wordpress 远程seo技术员

前言

在上一篇文章中，我们成功地“驯服”了AI，让它能够按照我们的指令返回结构化的Java对象。这是一个巨大的进步，但我们的Assistant依然存在一个致命的弱点：它完全没有记忆。

你和它的每一次交互都是一次全新的开始。你告诉它“我叫张三”，它礼貌地回应；紧接着你问“我叫什么名字？”，它只会一脸茫然地回答“我不知道”。这就像和一条只有七秒记忆的金鱼对话，无法形成真正有意义的交流。

今天，我们将解决这个核心痛点。我们将探索LangChain4j中强大的**记忆（Memory）**机制，为我们的AI助手装上“记忆芯片”，打造一个能真正联系上下文、进行多轮对话的智能聊天机器人。

第一部分：为什么需要记忆？无状态对话的痛点

HTTP协议本身是无状态的，这意味着每一次API请求都是独立的。当我们调用大模型API时，默认情况下，模型也不知道这次请求和上一次请求有任何关联。

为了让模型理解上下文，我们必须在每次请求时，都把之前的对话历史一起发送给它。一个包含了对话历史的请求体（Payload）看起来是这样的：

{"model": "deepseek-chat","messages": [{ "role": "user", "content": "你好，我叫张三。" },{ "role": "assistant", "content": "你好，张三！很高兴认识你。有什么可以帮你的吗？" },{ "role": "user", "content": "我叫什么名字？" } // <-- 当前问题]
}

只有当模型看到完整的messages列表时，它才能正确回答“你的名字是张三”。

手动管理这个messages列表非常繁琐：你需要自己存储每一轮的对话，并在下一次请求时重新构建这个列表。而LangChain4j的ChatMemory机制，就是为了将我们从这个繁琐的工作中彻底解放出来。

第二部分：LangChain4j的记忆核心：ChatMemory

ChatMemory是LangChain4j中用于处理对话历史的组件。它的工作原理非常简单：

在每次与AI交互之后，它会自动保存用户提问和AI的回答。
在下一次与AI交互之前，它会自动加载已保存的对话历史，并将其添加到发送给AI的提示中。

这一切都在后台自动发生，对我们开发者来说几乎是透明的。

LangChain4j提供了多种ChatMemory的实现，最常用的是：

• MessageWindowChatMemory：只保留最近的N条消息。这是一种简单有效的策略，可以防止对话历史过长，导致API请求成本过高或超出模型的Token限制。
• TokenWindowChatMemory：更精确的控制方式，只保留最近的N个Token内的消息。

第三部分：实战：为每个用户提供独立的记忆

在Web应用中，我们不能只有一个全局的记忆，否则所有用户的对话都会混在一起。我们需要为每一个独立的对话（或用户）提供一个独立的记忆实例。LangChain4j为此提供了ChatMemoryProvider。

ChatMemoryProvider可以被看作一个Map<ConversationId, ChatMemory>。它根据你提供的唯一对话ID，来存取对应的聊天记录。

1. 创建ChatMemoryProvider Bean

在我们的config包下，修改LangChain4jConfig.java，添加一个ChatMemoryProvider的Bean。

package com.example.aidemoapp.config;// ... other imports
import dev.langchain4j.memory.ChatMemory;
import dev.langchain4j.memory.chat.ChatMemoryProvider;
import dev.langchain4j.memory.chat.MessageWindowChatMemory;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;@Configuration
public class LangChain4jConfig {// ... chatLanguageModel Bean ...@Beanpublic ChatMemoryProvider chatMemoryProvider() {// 这个Bean会为每个用户（由memoryId标识）创建一个MessageWindowChatMemory实例// withMaxMessages(10)表示每个对话最多保留最近的10条消息return memoryId -> MessageWindowChatMemory.withMaxMessages(10);}
}

2. 将记忆提供者关联到AI服务

现在，我们需要告诉@AiService使用我们刚刚创建的ChatMemoryProvider。

修改Assistant.java接口：

package com.example.aidemoapp.service;import dev.langchain4j.service.MemoryId;
import dev.langchain4j.service.SystemMessage;
import dev.langchain4j.service.spring.AiService;// 使用chatMemoryProvider属性，指向我们定义的Bean的名字
@AiService(chatMemoryProvider = "chatMemoryProvider")
public interface Assistant {// 在需要记忆的chat方法中，增加一个用@MemoryId注解的参数@SystemMessage("You are a polite and helpful assistant.")String chat(@MemoryId String conversationId, String userMessage);
}

代码解析：

• @AiService(chatMemoryProvider = "chatMemoryProvider")：将Assistant与我们定义的记忆提供者Bean关联起来。
• @MemoryId String conversationId：这是最关键的一步。我们为chat方法增加了一个参数，并用@MemoryId注解它。LangChain4j会把传入这个参数的值（比如用户ID或Session ID）作为从ChatMemoryProvider中存取ChatMemory的Key。

第四部分：改造Controller并进行测试

最后，我们需要修改ChatController，以便在API请求中传入这个conversationId。

package com.example.aidemoapp.controller;// ... imports@RestController
@RequestMapping("/api/v2/chat")
@RequiredArgsConstructor
public class ChatController {private final Assistant assistant;@GetMappingpublic String chat(@RequestParam("id") String conversationId, // 新增id参数@RequestParam("message") String message) {return assistant.chat(conversationId, message);}// ... 其他方法 ...
}

测试我们的记忆功能！

现在，你可以用不同的id来模拟不同的用户对话。

1. 开启对话1 (id=user123)
   请求URL: http://localhost:8080/api/v2/chat?id=user123&message=你好，我叫张三
   AI可能会回答: 你好，张三！很高兴认识你。

2. 继续对话1
   请求URL: http://localhost:8080/api/v2/chat?id=user123&message=我叫什么名字？
   AI现在应该回答: 你的名字是张三。 (成功！它记住了！)

3. 开启一个全新的对话2 (id=user456)
   请求URL: http://localhost:8080/api/v2/chat?id=user456&message=我叫什么名字？
   AI应该回答: 抱歉，我不知道你的名字。 (成功！不同用户的记忆是隔离的！)

4. 为对话2提供信息
   请求URL: http://localhost:8080/api/v2/chat?id=user456&message=我叫李四
   AI可能会回答: 好的，李四。

5. 再次测试对话1的记忆
   请求URL: http://localhost:8080/api/v2/chat?id=user123&message=我叫什么名字？
   AI依然回答: 你的名字是张三。 (成功！记忆没有被混淆！)

总结

今天，我们为AI助手解决了“失忆症”这个最大的痛点。通过使用LangChain4j的ChatMemoryProvider和@MemoryId注解，我们以一种极其优雅和简单的方式，实现了可持久化的、按用户隔离的多轮对话能力。

我们的AI助手现在不仅能“说会道”，还能“过耳不忘”，这让它离一个真正的智能应用更近了一大步。

到目前为止，我们的AI助手的所有知识都来源于它预训练时所用的通用数据。但如果我们想让它成为一个特定领域的专家，比如让它学习我们公司的内部产品文档、技术手册，并基于这些私有知识来回答问题，该怎么做呢？

---

下一篇预告：
《Java大模型开发入门 (8/15)：连接外部世界(上) - RAG入门与文档加载》—— 我们的AI已经很会“聊”了，但它只知道公开的知识。如何让它学习我们的私有文档（如PDF、Word）并回答相关问题？我们将开启通往构建企业级知识库问答机器人的核心技术——RAG（检索增强生成）之旅！