用LangChain开发AI智能体时，常遇到AI无上下文记忆的问题，问完上句下句就接不上。本文教你用LangChain两个核心组件，给通义千问装上可持久化的记忆中枢，实现多轮连贯对话，文末附可直接运行的源码。

一、核心记忆方案选型

本次选用基础记忆+持久化记忆组合，兼顾轻量与实用，适配本地/单用户智能体场景，核心组件及各类记忆方案对比如下：

记忆类型	核心说明	LangChain实现组件
基础记忆	缓存会话上下文，响应快	ConversationBufferMemory
持久化记忆	本地文件存记录，重启不丢	FileChatMessageHistory
记忆管理	手动清空冗余记忆	调用clear()方法
适配优化	兼容大模型与提示模板	定制Prompt占位符

核心逻辑：用户提问+AI回答先存入内存缓冲区，同时写入本地JSON文件；新提问时，拼接历史上下文+新问题传给通义千问，生成关联回答后再存入记忆模块，形成闭环。

二、4步快速实现（适配通义千问）

前置准备

沿用LangChain+通义千问基础环境，验证核心依赖并加载API密钥：

pip list | grep -E "langchain|dashscope|python-dotenv"

步骤1：导入核心组件

补充记忆相关模块导入，加载环境变量：

import os
from dotenv import load_dotenv
from langchain_community.llms import Tongyi
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder, HumanMessagePromptTemplate
from langchain.schema import SystemMessage
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory, FileChatMessageHistory
load_dotenv()

步骤2：初始化通义千问LLM

低随机性配置，保证回答精准，复用优化逻辑：

def init_optimized_tongyi_llm(temperature=0.3):
    api_key = os.getenv("DASHSCOPE_API_KEY")
    llm = Tongyi(model_name="qwen-plus", dashscope_api_key=api_key, temperature=temperature)
    return llm

步骤3：初始化持久化记忆模块

核心配置，memory_key需与后续Prompt占位符一致，实现中文友好+本地持久化：

def init_tongyi_memory(persist_file="chat_history_tongyi.json"):
    chat_history = FileChatMessageHistory(persist_file)
    memory = ConversationBufferMemory(memory_key="history", chat_memory=chat_history, return_messages=True, human_prefix="用户", ai_prefix="助手")
    return memory

步骤4：构建带记忆的对话链

融合提示工程，新增MessagesPlaceholder记忆占位符，让大模型读取上下文：

def build_conversation_chain_with_memory(llm, memory):
    prompt = ChatPromptTemplate.from_messages([
        SystemMessage(content="你是精通PS API的助手，需关联上下文回答，仅围绕PS API相关内容作答"),
        MessagesPlaceholder(variable_name="history"),
        HumanMessagePromptTemplate.from_template("{input}")
    ])
    return ConversationChain(llm=llm, prompt=prompt, memory=memory, verbose=True)

三、落地可交互Demo

编写主函数，实现多轮对话+记忆持久化+手动清空，支持exit退出、clear清空记忆：

def main():
    llm = init_optimized_tongyi_llm()
    memory = init_tongyi_memory()
    conversation = build_conversation_chain_with_memory(llm, memory)
    print("=== LangChain通义千问（带记忆版）===\n输入'exit'退出|'clear'清空记忆")
    while True:
        user_input = input("你：")
        if user_input.lower() == "exit":
            print("助手：对话记录已保存，下次可继续聊～")
            break
        if user_input.lower() == "clear":
            memory.clear()
            print("助手：已清空所有记忆！")
            continue
        response = conversation.predict(input=user_input)
        print(f"助手：{response}\n")
if __name__ == "__main__":
    main()

四、运行效果与核心避坑

效果验证

1. 连贯记忆：问“什么是PS API”后追问“能改尺寸吗”，AI可关联上下文精准回答；
2. 持久化：退出重启程序，直接追问接口参数，AI仍能识别；
3. 清空生效：输入clear后，再问相同问题，AI无法识别上下文。

关键避坑

1. memory_key必须与Prompt中MessagesPlaceholder的variable_name完全一致；
2. 仅能将FileChatMessageHistory传给chat_memory参数，不可反向绑定；
3. 多用户场景需为每个用户分配独立持久化文件，避免记忆混淆。

五、总结与源码获取

本次通过ConversationBufferMemory+FileChatMessageHistory，快速实现通义千问的多轮对话记忆与本地持久化，方案与原有LLM、提示工程无缝兼容，满足实际交互需求。

下一期预告：接入PS API工具系统，让AI从“只会回答”升级为“能实际执行修图操作”的实用智能体！

领取方式：关注公众号【SLAM与AI智能体】,私信回复【LangChain记忆】，获取完整可运行源码+环境配置教程，含.env模板、全代码注释，直接复制即可运行。