企业官网建设流程全解析

langchain短期 + 长期记忆架构

整体架构

用户输入 │ ├── 短期记忆（WindowMemory）── 内存，最近 K 条消息 │ ├── 长期记忆（ChromaDB） ──── 语义检索，历史重点 │ ├── 知识库（ChromaDB） ────── 文档检索 │ └── 拼接 Prompt → LLM → 输出 │ ├── 写入短期窗口（内存） ├── 写入 MySQL（完整备份） └── 后台提取长期记忆点 → 写入 ChromaDB

三层存储

短期记忆（WindowMemory）

实现

# memory_manager.pyclassMemoryManager:def__init__(self,window_k=2):self.window_k=window_k self._windows=OrderedDict()defget_context(self,session_id):"""返回窗口内的最近消息"""memory=self.get_window(session_id)returnmemory.load_memory_variables({})["history"]

机制

• 每个 session 独立一个ConversationBufferWindowMemory(k=2)
• k=2表示保留最近2 轮对话（= 4 条消息：2 条 user + 2 条 assistant）
• 新消息通过save_context写入，超出 K 轮自动丢弃最早的消息
• 纯内存操作，不查数据库

写入时机

# streamInvoke 中self.memoryger.get_window(session_id).chat_memory.add_user_message(question)...self.memoryger.get_window(session_id).chat_memory.add_ai_message(answer)

长期记忆（ChromaDB）

提取

每次对话完成后，后台线程调用 LLM 从对话中提取关键信息：

# langchain_chat.py generateSummary()prompt=""" 总结以下对话的核心语义。 保留：任务目标、问题描述、解决方案、重要约束 忽略：礼貌用语、重复内容、确认性回复 如果没有任何实质性内容，返回：NONE 用户：... AI：... 总结："""

提取结果存入 ChromaDB 的longMemory集合：

chromadb.write_long_memory(texts=["提取的摘要"],metadata_list=[{"session_id":"xxx"}])

检索

用户提问时，从longMemory集合中按 session 检索相关内容：

longMemoryter=chromadb.get_long_memory_retrieve(k=10,filter={"session_id":input_data.session_id})longMemorys=longMemoryter.invoke(input_data.question)

Prompt 组装

最终发给 LLM 的 prompt 结构：

历史对话摘要（ChromaDB 长期记忆）： {longMemorys} 最近通话记录（WindowMemory 短期窗口）： {recentHistory} 资料（知识库 RAG 检索）： {docs} 用户问题： {input}

各模块职责

数据流完整链路

用户发送消息 │ ▼ 1. 从 MemoryManager 取短期窗口消息 ── 内存，不查 DB 2. 从 ChromaDB 检索长期记忆 ──────── 按 session_id 语义检索 3. 从 ChromaDB 检索知识库 ────────── RAG 检索 4. 拼接 Prompt → LLM 流式生成 │ ▼ 流式输出到前端 │ ▼ 完成后： ├── 写入短期窗口（MemoryManager） ├── 写入 MySQL（create_chat_message） └── 后台线程 → LLM 提取摘要 → 写入 ChromaDB longMemory

版本历史