LangChain 通过专用组件来管理对话状态和记忆，这些组件可以跟踪和构建随时间推移的交互。 核心是，LangChain 提供了旨在存储和检索历史消息的记忆类，从而为语言模型提供对话上下文。 这些类处理短期交互（如单个聊天会话）以及需要实体跟踪或摘要的更复杂场景。 记忆通常集成到链或代理中，使系统能够在每次交互期间自动更新和访问对话历史记录。
LangChain 提供了几种针对不同需求的记忆类型。 例如，ConversationBufferMemory 将消息的原始历史记录存储在列表中，这使其简单，但对于长时间的对话来说效率可能较低。 ConversationBufferWindowMemory 仅保留最近的消息（例如，最近的五个交流），以避免使用过多的上下文来压倒模型。 对于更长的对话，ConversationSummaryMemory 生成过去交互的压缩摘要，从而减少令牌的使用，同时保留要点。 此外，ConversationEntityMemory 提取并跟踪对话中提到的特定实体（如姓名或日期），允许模型稍后引用它们。 这些选项使开发人员能够在上下文深度与计算约束之间取得平衡。
开发人员通过初始化记忆对象并将其附加到链或代理来实现记忆。 例如，当使用 ConversationChain 时，您可以使用 ConversationBufferMemory 对其进行配置，以将完整历史记录传递到每个提示中。 这是一个简化的示例
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
chain = ConversationChain(llm=llm, memory=memory)
chain.run("Hello!") # Stores user input and AI response in memory
记忆数据也可以持久保存到数据库或文件中，以用于多会话应用程序。 默认情况下，记忆被构造为键值对（例如，{"input": "Hi", "output": "Hello!"}），链将其格式化为提示。 开发人员可以自定义历史记录的存储方式（例如，修剪消息）或检索方式（例如，仅注入相关的片段），从而确保了针对特定用例（如聊天机器人或数据分析工具）的灵活性。