聊天记忆

大型语言模型(LLMs)是无状态的,这意味着它们不会保留关于之前交互的信息。当您希望跨多次交互保持上下文或状态时,这可能会成为一个限制。为了解决这一问题,Spring AI 提供了聊天记忆功能,允许您在与 LLM 的多次交互中存储和检索信息。

ChatMemory 抽象层 让您能够实现多种类型的内存以支持不同的应用场景。消息的底层存储由 ChatMemoryRepository 处理,其唯一职责是存储检索消息ChatMemory 的实现则需决定保留哪些消息以及何时删除它们。策略示例包括保留最近的 N 条消息、保留特定时间段内的消息,或保留至某一令牌上限的消息。

在选择记忆类型之前,理解聊天记忆与聊天历史之间的区别至关重要。

  • 聊天记忆。大型语言模型在对话过程中保留并用于维持上下文意识的信息。
  • 聊天历史。完整的对话记录,包括用户与模型之间交换的所有消息。

ChatMemory 抽象层旨在管理聊天记忆,它允许您存储和检索与当前对话上下文相关的消息。然而,它并非存储完整聊天历史的最佳选择。若需保留所有交换消息的完整记录,您应考虑采用其他方法,例如依赖 Spring Data 以实现高效存储与检索完整的聊天历史。

快速入门(Quick Start)

Spring AI 自动配置了一个 ChatMemory Bean,您可以直接在应用程序中使用。默认情况下,它使用内存存储库来保存消息InMemoryChatMemoryRepository,并通过 MessageWindowChatMemory 实现来管理对话历史。如果已经配置了不同的存储库(例如 Cassandra、JDBC 或 Neo4j),Spring AI 则会使用该存储库。

@Autowired
ChatMemory chatMemory;

接下来的章节将详细介绍 Spring AI 中不同的内存类型及其存储库。

内存类型(Memory Types)

ChatMemory 抽象化允许您实现多种类型的内存以适应不同的使用场景。内存类型的选择能显著影响应用程序的性能和行为。本节将介绍 Spring AI 提供的内置内存类型及其特性。

消息窗口聊天记忆(Message Window Chat Memory)

MessageWindowChatMemory 维护着一个指定最大容量的消息窗口。当消息数量超过最大值时,较旧的消息会被移除,但系统消息会被保留。默认的窗口大小为 20 条消息。

MessageWindowChatMemory memory = MessageWindowChatMemory.builder()
    .maxMessages(10)
    .build();

这是 Spring AI 用于自动配置 ChatMemory Bean 的默认消息类型。

内存存储(Memory Storage)

Spring AI 提供了 ChatMemoryRepository 抽象层用于存储聊天记忆。本节将介绍 Spring AI 内置的存储库及其使用方法,但如有需要,您也可以自行实现自定义的存储库。

内存存储库(In-Memory Repository)

InMemoryChatMemoryRepository 利用 ConcurrentHashMap 在内存中存储消息。

默认情况下,如果未配置其他存储库,Spring AI 会自动配置一个类型为 InMemoryChatMemoryRepositoryChatMemoryRepository bean,您可以直接在应用程序中使用它。

@Autowired
ChatMemoryRepository chatMemoryRepository;

如果您更愿意手动创建 InMemoryChatMemoryRepository,可以按照以下方式进行:

ChatMemoryRepository repository = new InMemoryChatMemoryRepository();
JdbcChatMemoryRepository

JdbcChatMemoryRepository 是一个内置实现,它利用 JDBC 将消息存储在关系数据库中。该实现支持多种数据库,开箱即用,非常适合需要持久化存储聊天记录的应用场景。

请将以下依赖项添加到项目的 Maven pom.xml文件中:

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-chat-memory-repository-jdbc</artifactId>
</dependency>

或者,在你的 Gradle 构建文件 build.gradle 中添加:

dependencies {
    implementation 'org.springframework.ai:spring-ai-starter-model-chat-memory-repository-jdbc'
}

Spring AI 为 JdbcChatMemoryRepository 提供了自动配置,您可以直接在应用程序中使用它。

@Autowired
JdbcChatMemoryRepository chatMemoryRepository;

ChatMemory chatMemory = MessageWindowChatMemory.builder()
    .chatMemoryRepository(chatMemoryRepository)
    .maxMessages(10)
    .build();

如果您更倾向于手动创建 JdbcChatMemoryRepository,可以通过提供一个 JdbcTemplate 实例和一个 JdbcChatMemoryRepositoryDialect 来实现:

ChatMemoryRepository chatMemoryRepository = JdbcChatMemoryRepository.builder()
    .jdbcTemplate(jdbcTemplate)
    .dialect(new PostgresChatMemoryDialect())
    .build();

ChatMemory chatMemory = MessageWindowChatMemory.builder()
    .chatMemoryRepository(chatMemoryRepository)
    .maxMessages(10)
    .build();

支持的数据库与方言抽象

Spring AI 通过方言抽象支持多种关系型数据库。以下数据库已内置支持:

  • PostgreSQL
  • MySQL / MariaDB
  • SQL Server
  • HSQLDB

使用 JdbcChatMemoryRepositoryDialect.from (DataSource) 时,JDBC URL 中的正确方言可被自动识别。通过实现 JdbcChatMemoryRepositoryDialect 接口,您可以扩展对其他数据库的支持。

配置属性(Configuration Properties)

属性 描述 默认值
spring.cassandra.contactPoints 用于初始化集群发现的主机地址 127.0.0.1
spring.cassandra.port 连接的Cassandra原生协议端口 9042
spring.cassandra.localDatacenter 要连接的Cassandra数据中心 datacenter1
spring.ai.chat.memory.cassandra.time-to-live Cassandra中写入消息的生存时间(TTL)
spring.ai.chat.memory.cassandra.keyspace Cassandra键空间 springframework
spring.ai.chat.memory.cassandra.messages-column 存储消息的Cassandra列名 springframework
spring.ai.chat.memory.cassandra.table Cassandra表名 ai_chat_memory
spring.ai.chat.memory.cassandra.initialize-schema 是否在启动时初始化schema true
Schema 初始化

自动配置将自动创建 ai_chat_memory 表。

您可以通过将属性 spring.ai.chat.memory.repository.cassandra.initialize-schema 设置为 ‘false‘ 来禁用模式初始化。

Neo4j ChatMemoryRepository

Neo4jChatMemoryRepository 是一个内置实现,它利用 Neo4j 将聊天消息作为节点和关系存储在属性图数据库中。它适用于那些希望利用 Neo4j 的图功能来实现聊天记忆持久化的应用程序。

请将以下依赖项添加到项目的 Maven pom.xml文件中:

<dependency>
    <groupId>org.springframework.ai</groupId>
    <artifactId>spring-ai-starter-model-chat-memory-repository-neo4j</artifactId>
</dependency>

或者,在你的 Gradle 构建文件 build.gradle 中添加:

dependencies {
    implementation 'org.springframework.ai:spring-ai-starter-model-chat-memory-repository-neo4j'
}

Spring AI 为 Neo4jChatMemoryRepository 提供了自动配置,您可以直接在应用程序中使用它。

@Autowired
Neo4jChatMemoryRepository chatMemoryRepository;

ChatMemory chatMemory = MessageWindowChatMemory.builder()
    .chatMemoryRepository(chatMemoryRepository)
    .maxMessages(10)
    .build();

如果您更倾向于手动创建 Neo4jChatMemoryRepository,可以通过提供一个 Neo4j Driver 实例来实现:

ChatMemoryRepository chatMemoryRepository = Neo4jChatMemoryRepository.builder()
    .driver(driver)
    .build();

ChatMemory chatMemory = MessageWindowChatMemory.builder()
    .chatMemoryRepository(chatMemoryRepository)
    .maxMessages(10)
    .build();

配置属性(Configuration Properties)

属性 描述 默认值
spring.ai.chat.memory.repository.neo4j.sessionLabel 存储会话的节点标签 Session
spring.ai.chat.memory.repository.neo4j.messageLabel 存储消息的节点标签 Message
spring.ai.chat.memory.repository.neo4j.toolCallLabel 存储工具调用的节点标签(如在助手消息中) ToolCall
spring.ai.chat.memory.repository.neo4j.metadataLabel 存储消息元数据的节点标签 Metadata
spring.ai.chat.memory.repository.neo4j.toolResponseLabel 存储工具响应的节点标签 ToolResponse
spring.ai.chat.memory.repository.neo4j.mediaLabel 存储消息关联媒体的节点标签 Media
索引初始化

Neo4j 仓库将自动确保为对话 ID 和消息索引创建优化性能的索引。若使用自定义标签,这些标签的索引也将被创建。无需进行模式初始化,但需确保您的应用程序能够访问 Neo4j 实例。

聊天客户端中的记忆功能(Memory in Chat Client)

使用 ChatClient API 时,您可以提供一个 ChatMemory 实现,以在多次交互中维护对话上下文。

Spring AI 提供了几个内置的 Advisor,您可以根据需要用来配置 ChatClient 的内存行为。

  • MessageChatMemoryAdvisor。此顾问利用提供的 ChatMemory 实现来管理对话记忆。在每次互动中,它会从记忆中检索对话历史,并将其作为一系列消息包含在提示中。
  • PromptChatMemoryAdvisor(提示聊天记忆顾问)。该顾问通过提供的 ChatMemory 实现来管理对话记忆。每次交互时,它会从记忆中检索对话历史,并将其以纯文本形式附加到系统提示中。
  • VectorStoreChatMemoryAdvisor。该顾问利用提供的 VectorStore 实现来管理对话记忆。每次交互时,它都会从向量存储中检索对话历史,并将其作为纯文本附加到系统消息中。

例如,若您希望将 MessageWindowChatMemoryMessageChatMemoryAdvisor 结合使用,可按如下方式配置:

ChatMemory chatMemory = MessageWindowChatMemory.builder().build();

ChatClient chatClient = ChatClient.builder(chatModel)
    .defaultAdvisors(MessageChatMemoryAdvisor.builder(chatMemory).build())
    .build();

在调用 ChatClient 时,内存将由 MessageChatMemoryAdvisor 自动管理。根据指定的会话 ID,会话历史将从内存中检索出来:

String conversationId = "007";

chatClient.prompt()
    .user("Do I have license to code?")
    .advisors(a -> a.param(ChatMemory.CONVERSATION_ID, conversationId))
    .call()
    .content();

PromptChatMemoryAdvisor

自定义模板

PromptChatMemoryAdvisor 采用默认模板来增强系统消息,结合检索到的对话记忆。您可以通过.promptTemplate () 构建器方法,提供自定义的 PromptTemplate 对象,以此个性化这一行为。

自定义的 PromptTemplate 可以使用任何 TemplateRenderer 实现(默认情况下,它使用基于 StringTemplate 引擎的 StPromptTemplate)。重要的要求是模板必须包含以下两个占位符:

  • 一个instructions占位符,用于接收原始系统消息。
  • 一个memory占位符,用于接收检索到的对话记忆。

VectorStoreChatMemoryAdvisor

自定义模板

VectorStoreChatMemoryAdvisor 采用默认模板来增强系统消息,结合检索到的对话记忆。您可以通过 .promptTemplate () 构建器方法提供自定义的 PromptTemplate 对象,以定制这一行为。

自定义的 PromptTemplate 可以使用任何 TemplateRenderer 实现(默认情况下,它使用基于 StringTemplate 引擎的 StPromptTemplate)。重要的要求是模板必须包含以下两个占位符:

  • 一个instructions占位符,用于接收原始系统消息。
  • 一个memory占位符,用于接收检索到的对话记忆。

Memory in Chat Model

如果您直接与 ChatModel 而非 ChatClient 合作,您可以显式地管理内存:

// Create a memory instance
ChatMemory chatMemory = MessageWindowChatMemory.builder().build();
String conversationId = "007";

// First interaction
UserMessage userMessage1 = new UserMessage("My name is James Bond");
chatMemory.add(conversationId, userMessage1);
ChatResponse response1 = chatModel.call(new Prompt(chatMemory.get(conversationId)));
chatMemory.add(conversationId, response1.getResult().getOutput());

// Second interaction
UserMessage userMessage2 = new UserMessage("What is my name?");
chatMemory.add(conversationId, userMessage2);
ChatResponse response2 = chatModel.call(new Prompt(chatMemory.get(conversationId)));
chatMemory.add(conversationId, response2.getResult().getOutput());

// The response will contain "James Bond"
作者:Jeebiz  创建时间:2025-08-03 23:47
最后编辑:Jeebiz  更新时间:2025-08-31 23:07