使用GLM-4-Long实现超长记忆

我们都知道，大模型本身是无状态、无记忆的。默认情况下，我们对大模型的每次提问，在其内部都会被视为一次全新的调用。尽管诸如 ChatGPT 等聊天应用内置了部分记忆功能，可以记录用户最近几轮的聊天信息，但它仍然存在上下文长度限制，对话历史超过一定长度后，就会强制开启新一轮对话。

为了解决这个问题，很多 AIGC 应用都需要独立开发记忆系统，特别是像 AI 聊天陪伴、RAG、智能客服等应用，记忆系统的质量会直接影响到用户体验和产品口碑。目前，业内典型的 Memery 实现方案如下：

1. 全量缓冲记忆 ======

1.1 实现思路

最基础的记忆模式，将所有 Human/AI 生成的消息全部存储起来，每次需要使用时将保存的所有聊天消息列表全部传递到 Prompt 中，通过往用户的输入中添加历史对话信息/记忆，可以让 LLM 能理解之前的对话内容，而且这种记忆方式在上下文窗口限制内是无损的。

1.2 优点

1. 在上下文窗口内可以实现无损记忆，可以记忆用户输入的全部内容。
2. 实现方式简单，兼容性最好，所有大模型都支持。

1.3 缺点

1. 将全部的历史上下文都传递给 LLM，输入中会包含大量的 Token，会导致响应时间变慢和成本增加。

2. LLM 的上下文有最大的 token 限制，无法记忆太长的对话。

3. 记忆内容不是无限的，对于上下文长度较小的模型来说，记忆内容会变得极短。

4. 缓冲窗口记忆 ======

2.1 实现思路

在缓冲记忆的基础上，增加上下文窗口限制，即只保留固定轮次的历史对话，"遗忘"掉过于久远的记忆。

2.2 优点

1. 在窗口内可以实现无损记忆。
2. 对小模型也比较友好，在不提问较为久远的内容时效果最佳。
3. 实现方式简单，性能优异，所有大模型都支持。

2.3 缺点

1. 无法保留长期的记忆，会遗忘之前的互动。

2. 如果窗口内部分对话的内容较长，也容易超过 LLM 的上下文限制。

3. token 缓冲记忆 ==========

3.1 实现思路

同样是基于缓冲记忆的思想，只保留 max_tokens 长度的历史上下文，超过长度限制的历史记忆会被遗忘。

3.2 优点

1. 可以基于特定模型的上下文长度限制来分配记忆长度。
2. 对小模型也比较友好，如果不提问比较远的关联内容，一般效果最佳。
3. 实现方式简单，性能优异，所有大模型都支持。

3.3 缺点

1. 无法保留长期的记忆，会遗忘之前的互动。

2. 摘要总结记忆 ======

4.1 实现思路

将每轮对话的输入输出，生成总结摘要，作为记忆保存起来，并在下一轮对话时传递给 LLM。

4.2 优点

1. 可以同时支持长期记忆和短期记忆。
2. 基于摘要功能，可以有效减少长对话中使用的token 数量，能记忆更多轮的对话信息。特别是在长对话时效果更加明显。

4.3 缺点

1. 因为记忆是基于生成的摘要，因此无论是长期记忆还是短期记忆，都是模糊记忆，会丢失对话的细节。

2. 对于较短的对话，可能会增加 token 使用量（短对话时，生成的摘要可能会比原始对话更长）。

3. 记忆功能完全依赖于摘要 LLM 的能力，并且需要为摘要 LLM 额外分配 Token，会增加使用成本。

4. 摘要+缓冲 混合记忆（缓冲短期记忆+摘要长期记忆） ===============================

5.1 实现思路

摘要+缓冲混合记忆，是目前业内采用较为广泛的记忆方案，它结合了缓冲窗口记忆和摘要总结记忆两种模式：

• 对于窗口限制内的对话，保留原始内容，作为短期记忆。
• 对于超过窗口限制的历史对话，生成摘要后保存，作为长期记忆。
• 将短期记忆与长期记忆合并，作为记忆保存。

例如，针对最大 token 长度为16k 的 LLM，可以设置记忆窗口 max_token = 12k，并将超过 12k 的历史对话生成摘要。

5.2 实现流程

5.3 优点

1. 可以同时实现长期记忆和短期记忆，长期为模糊记忆，短期为精准记忆。
2. 通过摘要功能，可以有效减少长对话中使用的 token 数量，能记忆更多轮的对话信息。

5.4 缺点

1. 久远的历史对话为模糊记忆，会丢失部分细节。

2. 长期记忆部分依赖于摘要 LLM 的能力，需要为摘要 LLM 额外分配 token，会增加使用成本。

3. 向量数据库记忆 =======

6.1 实现思路

将全量记忆数据存储在向量存储中，每次搜索记忆时，基于向量检索，获取前 K 个最匹配的语料。

6.2 优点

1. 基于向量数据库的横向扩展能力，理论上可以支持无限长度的记忆。
2. 在记忆的细节上，可以比摘要总结处理得更好。
3. token 的消耗相对可控。

6.3 缺点

1. 需要向量数据库支持，增加使用成本。

2. 用户的每次对话，都需要经过 Embedding 过程，性能有一定损耗。

3. 记忆效果受 Embedding 检索结果的影响，效果不稳定。

下面，我们使用智谱AI的GLM-4-Long超长上下文模型，并借助LangChain的Memory模块，快速实现一个具有记忆功能的聊天机器人。

首先，基于LangChain，封装一个带有记忆功能的 chat_memory_chain:

(完整代码参考：https://gitee.com/zhangshenao/llm-ops-backend/blob/master/internal/handler/chat\_memory\_chain.py)

CHAT_HISTORY_FILE_PATH = '../../storage/memory/chat_history.json' # 聊天历史文件路径
HISTORY_KEY = 'history' # 聊天历史Key
CONTEXT_KEY = 'context' # 上下文信息Key
INPUT_KEY = 'input' # 聊天输入Key
OUTPUT_KEY = 'output' # 聊天输出Key
MEMORY_CONFIG_KEY = 'memory' # 记忆配置Key
SAVE_CONVERSATION_ROUNDS = 50# 保存历史对话的轮数

def invoke_chain_with_chat_memory(input: Dict[str, Any],
prompt_template: BaseChatPromptTemplate,
llm: BaseChatModel,
parser: BaseTransformOutputParser[str],
vector_store_service: VectorStoreService) -> Output:
"""
将传入的Runnable组件编排成Chain,并在此基础上封装聊天记忆功能,返回最终调用结果
:param input: 调用输入参数
:param prompt_template: 提示词模板
:param llm: LLM聊天模型
:param parser: 输出解析器
:return: Chain调用结果
"""

chat_history = FileChatMessageHistory(

        file\_path=CHAT\_HISTORY\_FILE\_PATH)

memory = ConversationBufferWindowMemory(
input_key=INPUT_KEY,
output_key=OUTPUT_KEY,
memory_key=HISTORY_KEY,
k=SAVE_CONVERSATION_ROUNDS,
return_messages=True,
chat_memory=chat_history
)

retriever = vector_store_service.as_retriever()

| vector_store_service.join_document_page_contents

chain = RunnablePassthrough.assign(
context=itemgetter(INPUT_KEY) | retriever,
history=RunnableLambda(_load_memory_variables_from_config) | itemgetter(HISTORY_KEY)
) | prompt_template | llm | parser

memory_chain =

(chain.with_config(configurable={MEMORY_CONFIG_KEY: memory})

.with_listeners(on_end=_save_chat_history))

output = memory_chain.invoke(input)
return output

def _load_memory_variables_from_config(input: Dict[str, Any],

config: RunnableConfig) -> Dict[str, Any]:

"""
从运行配置中,加载记忆变量
:param input: 运行调用输入
:param config: 运行配置
:return: 记忆变量字典
"""

conf = config.get('configurable', {})
memory = conf.get(MEMORY_CONFIG_KEY, None)
if memory is not None and isinstance(memory, BaseChatMemory):
return memory.load_memory_variables(input)

return {}

def _save_chat_history(run_obj: Run, config: RunnableConfig)

-> None:

"""
保存聊天历史
:param run_obj: 运行时对象,包含了所有运行时的相关信息
:param config: 运行时配置信息
"""

conf = config.get('configurable', {})
memory = conf.get(MEMORY_CONFIG_KEY, None)
if memory is not None and isinstance(memory, BaseChatMemory):

memory.save_context(run_obj.inputs, run_obj.outputs)

启动应用，开启聊天。我们先告诉大模型关于个人的一些信息：

接下来，我们让大模型生成一些较长的内容，便于后面测试记忆能力：

最后，我们来测试一下记忆功能，看看 LLM 是否还记得最开始的聊天信息：

可以看到，即使中间经历了多轮对话和长文本生成，GLM-4-Long

仍然能够准确记忆历史的聊天信息。

最后，简单介绍一下智谱AI的 GLM-4-Long 这个大模型。

GLM-4-Long 是支持100万上下文的⻓⽂本模型，它专为处理超⻓⽂本和

记忆型任务设计，支持⼤约相当2本红楼梦或者125篇科研论⽂的⻓度。

GLM-4-Long 极⼤的提⾼了模型的上下⽂理解能⼒，

丰富了⼤模型的应用落地能力。