一、前言

• 上下文記憶（Contextual Memory）解決方案的作用：
  • 提升 AI（尤其是大語言模型，LLM）的對話連貫性和個性化。
• 本文將介紹幾個主流的實現方式。

---

二、🧠 什么是上下文記憶？

• 在對話系統中，上下文記憶的目標是讓模型記住：
  • 你過去說過什么（對話歷史）
  • 你的一些偏好/背景（長期記憶）
  • 你最近的意圖（短期記憶）

---

三、? 實現方案一：對話歷史拼接（最基礎）

描述：將所有之前的對話作為 prompt 的一部分，一起傳給模型。

示例：

history = [{"role": "user", "content": "我叫小明"},{"role": "assistant", "content": "你好，小明"},{"role": "user", "content": "我喜歡籃球"}
]
new_input = {"role": "user", "content": "我最喜歡的球星是誰？"}messages = history + [new_input]
response = llm.chat(messages=messages)

缺點：token長度易爆；對長時間記憶力弱。

---

四、? 實現方案二：嵌入向量 + 檢索記憶（RAG + Memory）

描述：

• 將用戶歷史對話或知識用向量化方式存入向量數據庫；
• 后續查詢時根據當前問題檢索“相關記憶”，再加到 prompt 里。

結構：

當前用戶輸入 → 嵌入查詢 → 找相關記憶 → 構造 prompt → LLM回答

示例步驟：

• 1.用戶說：“我住在北京”
• 2.你將這句話嵌入并存入向量庫（如 Weaviate）
• 3.用戶說：“最近北京天氣咋樣？”
• 4.向量檢索出“我住在北京”這一記憶，構造 prompt：

記憶：你住在北京
問題：最近北京天氣咋樣？

---

五、? 實現方案三：顯式記憶管理框架（如 mem0 / LangChain）

描述：使用專門的“記憶管理器”

• 自動保存每輪對話為 memory
• 檢索、插入相關 memory
• 支持短期、長期、多用戶等場景

示例：偽代碼

memory = Memory()
memory.add(messages, user_id="user1")# 下一輪輸入
relevant_memory = memory.search("北京天氣")
prompt = format_prompt(relevant_memory, user_input)
response = llm.call(prompt)

---

六、? Demo：簡單聊天機器人，帶上下文記憶

1,技術棧：Python、OpenAI、Mem0（上下文記憶實現框架）

2.📦 安裝依賴（確保你安裝了 mem0 和 openai）：

pip install mem0 openai

• （?? 注意：mem0 目前默認支持 OpenAI，你可以手動適配 DashScope 等其他 LLM）

3.📁 文件：mem0_chat_demo.py

from mem0 import Memory
import openai
import os# ? 設置 API key
openai.api_key = os.getenv("OPENAI_API_KEY") or "sk-xxx"  # 替換為你的 OpenAI Key# ? 初始化 memory 管理器（默認使用 OpenAI Chat 和 Embedding）
memory = Memory()# ? 聊天方法：結合歷史記憶生成回復
def chat_with_memory(user_input, user_id="user1"):# 1?? 檢索相關歷史記憶（最近與本輪問題相似的歷史記錄）relevant = memory.search(user_input, user_id=user_id)memories_str = "\n".join([f"- {r['memory']}" for r in relevant["results"]])# 2?? 構造提示詞 prompt：加入歷史“記憶”+當前輸入system_prompt = f"""
你是一個有記憶的智能助手，請根據以下用戶記憶回答問題：
用戶記憶：
{memories_str}
"""messages = [{"role": "system", "content": system_prompt.strip()},{"role": "user", "content": user_input}]# 3?? 向 LLM 發起請求response = openai.ChatCompletion.create(model="gpt-3.5-turbo",messages=messages)answer = response.choices[0].message.content# 4?? 添加對話內容進 memorymessages.append({"role": "assistant", "content": answer})memory.add(messages, user_id=user_id)return answer# ? 啟動交互
if __name__ == "__main__":print("開始對話（輸入 'exit' 退出）")while True:user_input = input("你：")if user_input.lower() == "exit":breakreply = chat_with_memory(user_input)print(f"AI：{reply}")

4.🔍 Demo 解讀

• （1）?? 上下文記憶體現在哪？
  • 使用 memory.search(user_input) 從過往對話中檢索與當前輸入 最相關的內容
  • 使用 memory.add(messages) 保存本輪的對話內容
  • 模型不僅根據當前提問回答，還會利用“過去的你說過的話”，這就是“記憶”
• （2）🔁 示例對話：

你：我喜歡籃球
AI：好的，我記住了你喜歡籃球。
你：我最喜歡的球星是誰？
AI：你可能最喜歡的球星是籃球相關的，例如科比或詹姆斯。tag: 即使你沒說球星是誰，模型可以結合“你喜歡籃球”的歷史信息做推理。

• （3）?? 提示詞 Prompt 如何構建的？

你是一個有記憶的智能助手，請根據以下用戶記憶回答問題：
用戶記憶：
- 我喜歡籃球
- 我的城市是北京

• 這種方式稱為：增強提示詞（prompt augmentation）；
• 通過把 memory 拼接進 prompt，引導模型在更具上下文的條件下回答問題。

小總結

要素	實現方式
記憶存儲	memory.add(messages)
記憶檢索	memory.search(user_input)
提示詞構建	把相關記憶拼接進 system prompt
LLM 響應生成	用拼接后的 prompt 交給 OpenAI 的 Chat 模型處理

---

七、方案選擇建議 / 總結

適用場景	方案
簡單對話	拼接歷史 messages
長對話、知識 Q&A	向量數據庫 + RAG
多用戶、多記憶管理	mem0 / LangChain Memory

• 上下文記憶實現本質是解決 模型無法長期記憶的問題，常見方法包括：
  • Prompt 拼接
  • 向量數據庫檢索（RAG）
  • 顯式框架（如 mem0, LangChain Memory）