufferMemory

memory = ConversationSummaryBufferMemory(
    llm=ChatOpenAI(),
    max_token_limit=500,
    return_messages=True
)

5. 自定义 Memory：继承 BaseMemory / BaseChatMessageHistory

如果你希望将消息保存到数据库、Redis、MongoDB 等，也可以通过实现自定义 Memory 类来替换默认行为

from langchain_core.chat_history import BaseChatMessageHistory

class MyCustomMemory(BaseChatMessageHistory):
    def __init__(self):
        self.messages = []

    def add_message(self, message): self.messages.append(message)
    def add_messages(self, messages): self.messages.extend(messages)
    def clear(self): self.messages.clear()

✅ 小结对比

Memory 类型、优点及适用场景

总结

Memory 系统让 LLM 拥有“记忆”能力，从无状态到上下文感知
Buffer 简单直观，适合短期交互；Window 和 Summary 可应对长对话
RunnableWithMessageHistory 是目前主流记忆注入入口
可与 LangGraph 持久化结合，构建可扩展、多用户、分支记忆体系