澳八机器人 如何结合 Chroma 向量数据库实现基于语义检索的长期记忆

以下是基于 LangChain 实现对话记忆功能的完整 Python 示例代码。该示例展示了如何使用 ConversationBufferMemory 进行简单的历史消息存储，以及如何结合 Chroma 向量数据库实现基于语义检索的长期记忆（VectorStoreRetrieverMemory）。

代码实现功能与特点说明

三种记忆模式对比‌：

ConversationBufferMemory‌：最基础的记忆方式，将所有对话历史保存在内存中。优点是上下文完整，缺点是随着对话变长，Token 消耗巨大且可能超出模型上下文窗口限制。

ConversationBufferWindowMemory‌：通过 k 参数控制只保留最近的 N 轮对话。这是一种简单的滑动窗口机制，能有效控制 Token 数量，但会丢失早期的关键信息。

VectorStoreRetrieverMemory‌：高级长期记忆方案。它将每轮对话嵌入向量并存入 Chroma 数据库。当用户提问时，系统会根据语义相似度检索最相关的历史片段注入 Prompt。这种方式突破了上下文窗口限制，实现了“无限”对话历史中的精准回忆。

模块化设计‌：

代码将三种不同的记忆策略封装为独立的函数，便于用户单独测试和理解每种机制的行为。

使用了 LangChain 标准的 ConversationChain 和 PromptTemplate，展示了如何将记忆组件无缝集成到链式调用中。

持久化支持‌：

在向量记忆示例中，使用了 persist_directory 参数，使得对话记忆可以保存到本地磁盘。重启程序后，之前的对话历史依然可以被检索到，实现了真正的长期记忆。

依赖管理‌：

提供了完整的 requirements.txt，包含了 LangChain 核心库、OpenAI 集成、Chroma 向量数据库客户端等必要依赖，确保环境一键配置即可运行。