)
（ 教学 ）Agent 构建 Memory（提示词对话存储）1. ConversationBufferMemory(对话缓存存储, 版本>1.0和<1.0的区别)
ConversationBufferMemory，这是一个用于在缓冲区中存储对话历史的内存类。
通常情况下，不需要额外的处理。但是，当对话历史超出模型的上下文窗口时，可能需要进行额外处理。
学习如何使用ConversationBufferMemory来存储和检索对话历史。
目前看这些之前的版本1.0以前的，版本1.0以后的。我会列出两个版本的使用方式和特点。
加载 ConversationBufferMemory 类
fromlangchain_classic.memoryimportConversationBufferWindowMemory memory=ConversationBufferMemory()可以使用save_context(inputs, outputs)方法来保存对话记录。
- 这个方法接受两个参数，
inputs和outputs。 inputs用于存储用户的问题，而outputs用于存储 AI 的回答。- 对话记录会在内部以
history键进行存储。 - 你可以使用
load_memory_variables方法来获取和查看已保存的对话历史。
# inputs: dictionary(key: "human" or "ai", value: question)# outputs: dictionary(key: "ai" or "human", value: answer)memory.save_context(inputs={"human":"你好，我想要远程开设一个银行账户。我该如何开始？",},outputs={"ai":"你好！很高兴你想开设账户。首先，请准备好你的身份证件以供身份验证。"},)内存对象的load_memory_variables({})方法会以字符串形式返回完整的对话历史。
# 检查存储在'history'键中的消息历史记录print(memory.load_memory_variables({})["history"])塞入数据
memory.save_context(inputs={"human":"我已经上传了照片。如何进行身份验证？"},outputs={"ai":"我们已确认您上传的照片。请通过手机进行身份验证。请输入通过短信发送的验证码。"},)memory.sa
)
