`langchain.memory.vectorstore_token_buffer_memory`.ConversationVectorStoreTokenBufferMemory¶

class langchain.memory.vectorstore_token_buffer_memory.ConversationVectorStoreTokenBufferMemory[source]¶

基类： ConversationTokenBufferMemory

具有令牌限制和向量数据库支持的对话聊天记忆。

load_memory_variables() 将返回一个字典，键为 “history”。它包含从向量存储检索的背景信息以及当前对话的最新行。

为了帮助 LLM 理解存储在向量存储中的对话部分，每次交互都会被加上时间戳，并且当前日期和时间也会在历史记录中提供。这样做的一个副作用是 LLM 将能够访问当前的日期和时间。

初始化参数

此类接受 ConversationTokenBufferMemory 的所有初始化参数，例如 llm。此外，它还接受以下附加参数

retriever: (必需) 要使用的 VectorStoreRetriever 对象
作为向量后备存储

split_chunk_size: (可选，1000) 令牌块分割大小
用于 AI 生成的长消息

previous_history_template: (可选) 用于格式化的模板
提示历史记录的内容

使用 ChromaDB 的示例

from langchain.memory.token_buffer_vectorstore_memory import (
        ConversationVectorStoreTokenBufferMemory
)
from langchain_chroma import Chroma
from langchain_community.embeddings import HuggingFaceInstructEmbeddings
from langchain_openai import OpenAI

embedder = HuggingFaceInstructEmbeddings(
                query_instruction="Represent the query for retrieval: "
)
chroma = Chroma(collection_name="demo",
                embedding_function=embedder,
                collection_metadata={"hnsw:space": "cosine"},
                )

retriever = chroma.as_retriever(
        search_type="similarity_score_threshold",
        search_kwargs={
            'k': 5,
            'score_threshold': 0.75,
        },
)

conversation_memory = ConversationVectorStoreTokenBufferMemory(
        return_messages=True,
        llm=OpenAI(),
        retriever=retriever,
        max_token_limit = 1000,
)

conversation_memory.save_context({"Human": "Hi there"},
                                  {"AI": "Nice to meet you!"}
)
conversation_memory.save_context({"Human": "Nice day isn't it?"},
                                  {"AI": "I love Wednesdays."}
)
conversation_memory.load_memory_variables({"input": "What time is it?"})

param ai_prefix: str = 'AI'¶

param chat_memory: BaseChatMessageHistory [Optional]¶

param human_prefix: str = 'Human'¶

param input_key: Optional[str] = None¶

param llm: BaseLanguageModel [Required]¶

param max_token_limit: int = 2000¶

param memory_key: str = 'history'¶

param output_key: Optional[str] = None¶

param previous_history_template: str = '\nCurrent date and time: {current_time}.\n\nPotentially relevant timestamped excerpts of previous conversations (you \ndo not need to use these if irrelevant):\n{previous_history}\n\n'¶

param retriever: VectorStoreRetriever [Required]¶

param return_messages: bool = False¶

param split_chunk_size: int = 1000¶

async aclear() → None¶

清除内存内容。

返回类型: 无

async aload_memory_variables(inputs: Dict[str, Any]) → Dict[str, Any]¶

异步返回给定链的文本输入的键值对。

参数: inputs (Dict[str, Any]) – 链的输入。
返回: 键值对的字典。
返回类型: Dict[str, Any]

async asave_context(inputs: Dict[str, Any], outputs: Dict[str, str]) → None¶

将此对话的上下文保存到缓冲区。

参数

inputs (Dict[str, Any]) –
outputs (Dict[str, str]) –

返回类型

无

clear() → None¶

清除内存内容。

返回类型: 无

load_memory_variables(inputs: Dict[str, Any]) → Dict[str, Any][source]¶

返回历史记录和内存缓冲区。

参数: inputs (Dict[str, Any]) –
返回类型: Dict[str, Any]

save_context(inputs: Dict[str, Any], outputs: Dict[str, str]) → None[source]¶

将此对话的上下文保存到缓冲区。已修剪。

参数

inputs (Dict[str, Any]) –
outputs (Dict[str, str]) –

返回类型

无

save_remainder() → None[source]¶

将对话缓冲区的剩余部分保存到向量存储。

如果您已使向量存储持久化，这将非常有用，在这种情况下，可以在会话结束前调用此方法以存储对话的剩余部分。

返回类型: 无

property buffer: Any¶: 内存的字符串缓冲区。

property buffer_as_messages: List[BaseMessage]¶: 如果 return_messages 为 True，则将缓冲区公开为消息列表。

property buffer_as_str: str¶: 如果 return_messages 为 False，则将缓冲区公开为字符串。

property memory_retriever: VectorStoreRetrieverMemory¶: 从传递的 retriever 对象返回一个内存检索器。

langchain.memory.vectorstore_token_buffer_memory.ConversationVectorStoreTokenBufferMemory¶

`langchain.memory.vectorstore_token_buffer_memory`.ConversationVectorStoreTokenBufferMemory¶