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) 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。
(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
(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({})
(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。
(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。
(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
(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。
(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:
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!