在使用Langchain构建智能对话系统时，记忆库的作用不可小觑。记忆库能够存储和管理对话历史，让AI在交流中更加连贯和个性化。通过Langchain的记忆库集成，我们可以轻松地将Redis等数据库作为后端存储，实现聊天消息的持久化。这样，无论用户何时返回，AI都能够回忆起之前的对话内容，提供更加贴心的服务。例如，用户询问天气后，AI不仅能够提供即时信息，还能记住用户之前询问的城市，下次直接提供相关信息。这种记忆能力极大地提升了用户体验，使得对话更加流畅自然。Langchain的记忆库功能，为构建智能、有记忆的AI助手提供了强大的支持。
在使用Langchain处理Redis Chat Message History时，很多朋 友可能会遇到手册说明不详细和代码示例无法正常运行的问题。我这通过2天的摸索自定义开发langchain利用redis库存放会员的记忆系统，提高了记忆的利用效率
1，关于redis数据库的链接代码实现：
import json
import os
import configparser
import redis
class RedisHashClient:
def __init__(self):
# config = common.readConfig()
config = configparser.ConfigParser()
config_file = './config.ini'
config.read(config_file, 'utf8')
self.client = redis.Redis(host=config.get('redis_conf', 'host')
, port=config.get('redis_conf', 'port')
, db=config.get('redis_conf', 'db')
, password=config.get('redis_conf', 'password'))
2，关于记忆体的存放与提取代码：
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain.schema import BaseMessage, HumanMessage, AIMessage
def llMmodel(self):
try:
api_key = self.config.get('chatgpt', 'zhipu_apikey')
llMmodel_instance = ChatOpenAI(
temperature=0.9,
# model="glm-4-0520",
# model="glm-4",
model="glm-4-air",
openai_api_key=api_key,
openai_api_base="https://open.bigmodel.cn/api/paas/v4/"
)
return llMmodel_instance
except Exception as e:
print(f"An unexpected error occurred: {e}")
# 定义一个函数来保存聊天历史到 Redis
# 保存聊天历史到 Redis（使用 JSON）
def save_chat_history_to_redis(self, chat_history):
chat_history_str = json.dumps([msg.dict() for msg in chat_history.messages],ensure_ascii=False)
# 将 JSON 字符串中的汉字转换为 Base64 编码
RedisHashClient().client.hset("langchain:chat_history",self.session_id,chat_history_str)
# 定义一个函数来从 Redis 获取聊天历史
# 从 Redis 获取聊天历史（使用 JSON）
def get_chat_history_from_redis(self):
chat_history_str = RedisHashClient().client.hget("langchain:chat_history",self.session_id)
chat_history = InMemoryChatMessageHistory()
if chat_history_str:
messages = json.loads(chat_history_str)
for msg in messages:
if msg['type'] == 'human':
chat_history.add_message(HumanMessage(content=msg['content']))
elif msg['type'] == 'ai':
chat_history.add_message(AIMessage(content=msg['content']))
return chat_history
# 用户的背景信息
def getUserBginformation(self):
return "姓名：黑金;职务：从事IT开发10年; 爱好：喜欢研究新代码"
def chatmsg(self):
user_background_information = self.getUserBginformation()
prompt = ChatPromptTemplate.from_messages(
[
("system", "你是一个AI聊天助手"),
("system", "请使用中文语言回复,并且回复token的长度不要超过100字。回复不要出现Note"),
("user",user_background_information),
("placeholder", "{chat_history}"),
("human", "{input}"),
]
)
# 使用示例
session_id = f"user_id::{self.user_id}" # 假设这是用户的会话 ID
chat_history = self.get_chat_history_from_redis()
if chat_history is None:
chat_history = InMemoryChatMessageHistory() #BaseChatMessageHistory类自带的
#调试history是字符串吗？
chain = prompt | self.llMmodel
wrapped_chain = RunnableWithMessageHistory(chain, lambda x: chat_history)
try:
AIMessageObj = wrapped_chain.invoke(
{
"input": $input_chat, # 用户输入
},
config={"configurable": {"session_id":session_id}}
)
self.historyMsg = chat_history.messages
self.aiOutMsg = AIMessageObj.content.strip()
if not self.aiOutMsg:
self.error = "AI回复为空"
raise ValueError("AI回复为空")
input_msg = self.input_json['input_chat']
self.saveAiChatLog(input_msg, 'user', 0)
self.token_usage = AIMessageObj.response_metadata['token_usage']
print('用户输入：',input_msg)
# 添加消息到聊天历史
self.save_chat_history_to_redis(chat_history)
self.saveAiReplyHistory()
return
except Exception as e:
print(f"发生错误：{str(e)}")
raise ValueError(e)
上述代码的逻辑流程可以概括如下：
-
设置Prompt：首先，定义一个
prompt，它是一个用于与AI模型交互的模板。这个模板包括系统消息、用户背景信息、一个占位符用于插入聊天历史，以及一个用于用户输入的占位符。 -
获取聊天历史：接着，通过
get_chat_history_from_redis方法从Redis中检索用户的聊天历史。如果用户是第一次访问或者没有历史记录，就创建一个新的InMemoryChatMessageHistory实例。 -
调用对话模型：使用Langchain的
RunnableWithMessageHistory包装器，结合定义好的prompt和用户的输入，调用智谱清言的对话模型（llMmodelInherit）。这个模型会根据提供的信息生成回复。 -
存储模型返回的消息：将AI模型返回的消息（
AIMessageObj.content）处理后，存储到聊天历史中。这通常涉及到将消息添加到内存中的聊天历史对象，并同步更新到Redis数据库，以便持久化存储。 -
异常处理：在整个过程中，如果发生任何异常，代码会捕获这些异常，并记录错误信息。同时，会向飞书（Feishu）发送错误通知，以便开发者能够及时了解并处理问题。
-
返回结果：最后，处理完用户的消息并更新聊天历史后，代码会返回AI模型的响应，以便可以将其发送给用户。
这段代码的核心目的是实现一个具有记忆功能的聊天系统，它能够记住用户的历史对话，并在后续的交互中使用这些信息来提供更加个性化和连贯的回复。
以下是针对AI记忆的应用场景的详细解释：
-
医疗健康助手：
- 长期记忆跟踪：AI记忆系统能够长期存储患者的病史、用药计划和治疗进展。通过这种方式，AI助手可以提供个性化和连续的医疗建议，帮助医生和患者更好地管理健康。
- 个性化和连续性：AI助手能够根据患者的病史和当前状况，提供针对性的建议。例如，提醒患者按时服药、预约检查或根据最新的医学研究调整治疗方案。
-
虚拟伴侣：
- 记住个人细节：AI伴侣能够记住用户的个人喜好、习惯和过去的对话内容。这种记忆能力使得AI能够提供更加个性化和有意义的交互体验。
- 深层次关系：通过记住用户的喜好和习惯，AI伴侣能够提供更加贴心的服务，比如推荐音乐、电影或餐厅，甚至参与到用户的日常生活中，提供情感支持。
-
生产力工具：
- 记住用户习惯：AI工具能够学习并记住用户的工作习惯和常用文档，从而简化工作流程。
- 提高效率：通过自动整理文档、提醒任务和预测用户需求，AI工具能够显著提高工作效率。例如，AI可以根据用户的工作模式，提前准备好所需的文件或数据，减少手动搜索和整理的时间。
-
客户支持AI代理：
- 保留交互信息：客户支持机器人能够记住与用户的 previous 交互信息，从而提供更准确和上下文感知的帮助。
- 提高服务质量：通过记住用户的偏好和历史问题，AI代理能够更快地解决用户的问题，减少重复提问，提高客户满意度。
-
游戏AI NPC：
- 记住玩家选择：游戏中的AI NPC能够记住玩家的选择、策略和进度，从而动态适应游戏环境。
- 沉浸式体验：通过记住玩家的行为，AI NPC能够提供更加真实和沉浸的游戏体验。例如，NPC可以根据玩家的行为调整对话内容，提供更加真实的互动。
还有，AI记忆库的后期画像如何定位在以下功能：
-
实时记录：软件可能会通过摄像头、麦克风或其他传感器实时捕捉用户的所见所闻。
-
活动追踪：软件可以追踪用户的位置、移动轨迹、步数等，通过GPS或其他定位技术。
-
事件标记：用户可以手动标记重要事件或由软件自动检测特定事件（如会议开始、电话呼叫等）。
-
语音到文本：软件可以将用户的对话或周围的声音转换成文本，方便日后检索。
-
情感分析：通过分析用户的语音语调、表情或文本内容，软件可能能够记录用户的情绪变化。
-
健康监测：如果集成了健康监测工具，软件还可以追踪用户的心率、睡眠质量等健康数据。
-
数据整理：软件会将收集的数据整理成易于理解的格式，如时间线、日记条目或摘要。
-
搜索和回顾：用户可以轻松搜索和回顾记录的内容，软件可能会提供基于时间、地点或事件的筛选功能。
-
智能提醒：软件可以根据记录的内容提供智能提醒，比如提醒用户重要的日程或回忆特殊的日子。
-
数据存储：软件需要有足够的存储空间来保存大量的数据，并且可能需要云同步功能以便在不同设备间访问。
这样的软件可以用于多种目的，比如提高个人生产力、帮助记忆、记录生活故事或用于健康监测。然而，它也引发了关于隐私、数据安全和用户习惯的伦理和实践问题。
说明实现的代码是作者【黑金】业务需求经过采坑已经实现的，不是网上抄袭的。感兴趣的朋友可以加微信来聊。