LangChain 实战：大模型对话记忆模块（附完整代码 + Web 案例）
目录
2.1 基础款：ConversationBufferMemory（完整记忆）
（1）ConversationBufferWindowMemory（窗口记忆）
（2）ConversationSummaryMemory（总结记忆）
三、实战 1：LangChain 记忆链（ConversationChain）
四、实战 2：Streamlit 搭建带记忆的聊天 Web 应用
前言：为什么需要对话记忆？
日常使用豆包、ChatGPT 等 AI 应用时，我们习以为常的「上下文记忆」功能（比如问完 “林俊杰是谁” 再问 “他的代表作”，AI 能精准理解），其实并非大模型原生自带 —— 直接调用大模型 API 时，每次请求都是独立的，模型只会基于当前输入的 Token 逐个预测回复，完全没有 “记忆” 能力，返回的也是包含原始格式的完整响应。
LangChain 作为大模型应用开发的核心框架，已经帮我们封装了对话记忆、Prompt 模板、链式调用等高频功能，无需手动解析原始 API 的复杂输出，也不用自己拼接上下文。
一、核心认知：原始 API vs LangChain 封装
1.1 原生 API 调用的痛点（无记忆）
直接调用大模型 API（即使是通义千问等兼容 OpenAI 接口的模型），每次请求都是 “一次性” 的，模型无法关联历史对话：
from openai import OpenAI import os # 初始化客户端（对接阿里云通义千问） client = OpenAI( api_key=os.getenv("DASHSCOPE_API_KEY"), base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", ) # 第一次提问：林俊杰是谁 completion1 = client.chat.completions.create( model="qwen3.5-plus", messages=[{"role":"user","content":"林俊杰是谁？"}] ) print("第一轮回复：", completion1.choices[0].message.content) # 第二次提问：他有哪些代表作（无上下文，模型无法识别"他"） completion2 = client.chat.completions.create( model="qwen3.5-plus", messages=[{"role":"user","content":"他有哪些代表作？"}] ) print("第二轮回复：", completion2.choices[0].message.content) 输出结果：第二轮回复会反问 “你说的他是谁？”，因为模型没有历史对话的记忆。
1.2 LangChain 的价值：封装记忆与简化调用
LangChain 的核心价值在于：
- 封装对话记忆模块，无需手动拼接上下文；
- 统一不同大模型的调用方式（OpenAI / 通义千问 / 讯飞等）；
- 提供链式调用能力，串联 “记忆→Prompt→模型→输出” 全流程；
- 自动处理响应格式，直接返回可读的回复内容。
二、LangChain 记忆模块核心组件
LangChain 提供了多种记忆类型，适配不同场景，核心均基于ConversationBufferMemory扩展：
| 记忆类型 | 核心逻辑 | 适用场景 |
|---|---|---|
ConversationBufferMemory | 保存所有对话历史，无长度限制 | 短对话、需要完整上下文的场景 |
ConversationBufferWindowMemory | 只保存最近k轮对话 | 只需要短期记忆、节省 Token 的场景 |
ConversationSummaryMemory | 将对话历史总结成文本 | 长对话、需要压缩上下文的场景 |
ConversationSummaryBufferMemory | 短对话保留原文，超长部分总结 | 兼顾细节和长度的长对话场景 |
ConversationTokenBufferMemory | 按 Token 数限制对话长度 | 严格控制上下文 Token 消耗的场景 |
2.1 基础款：ConversationBufferMemory（完整记忆）
最核心的记忆组件，保存所有对话历史，是其他记忆类型的基础：
from langchain.memory import ConversationBufferMemory # 初始化记忆（return_messages=True：以消息对象存储，更易复用） memory = ConversationBufferMemory(return_messages=True) # 保存第一轮对话 memory.save_context({"input": "我的名字是陆天宇"}, {"output": "你好，陆天宇！"}) # 保存第二轮对话 memory.save_context({"input": "我是AI开发者"}, {"output": "太酷了！我们是同行～"}) # 加载记忆（查看历史对话） print("记忆中的历史对话：") print(memory.load_memory_variables({})) 输出结果：
记忆中的历史对话： {'history': [HumanMessage(content='我的名字是陆天宇'), AIMessage(content='你好，陆天宇！'), HumanMessage(content='我是AI开发者'), AIMessage(content='太酷了！我们是同行～')]} 2.2 进阶款：窗口记忆与总结记忆
（1）ConversationBufferWindowMemory（窗口记忆）
只保留最近k轮对话，避免上下文过长：
from langchain.memory import ConversationBufferWindowMemory # k=1：只保留最近1轮对话 memory = ConversationBufferWindowMemory(k=1, return_messages=True) memory.save_context({"input": "名字是陆天宇"}, {"output": "你好"}) memory.save_context({"input": "是AI开发者"}, {"output": "同行"}) # 加载记忆（仅保留最后1轮） print(memory.load_memory_variables({})) # 输出：{'history': [HumanMessage(content='是AI开发者'), AIMessage(content='同行')]} （2）ConversationSummaryMemory（总结记忆）
将长对话总结为文本，大幅节省 Token：
from langchain.memory import ConversationSummaryMemory from langchain_openai import ChatOpenAI import os # 初始化模型（用于总结对话） model = ChatOpenAI( model="qwen3.5-plus", api_key=os.getenv("DASHSCOPE_API_KEY"), openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1" ) # 初始化总结记忆 memory = ConversationSummaryMemory(llm=model, return_messages=True) memory.save_context({"input": "名字是陆天宇，是AI开发者，专注NLP方向"}, {"output": "记住了你的信息～"}) # 加载记忆（已自动总结） print(memory.load_memory_variables({})) # 输出：{'history': [SystemMessage(content='陆天宇介绍自己是专注NLP方向的AI开发者，AI表示记住了相关信息。')]} 三、实战 1：LangChain 记忆链（ConversationChain）
ConversationChain是 LangChain 封装的 “记忆 + 模型” 组合链，无需手动保存 / 加载记忆，自动处理上下文：
from langchain.chains import ConversationChain from langchain_openai import ChatOpenAI from langchain.memory import ConversationBufferMemory import os # 1. 初始化模型 model = ChatOpenAI( model="qwen3.5-plus", api_key=os.getenv("DASHSCOPE_API_KEY"), openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1" ) # 2. 初始化记忆 memory = ConversationBufferMemory(return_messages=True) # 3. 创建记忆链（自动关联模型和记忆） chain = ConversationChain(llm=model, memory=memory) # 4. 第一轮对话 resp1 = chain.invoke({"input": "我的名字是陆天宇"}) print("AI回复1：", resp1["response"]) # 5. 第二轮对话（带上下文） resp2 = chain.invoke({"input": "你知道我的名字吗？"}) print("AI回复2：", resp2["response"]) 输出结果：
AI回复1： 你好，陆天宇！很高兴认识你～ AI回复2： 当然知道啦，你的名字是陆天宇呀 😊 四、实战 2：Streamlit 搭建带记忆的聊天 Web 应用
基于 Streamlit 快速实现带记忆的聊天界面，模仿 ChatGPT 交互：
4.1 项目结构
chat-app/ ├── app.py # 前端页面逻辑 └── scripts.py # 后端模型调用逻辑 4.2 后端逻辑（scripts.py）
from langchain.chains import ConversationChain from langchain_openai import ChatOpenAI def get_chat_response(prompt, memory, api_key): # 初始化模型 model = ChatOpenAI( model="qwen3.5-plus", openai_api_key=api_key, openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1" ) # 创建记忆链 chain = ConversationChain(llm=model, memory=memory) # 调用模型 response = chain.invoke({"input": prompt}) return response["response"] 4.3 前端逻辑（app.py）
import streamlit as st from langchain.memory import ConversationBufferMemory from scripts import get_chat_response # 页面配置 st.title("💬 带记忆的AI聊天助手") st.sidebar.title("配置") api_key = st.sidebar.text_input("阿里云API Key", type="password") # 初始化会话状态（保存记忆和消息） if "memory" not in st.session_state: st.session_state["memory"] = ConversationBufferMemory(return_messages=True) st.session_state["messages"] = [{"role": "ai", "content": "你好，我是你的AI助手～"}] # 渲染历史消息 for msg in st.session_state["messages"]: st.chat_message(msg["role"]).write(msg["content"]) # 处理用户输入 prompt = st.chat_input("请输入你的问题...") if prompt: if not api_key: st.warning("请先输入API Key！") st.stop() # 添加用户消息 st.session_state["messages"].append({"role": "human", "content": prompt}) st.chat_message("human").write(prompt) # 调用AI回复 with st.spinner("AI思考中..."): response = get_chat_response(prompt, st.session_state["memory"], api_key) # 添加AI消息 st.session_state["messages"].append({"role": "ai", "content": response}) st.chat_message("ai").write(response) 4.4 运行应用
# 安装依赖 pip install streamlit langchain langchain-openai # 运行应用 streamlit run app.py 运行后访问http://localhost:8501，即可体验带上下文记忆的聊天界面。
五、学习总结 & 避坑指南
5.1 核心知识点总结
- 记忆本质：LangChain 的记忆模块本质是 “保存对话历史→拼接上下文→传给模型” 的封装，核心解决大模型 “无状态” 的问题；
- 核心组件：
ConversationBufferMemory是基础，其他记忆类型均为其优化（窗口、总结、Token 限制）； - 链式调用：
ConversationChain自动关联 “记忆 + 模型”，无需手动保存 / 加载记忆，是最常用的简化方式； - 工程化：结合 Streamlit 可快速实现可视化应用，会话状态（
st.session_state）是保存跨刷新数据的核心。
5.2 避坑指南
- API Key 问题：避免硬编码 API Key，优先使用环境变量（
os.getenv）或前端输入； - 模型兼容问题：调用通义千问等非 OpenAI 模型时，需指定
openai_api_base，且模型名称要准确（如qwen3.5-plus）； - Token 计数报错：使用
ConversationSummaryBufferMemory/ConversationTokenBufferMemory时，需自定义get_num_tokens_from_messages函数（解决NotImplementedError）； - 会话状态丢失：Streamlit 应用中，记忆和消息必须存在
st.session_state中，否则刷新页面会丢失历史。
最后
LangChain 的记忆模块是大模型应用开发的核心基础，掌握不同记忆类型的适用场景，能大幅提升 AI 应用的交互体验。从手动实现记忆到封装链，再到前端可视化，一套完整的学习路径能帮助我们快速落地实际应用。后续可进一步学习记忆的持久化（保存到数据库）、多轮对话总结优化等进阶内容。
