1. 写在开头

想象一下这样的场景：

患者 张三 第一次咨询医疗机器人："我最近几天一直头痛。"

机器人给出了建议，对话结束。

一周后，张三 再次咨询："我的头痛怎么样了？"

传统 AI 机器人："抱歉，我没有您之前的头痛记录信息。"

集成 PowerMem 的机器人："根据您之前的记录，您提到头痛通常在下午发生，强度为中等。您目前正在服用布洛芬 200mg，每天两次。头痛情况有改善吗？"

这就是 PowerMem 带来的改变——让 AI 应用拥有真正的"记忆"。

2. 为什么需要 PowerMem？

如果你正在使用 LangChain 构建 AI 应用，遇到过这些问题：

• ❌ 对话历史丢失：每次重启应用，之前的对话都消失了
• ❌ 无法理解语义：搜索"头痛"找不到"头部疼痛"或"headache"
• ❌ 缺乏个性化：无法根据用户历史提供个性化建议
• ❌ 手动提取信息：需要编写复杂的代码来提取关键信息
• ❌ 数据混在一起：多个用户的数据无法有效隔离

PowerMem 就是为了解决这些问题而生的。它是一个智能记忆管理SDK，可以轻松集成到 LangChain 应用中，让你的 AI 助手变得"有记忆"。

3. PowerMem 的五大核心能力

3.1 智能事实提取：让 AI 自动"做笔记"

传统方式：只能存储原始对话文本，需要手动编写复杂的代码来提取关键信息。

# 传统方式：只能存储原始文本
conversation_history = [
    {"role": "user", "content": "我最近几天一直头痛"},
    {"role": "assistant", "content": "头痛可能由多种原因引起..."}
]
# 需要手动编写代码提取症状、药物等信息

使用 PowerMem：只需一行代码，自动提取结构化信息。

# 使用 PowerMem：自动提取关键信息
self.powermem.add(
    messages=messages,
    user_id=self.user_id,
    infer=True  # 自动启用智能事实提取
)

实际效果：

• ✅ 自动识别并提取症状（头痛、疼痛、不适等）
• ✅ 自动提取药物信息（药物名称、剂量、频率）
• ✅ 自动提取医疗历史（既往病史、诊断等）
• ✅ 零代码成本，开箱即用

就像给 AI 配了一个智能秘书，自动帮你整理和记录重要信息！

3.2 语义搜索：理解你的真实意图

传统方式：进行简单的关键词匹配，搜索"头痛"找不到"头部疼痛"。

# 传统方式：关键词匹配
def search_history(keyword):
    results = []
    for msg in conversation_history:
        if keyword in msg["content"]:  # 只能精确匹配
            results.append(msg)
    return results
# 问题：搜索"头痛"找不到"头部疼痛"或"headache"

使用 PowerMem：基于向量嵌入的语义搜索和全文检索，理解查询的真实意图。

# 使用 PowerMem：语义搜索和全文检索
results = self.powermem.search(
    query="头痛相关问题", 
    user_id=self.user_id,
    limit=5
)

实际效果：

• ✅ 搜索"头痛"可以找到"头部疼痛"、"headache"、"偏头痛"等相关内容
• ✅ 搜索"药物"可以找到"medication"、"prescription"、"用药"等
• ✅ 多路召回，自动按相关性排序，返回最相关的记忆
• ✅ 结合用户历史，提供个性化搜索结果

3.3 持久化存储：记忆持久化

传统方式：对话历史只存在于内存中，进程重启后全部丢失。

# 传统方式：内存存储
class SimpleMemory:
    def __init__(self):
        self.messages = []  # 进程重启后丢失

使用 PowerMem：使用 OceanBase seekdb 等数据库，数据持久化。

# 使用 PowerMem：持久化存储
self.memory = create_memory(config=config)
# 所有记忆自动持久化到数据库 ✅

实际效果：

• ✅ 数据持久化，不会因为重启而丢失
• ✅ 跨会话记忆：用户下次对话时，可以访问之前的所有历史
• ✅ 支持大规模数据存储，适合企业级应用

就像把记忆写在了"笔记本"上，随时可以翻阅！

3.4 上下文感知：让对话更连贯、更贴心

传统方式：每次对话都是独立的，无法利用历史信息。

# 传统方式：无上下文
def chat(user_input):
    response = llm.generate(user_input)  # 没有历史上下文
    return response

使用 PowerMem：自动检索相关历史，注入到对话中。

# 使用 PowerMem：上下文感知
patient_context = self.langchain_memory.get_patient_context(user_input)
# 自动将历史上下文注入到提示中

实际效果：

场景 1：个性化建议

患者：我最近几天一直头痛
机器人：[基于患者历史] 根据您之前的记录，您有偏头痛病史。
        这次的头痛与之前的偏头痛感觉不同吗？

场景 2：记住用药信息

患者：我目前正在服用布洛芬 200mg，每天两次
机器人：[记住药物信息] 您正在使用布洛芬来控制疼痛。
        请确保按照推荐剂量服用，并注意观察效果。

就像和一个真正了解你的朋友聊天，而不是每次都重新认识！

3.5 隐私保护：数据隔离，安全合规

传统方式：所有用户的对话混在一起，无法区分。

# 传统方式：数据混合
all_conversations = []  # 无法区分不同用户

使用 PowerMem：通过 user_id 实现数据完全隔离。

# 使用 PowerMem：数据隔离
def __init__(self, powermem_instance, user_id: str):
    self.user_id = user_id  # 可通过 user_id 隔离数据

实际效果：

• ✅ 每个用户只能访问自己的数据
• ✅ 支持多个用户同时使用，数据互不干扰

就像每个用户都有一个独立的保险箱，数据互不干扰！

4. 完整工作流程对比

4.1 传统 LangChain 应用（无 PowerMem）

用户输入 
    ↓
LangChain 处理 
    ↓
LLM 生成响应 
    ↓
存储到内存列表
    ↓
❌ 下次对话时无法访问历史
❌ 无法提取结构化信息
❌ 无法进行语义搜索

4.2 集成 PowerMem 的 LangChain 应用

用户输入 
    ↓
检索相关历史（语义搜索）
    ↓
注入上下文到提示
    ↓
LangChain 处理 → LLM 生成个性化响应
    ↓
自动提取事实并存储到 PowerMem
    ↓
持久化到数据库（seekdb）
    ↓
✅ 下次对话时可访问完整历史
✅ 智能提取结构化信息
✅ 语义搜索随时可用

5. 实际案例：医疗支持机器人

我们基于 LangChain 和 PowerMem 构建了一个医疗支持机器人，来看看实际效果：

对话示例

第一轮对话：

患者：Hello, I'm Alice. I've been experiencing headaches for the past few days.

机器人：Hello Alice, I'm sorry to hear about your headaches. 
        Can you tell me more about when these headaches typically occur?

第二轮对话：

患者：The headaches usually happen in the afternoon, and they're moderate in intensity.

机器人：Thank you for that information. Afternoon headaches can have various causes.
        Are you experiencing any other symptoms along with the headaches?

第三轮对话：

患者：I'm currently taking ibuprofen 200mg twice daily for the pain.

机器人：I understand you're managing the pain with ibuprofen. 
        It's important to follow the recommended dosage.

一周后：

患者：What are some general tips for managing headaches?

机器人：[基于历史] 根据您之前的记录，您提到头痛通常在下午发生，强度为中等。
        您目前正在服用布洛芬 200mg，每天两次。
        
        以下是一些管理头痛的一般建议：
        1. 保持规律的作息时间
        2. 确保充足的睡眠
        3. 避免长时间使用电子设备
        4. 保持充足的水分摄入
        
        如果头痛持续或加重，建议咨询专业医疗人员。

看到区别了吗？ 集成 PowerMem 的机器人能够：

• ✅ 记住患者的所有历史信息
• ✅ 基于历史提供个性化建议
• ✅ 保持对话的连贯性

6. 开发成本对比

6.1 不使用 PowerMem

需要自己开发：

• 事实提取功能（复杂的 NLP 处理）
• 语义搜索功能（向量嵌入、相似度计算）
• 持久化存储（数据库设计、连接管理）
• 上下文管理（历史检索、注入逻辑）

开发时间：至少 2-3 周维护成本：持续维护复杂的代码逻辑

6.2 使用 PowerMem

只需几行代码集成：

# 1. 初始化 PowerMem
config = auto_config()
memory = Memory(config=config)

# 2. 集成到 LangChain
langchain_memory = HealthcarePowerMemMemory(
    powermem_instance=memory,
    user_id=patient_id
)

# 3. 使用
memory.add(messages=messages, user_id=user_id, infer=True)
context = memory.search(query=query, user_id=user_id)

开发时间：1-2 天

维护成本：PowerMem 团队维护核心功能，你只需关注业务逻辑

节省 90% 的开发时间！

7. 快速开始

7.1 安装 PowerMem

pip install powermem

7.2 配置数据库

from powermem import Memory, auto_config

# 自动加载配置
config = auto_config()
memory = Memory(config=config)

7.3 集成到 LangChain

from langchain_core.messages import HumanMessage, AIMessage

# 创建自定义记忆类
class PowermemLangChainMemory:
    def __init__(self, powermem_instance, user_id: str):
        self.powermem = powermem_instance
        self.user_id = user_id
        self.messages = []
    
    def save_to_powermem(self, user_input: str, assistant_output: str):
        self.powermem.add(
            messages=[
                {"role": "user", "content": user_input},
                {"role": "assistant", "content": assistant_output}
            ],
            user_id=self.user_id,
            infer=True  # 启用智能事实提取
        )
    
    def get_context(self, query: str) -> str:
        results = self.powermem.search(
            query=query,
            user_id=self.user_id,
            limit=5
        )
        # 返回相关上下文
        return "\n".join([mem.get('memory', '') for mem in results.get('results', [])])

7.4 使用

# 保存对话
memory.save_to_powermem(user_input, assistant_output)

# 检索上下文
context = memory.get_context(user_query)

# 注入到 LangChain 提示中
# ...

就这么简单！ 几行代码就能让你的 LangChain 应用拥有"记忆"能力。

完整例子参见： https://github.com/oceanbase/powermem/tree/main/examples/langchain