【langchain——对话链+记忆模块】通过代码构造可多轮会话，自动调整记忆长度的基于知识库检索的购物推荐智能体搭建

1、前言

解决langchain搭建的智能体多轮会话中的记忆连接不连贯的问题

2、记忆模块的种类（常见3种）

调用的包名：from langchain_classic.memory import xxx

名称	优缺点	使用函数
ConversationBufferMemory	保留完整的对话上下文，实现简单适合短对话，随着对话增长会占用大量token	ConversationBufferMemory()
ConversationBufferWindowMemory	只保留最近K次的会话，控制内存使用，会丢失早期的对话历史	ConversationBufferWindowMemory(k=2)
ConversationSummaryBufferMemory	保留最近详细对话+早期摘要，实现相对复杂	ConversationSummaryBufferMemory(llm=llm,max_token_limit=1000)

3、对话链的两种包

from langchain_classic.chains.conversation.baseimportxxx

名称	优缺点	调用方法
ConversationChain	适用于通用对话场景	ConversationChain(llm=llm, prompt=PromptTemplate.from_template(“xxxx”),verbose=True, memory=window_memory)
RetrievalQAWithSourcesChain	适用于基于知识库问答，调包：from langchain_classic.chains import RetrievalQAWithSourcesChain	RetrievalQAWithSourcesChain.from_chain_type(llm=llm,chain_type=“stuff”, retriever=retriever,memory=memory, return_source_documents=True)

补充：

RetrievalQAWithSourcesChain下的chain_type有四种类型，如下表格：

chain_type类型	具体作用
stuff	将所有文档内容放入上下文
map_reduce	先单独处理每个文档，再汇总
refine	迭代式优化答案
map_rerank	对每个文档打分再选择

为上一节的电商推荐模块转变为对话链的方式

fromlangchain_classic.chainsimportLLMChainfromlangchain_classic.chains.conversation.baseimportConversationChain window_memory=ConversationBufferWindowMemory(k=5)extract_product_name=ConversationChain(llm=llm,prompt=PromptTemplate.from_template("你是一个专业提取用户需求的助手，能够提取用户input中的最新需求并结合历史聊天记录chat_history里面想要的商品名称。例如：我想买花露水 -> 花露水,如果用户指定品牌或者价格，请注明品牌名称（老白健康也是牌子）。例如：（历史说想买牛奶）我想买蒙牛的。-> 牛奶（蒙牛）。直接输出最终商品名称即可，严禁多于废话。input为{input}, 历史为{history}"),verbose=True,memory=window_memory)introduct_products=ConversationChain(llm=llm,prompt=PromptTemplate.from_template("请结合用户需求，和在知识库中检索出来的商品列表，挑选最符合的商品推荐给用户，输出格式为："\"为您推荐xx个商品，第一款为xxx,该商品xxxx，第二款为xxx，该商品xxxx。卖点根据商品名称自己联网进行补充推荐给用户。注意：当用户说换一批需要避开历史中推荐过的商品，需要推荐满足历史中用户想买的商品且不同品牌的进行推荐，例如：历史用户说牛奶，那必须现在推荐牛奶相关的商品。商品列表为{input}, 历史：{history}"),verbose=True,memory=window_memory)whileTrue:user_input=input("\n💬 请输入你的需求：").strip()print("***********************************************************")print("memory:",window_memory)print("***********************************************************")ifuser_input.lower()in["退出","exit","quit","q","退下吧"]:print("👋 再见！")breakextract_result=extract_product_name.predict(input=user_input)print("extract_result:",extract_result)products_list=Weight_hunhe_search(extract_result,vector_weight=0.7,bm25_weight=0.3,k=10)answer=introduct_products.predict(input=f'{products_list}')#.invoke({"input":f'{user_input}',"product_list":f'{products_list}', "history":f"{window_memory}"})['text']print("answer:",answer)