在 LangChain 框架中，ConversationBufferMemory 是最基础、最常用的短期记忆（会话记忆）组件之一。它将整个对话历史以原始文本形式保存在内存中，并在每次调用 LLM 时自动将其注入到提示词（prompt）中，从而让模型“记住”之前的对话内容。

---

一、什么是 ConversationBufferMemory？

• 作用：缓存完整的对话历史（用户输入 + AI 回复），作为上下文传递给大模型。
• 存储位置：内存中（非持久化） → 属于短期记忆，程序重启后丢失。
• 适用场景：单次会话内的多轮对话（如聊天机器人）。
• 特点：简单、高效，但随着对话变长，会占用更多 token，可能超出模型上下文长度限制。

---

二、基本使用方法

步骤概览：

1. 导入所需模块
2. 创建 ConversationBufferMemory
3. 构建 LLMChain 或 ConversationChain
4. 调用 .predict() 或 .invoke() 进行多轮对话

---

 示例代码（使用 ConversationChain）

from langchain_community.llms import Ollama
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 1. 初始化 LLM（这里以本地 Ollama 的 qwen3 为例）
llm = Ollama(model="qwen3:8b")

# 2. 创建短期记忆对象
memory = ConversationBufferMemory()

# 3. 构建带记忆的对话链
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True  # 打印内部 prompt，便于调试
)

# 4. 多轮对话
response1 = conversation.predict(input="你好！我叫小明。")
print("AI:", response1)

response2 = conversation.predict(input="你还记得我的名字吗？")
print("AI:", response2)

三、与 LLMChain 手动集成（更灵活）

如果不想用 ConversationChain，也可以手动将 ConversationBufferMemory 与 LLMChain 结合：

from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langchain.memory import ConversationBufferMemory
from langchain_community.llms import Ollama


# 初始化 LLM（这里以本地 Ollama 的 qwen3 为例）
llm = Ollama(model="qwen3:8b")

# 自定义提示模板
template = """你是一个友好的助手。
以下是之前的对话记录：
{history}

现在人类说：{input}
请回答："""

prompt = PromptTemplate(
    input_variables=["history", "input"],
    template=template
)

# 创建带记忆的 LLMChain
llm_chain = LLMChain(
    llm=llm,
    prompt=prompt,
    memory=ConversationBufferMemory(memory_key="history")  # 关键：绑定 memory_key
)

# 对话
print(llm_chain.invoke({"input": "我最喜欢的颜色是蓝色"}))
print(llm_chain.invoke({"input": "我刚才说我喜欢什么颜色？"}))

 新版代码（使用 LCEL + RunnableWithMessageHistory + InMemoryChatMessageHistory）

示例1

from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_ollama import ChatOllama

# 初始化模型
llm = ChatOllama(model="qwen3:8b", base_url="http://localhost:11434")

# 构建带历史占位符的 prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}")
])

chain = prompt | llm

# 全局会话存储（仅用于单机测试！）
store = {}


def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]


# 封装带历史的链
chain_with_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)

# 测试：使用相同 session_id
config = {"configurable": {"session_id": "user_532"}}

print(chain_with_history.invoke({"input": "我叫小红"}, config).content)
print(chain_with_history.invoke({"input": "我刚才说我叫什么？"}, config).content)

对比：新旧写法差异

功能	旧写法（已弃用）	新写法（推荐）
链构建	LLMChain(llm=..., prompt=...)	prompt | llm
记忆管理	ConversationBufferMemory()	RunnableWithMessageHistory(...)
历史存储	内存字符串（无结构）	BaseChatMessageHistory（结构化消息）
多用户支持	❌ 不支持	✅ 原生支持（通过 session_id）
持久化	需 hack	✅ 直接换 RedisChatMessageHistory 即可
兼容 ChatModel	有限（需转换）	✅ 原生支持

 如果你仍想用 ConversationBufferMemory（临时方案）

虽然不推荐，但如果你只是本地测试、不想改太多代码，可以 暂时忽略警告（在 v1.0 前仍能运行）：

import warnings
from langchain._api import LangChainDeprecationWarning

# 忽略弃用警告（仅用于开发/学习）
warnings.filterwarnings("ignore", category=LangChainDeprecationWarning)

# 然后继续使用你的旧代码...

问题	解决方案
LLMChain 弃用	改用 prompt | llm（LCEL）
ConversationBufferMemory 弃用	改用 RunnableWithMessageHistory + InMemoryChatMessageHistory（或 Redis/SQL）
想保留短期记忆功能	新架构完全支持，且更强大、更清晰

示例2

from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_ollama import ChatOllama

# 初始化模型
llm = ChatOllama(model="qwen3:8b", base_url="http://localhost:11434")

# 构建带历史占位符的 prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}")
])

chain = prompt | llm

# 全局会话存储（仅用于单机测试！）
store = {}


def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]


# 封装带历史的链
chain_with_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)

# 测试：使用相同 session_id
config = {"configurable": {"session_id": "user_532"}}

print(chain_with_history.invoke({"input": "我叫小明"}, config).content)
print(chain_with_history.invoke({"input": "我刚才说我叫什么？"}, config).content)

四、关键参数说明

参数	说明
memory_key	在 prompt 中引用历史的变量名，默认为 "history"
input_key	用户输入字段名，默认为 "input"（通常无需修改）
return_messages	若设为 True，返回 BaseMessage 对象而非字符串（用于高级用途）

---

 五、注意事项

1. Token 限制问题

   • ConversationBufferMemory 会把所有历史拼接进 prompt。
   • 如果对话很长，可能超过模型最大上下文（如 Qwen3 最大 32768 tokens）。
   • 解决方案：改用 ConversationSummaryMemory（摘要记忆）或 ConversationBufferWindowMemory（滑动窗口）。

2. 不支持跨会话

   • 内存中的数据在程序结束后丢失。
   • 如需持久化，请使用 RedisChatMessageHistory + RunnableWithMessageHistory（长期记忆）。

3. 不适合高并发

   • 每个 ConversationBufferMemory 实例只对应一个会话。
   • Web 应用中需为每个用户创建独立实例。

---

六、与其他 Memory 类型对比

Memory 类型	存储方式	是否持久化	适合场景
ConversationBufferMemory	完整历史（内存）	❌	短对话、调试
ConversationBufferWindowMemory	最近 N 轮（内存）	❌	控制上下文长度
ConversationSummaryMemory	历史摘要（内存）	❌	长对话，节省 token
RedisChatMessageHistory	Redis 存储	✅	多用户、生产环境
SQLChatMessageHistory	数据库存储	✅	需要审计/分析

---

 总结

ConversationBufferMemory 是 LangChain 中实现短期对话记忆的最简单方式，适用于单次会话内的上下文保持。只需几行代码，就能让 AI 记住你说过的话！

如果你需要：

• 控制历史长度 → 用 ConversationBufferWindowMemory
• 节省 token → 用 ConversationSummaryMemory
• 多用户持久化 → 用 RedisChatMessageHistory + RunnableWithMessageHistory