011.LangChain 记忆类型解析：5 种方案对比与选型指南

山海紫穹

481人浏览 · 2025-11-12 09:37:12

山海紫穹 · 2025-11-12 09:37:12 发布

该教程旨在带大家从 0 起步，掌握用 Python 开发大模型应用的技能。若当前内容让你感到晦涩，可回溯本合集的前期文章，降低学习难度。

1. 为什么会出现多种记忆？

基础 ConversationBufferMemory 会原样保存所有消息
→ 轮数越多 token 越长，容易挤爆上下文窗口
需求分化

想硬控长度 → 窗口 / token 上限型
想不丢信息又省 token → 总结型
想近详远略 → 混合总结 + 原始型

2. 5 种记忆速览表

类型	存储内容	触发截断/压缩条件	优点	缺点	适用场景
ConversationBufferMemory	全部原始消息	无（手动截断）	零信息丢失	token 线性增长，易爆窗口	短对话、调试阶段
ConversationBufferWindowMemory	最近 K 轮（来回算 1 轮）	固定轮数 K	长度可控，永不过载	超 K 轮直接丢弃早期信息	聊天室、客服轮次有限
ConversationSummaryMemory	全程总结字符串	每轮结束后重新总结	远早于 Buffer 达到上限	总结耗 token，可能丢细节	长会话、会议纪要
ConversationSummaryBufferMemory	近期原始 + 远期总结	Max token 上限到达后，从最旧消息开始总结	近详远略，不丢早期主旨	总结仍耗 token	大多数生产场景首选
ConversationTokenBufferMemory	全部原始消息	Max token 数超了则丢弃最旧	直观对齐模型窗口单位	早期信息被硬截断	实时聊天、快速原型

轮 vs token 区别：

Window 数“来回对话”数量
Token 数真实 token 长度，与模型窗口一致

3. 快速体验代码（同一链，换 memory 即可）

from langchain.chains import ConversationChain
from langchain.memory import (
    ConversationBufferMemory,
    ConversationBufferWindowMemory,
    ConversationSummaryMemory,
    ConversationSummaryBufferMemory,
    ConversationTokenBufferMemory,
)
from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(model="deepseek-chat", temperature=0)

# ① 想测哪种，就换哪种 memory，因大模型不同，可支持的类型有所差异
memory = ConversationBufferWindowMemory(
    k=3,  # 只保留最近3轮对话
    return_messages=True
)

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

# ② 连续对话
print("=== 手动输入模式，q 退出 ===")
while True:
    q = input("\n你：").strip()
    if q.lower() == "q":
        break
    ans = chain.invoke({"input": q})["response"]
    print("助手：", ans)

观察 verbose 输出：