拆解LangChain的大模型记忆方案

langchain · 浏览次数 : 0

小编点评

本文主要介绍了如何使用LangChain为大型语言模型（LLM）安装记忆，包括对话链（ConversationChain）和消息占位符（MessagesPlaceholder）的概念、使用方法和相关概念。 1. **安装记忆的原理**：介绍了安装记忆的核心步骤，包括在对话前获取历史消息、将历史消息填充到提示中以及对话结束后保存历史消息到内存中等。 2. **常规使用方法的弊端**：指出了手动编写实现上述步骤的繁琐性，并强调了LangChain提供的封装方法可以简化开发过程。 3. **记忆的种类**：解释了短时记忆和长时记忆的区别，并以ConversationBufferMemory为例，展示了如何快速安装短期记忆。 4. **给LLM安装记忆 — 非MessagesPlaceholder**：详细说明了如何使用ConversationBufferMemory作为短期记忆的组件，并提供了一个示例。 5. **给LLM安装记忆 — MessagesPlaceholder**：讨论了MessagesPlaceholder的使用场景，特别是在ChatPromptTemplate模式下的应用，以及如何通过它来处理历史消息。 6. **使用对话链ConversationChain**：介绍了ConversationChain的使用方法，它提供了更简化的流程来初始化记忆和构建提示。 7. **ConversationBufferMemory**：解释了ConversationBufferMemory的参数和使用规则，包括memory_key的概念。 8. **MessagesPlaceholder的使用场景**：描述了MessagesPlaceholder在Prompt中的作用，以及它在构建复杂Prompt时的灵活性。 9. **总结**：总结了本文的主要内容，包括LangChain的安装记忆方案、ConversationChain和MessagesPlaceholder的使用，以及它们的原理和优势。总的来说，本文提供了一种简便的方法来为LLM安装记忆，通过封装和抽象化操作，降低了开发难度，同时提高了效率。

正文

之前我们聊过如何使用LangChain给LLM（大模型）装上记忆，里面提到对话链ConversationChain和MessagesPlaceholder，可以简化安装记忆的流程。下文来拆解基于LangChain的大模型记忆方案。

1. 安装记忆的原理

1.1. 核心步骤

给LLM安装记忆的核心步骤就3个：

在对话之前调取之前的历史消息。
将历史消息填充到Prompt里。
对话结束后，继续将历史消息保存到到memory记忆中。

1.2. 常规使用方法的弊端

了解这3个核心步骤后，在开发过程中，就需要手动写代码实现这3步，这也比较麻烦，不仅代码冗余，而且容易遗漏这些模板代码。

为了让开发者聚焦于业务实现，LangChain贴心地封装了这一整套实现。使用方式如下。

2. 记忆的种类

记忆分为短时记忆和长时记忆。

在LangChain中使用ConversationBufferMemory作为短时记忆的组件，实际上就是以键值对的方式将消息存在内存中。

如果碰到较长的对话，一般使用ConversationSummaryMemory对上下文进行总结，再交给大模型。或者使用ConversationTokenBufferMemory基于固定的token数量进行内存刷新。

如果想对记忆进行长时间的存储，则可以使用向量数据库进行存储（比如FAISS、Chroma等），或者存储到Redis、Elasticsearch中。

下面以ConversationBufferMemory为例，对如何快速安装记忆做个实践。

3. 给LLM安装记忆 — 非MessagesPlaceholder

3.1. ConversationBufferMemory使用示例

使用ConversationBufferMemory进行记住上下文：

memory = ConversationBufferMemory()
memory.save_context(
    {"input": "你好，我的名字是半支烟，我是一个程序员"}, {"output": "你好，半支烟"}
)
memory.load_memory_variables({})

3.2. LLMChain+ConversationBufferMemory使用示例

# prompt模板
template = """
你是一个对话机器人，以下<history>标签中是AI与人类的历史对话记录，请你参考历史上下文，回答用户输入的问题。

历史对话:
<history>
{customize_chat_history}
</history>

人类:{human_input}
机器人:

"""

prompt = PromptTemplate(
    template=template,
    input_variables=["customize_chat_history", "human_input"],
)
memory = ConversationBufferMemory(
    memory_key="customize_chat_history",
)
model = ChatOpenAI(
    model="gpt-3.5-turbo",
)

chain = LLMChain(
    llm=model,
    memory=memory,
    prompt=prompt,
    verbose=True,
)

chain.predict(human_input="你知道我的名字吗？")

# chain.predict(human_input="我叫半支烟，我是一名程序员")

# chain.predict(human_input="你知道我的名字吗？")

此时，已经给LLM安装上记忆了，免去了我们写那3步核心的模板代码。

对于PromptTemplate使用以上方式，但ChatPromptTemplate因为有多角色，所以需要使用MessagesPlaceholder。具体使用方式如下。

4. 给LLM安装记忆 — MessagesPlaceholder

MessagesPlaceholder主要就是用于ChatPromptTemplate场景。ChatPromptTemplate模式下，需要有固定的格式。

4.1. PromptTemplate和ChatPromptTemplate区别

ChatPromptTemplate主要用于聊天场景。ChatPromptTemplate有多角色，第一个是System角色，后续的是Human与AI角色。因为需要有记忆，所以之前的历史消息要放在最新问题的上方。

4.2. 使用MessagesPlaceholder安装

最终的ChatPromptTemplate + MessagesPlaceholder代码如下：

chat_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个乐于助人的助手。"),
        MessagesPlaceholder(variable_name="customize_chat_history"),
        ("human", "{human_input}"),
    ]
)

memory = ConversationBufferMemory(
    memory_key="customize_chat_history",
    return_messages=True,
)
model = ChatOpenAI(
    model="gpt-3.5-turbo",
)

chain = LLMChain(
    llm=model,
    memory=memory,
    prompt=chat_prompt,
    verbose=True,
)

chain.predict(human_input="你好，我叫半支烟，我是一名程序员。")

至此，我们使用了ChatPromptTemplate简化了构建prompt的过程。

5. 使用对话链ConversationChain

如果连ChatPromptTemplate都懒得写了，那直接使用对话链ConversationChain，让一切变得更简单。实践代码如下：

memory = ConversationBufferMemory(
    memory_key="history",  # 此处的占位符必须是history
    return_messages=True,
)
model = ChatOpenAI(
    model="gpt-3.5-turbo",
)

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

chain.predict(input="你好，我叫半支烟，我是一名程序员。")  # 此处的变量必须是input

ConversationChain提供了包含AI角色和人类角色的对话摘要格式。ConversationChain实际上是对Memory和LLMChain和ChatPrompt进行了封装，简化了初始化Memory和构建ChatPromptTemplate的步骤。

6. ConversationBufferMemory

6.1. memory_key

ConversationBufferMemory有一个入参是memory_key，表示内存中存储的本轮对话的键，后续可以根据键找到对应的值。

6.2. 使用"chat_history"还是"history"

ConversationBufferMemory的memory_key，有些资料里是设置是memory_key="history"，有些资料里是"chat_history"。

这里有2个规则，如下：

在使用MessagesPlaceholder和ConversationBufferMemory时，MessagesPlaceholder的variable_name和ConversationBufferMemory的memory_key可以自定义，只要相同就可以。比如这样：

chat_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个乐于助人的助手。"),
        MessagesPlaceholder(variable_name="customize_chat_history"),
        ("human", "{input}"),
    ]
)

memory = ConversationBufferMemory(
    memory_key="customize_chat_history",  # 此处的占位符可以是自定义
    return_messages=True,
)
model = ChatOpenAI(
    model="gpt-3.5-turbo",
)

chain = ConversationChain(
    llm=model,
    memory=memory,
    prompt=chat_prompt,
    verbose=True,
)

chain.predict(input="你好，我叫半支烟，我是一名程序员。")  # 此处的变量必须是input

如果只是使用ConversationChain，又没有使用MessagesPlaceholder的场景下，ConversationBufferMemory的memory_key，必须用history。

7. MessagesPlaceholder的使用场景

MessagesPlaceholder其实就是在与AI对话过程中的Prompt的一部分，它代表Prompt中的历史消息这部分。它提供了一种结构化和可配置的方式来处理这些消息列表，使得在构建复杂Prompt时更加灵活和高效。

说白了它就是个占位符，相当于把从memory读取的历史消息插入到这个占位符里了。

比如这样，就可以表示之前的历史对话消息：

chat_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个乐于助人的助手。"),
        MessagesPlaceholder(variable_name="customize_chat_history"),
        ("human", "{human_input}"),
    ]
)

是否需要使用MessagesPlaceholder，记住2个原则：

PromptTemplate类型的模板，无需使用MessagesPlaceholder
ChatPromptTemplate 类型的聊天模板，需要使用MessagesPlaceholder。但是在使用ConversationChain时，可以省去创建ChatPromptTemplate的过程（也可以不省去）。省去和不省去在输出过程中有些区别，如下：

8. 总结

本文主要聊了安装记忆的基本原理、快速给LLM安装记忆、ConversationBufferMemory、MessagesPlaceholder的使用、对话链ConversationChain的使用和原理。希望对你有帮助！

=====>>>>>> 关于我 <<<<<<=====

本篇完结！欢迎点赞关注收藏！！！

原文链接：https://mp.weixin.qq.com/s/cRavfyu--AjBOO3-1aY0UA