本文主要是介绍记忆的力量:使用Langchain为AI助手添加持久记忆,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
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 redisclass 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, AIMessagedef 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_instanceexcept 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 IDchat_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.llMmodelwrapped_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.messagesself.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() returnexcept 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。
这篇关于记忆的力量:使用Langchain为AI助手添加持久记忆的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!