企业官网建设流程全解析

网站策划的最终体现是撰写网站策划书,如何为企业做网站,php网站开发实战教程,做网站挂谷歌广告赚钱吗文章介绍了智能Agent的双重记忆架构#xff1a;即时工作空间#xff08;短期记忆#xff09;和持久知识库#xff08;长期记忆#xff09;。通过实战案例展示了如何构建具有记忆功能的聊天机器人#xff0c;使用LangChain和LangGraph两种框架实现。系统既能记住当前对话内…文章介绍了智能Agent的双重记忆架构即时工作空间短期记忆和持久知识库长期记忆。通过实战案例展示了如何构建具有记忆功能的聊天机器人使用LangChain和LangGraph两种框架实现。系统既能记住当前对话内容短期记忆又能长期保存用户偏好等个性化信息长期记忆实现跨会话的连贯交互。代码实现包括用户档案管理、对话历史处理、记忆更新机制等关键功能为开发者提供了完整的参考范例。一.简介想象一位经验丰富的顾问他不仅能记住刚刚与你对话的细节短期记忆还能调取过往所有客户的资料、行业知识以及成功案例长期记忆从而为你提供精准且富有洞察力的建议。智能 Agent 的记忆系统正是这样一个双重架构它连接着 Agent 的即时感知与累积智慧是实现连续、个性化交互的基石。即时工作空间Agent 的“临场记忆”即时工作空间相当于 Agent 的“临场记忆”或“工作台”。它聚焦于当前任务的上下文确保 Agent 在处理单一请求或连续对话时能够保持连贯性。本质与载体对于基于大语言模型LLM的 Agent这个工作空间就是模型的上下文窗口。所有近期的对话轮次、工具调用的结果、以及 Agent 对当前步骤的思考都暂存于此作为模型生成下一个响应的直接依据。核心挑战这个工作空间是有限的且易逝的。上下文窗口的大小直接限制了 Agent 能“记住”多少即时信息。一旦信息超出窗口或对话会话结束这些“临场记忆”便会消失。尽管“长上下文”技术扩展了工作台的面积但它并未解决信息的持久化问题且每次处理海量上下文会带来高昂的计算成本。管理策略高效的管理意味着在有限空间内保留最关键的“工作素材”。这包括对话摘要、关键信息提取等技术确保 Agent 始终聚焦于核心任务而非被无关紧要的细节淹没。持久知识库Agent 的“成长档案”持久知识库是 Agent 跨越时间与会话的“成长档案”。它存储着 Agent 需要长期保留的知识、经验和用户个性化信息是其实现真正智能和持续进化的关键。本质与载体信息被存储在 LLM 的外部如向量数据库。通过将文本、图像等信息转换为高维数字向量Agent 可以进行语义搜索即根据含义而非精确关键词来检索相关信息。当需要时Agent 会查询这个知识库将检索到的相关信息“调取”到即时工作空间上下文窗口与当前任务结合。核心价值这个知识库赋予了 Agent 维护历史、持续学习、个性化交互以及处理复杂长期任务的能力。它让每一次交互都成为成长的积累而非孤立的片段。持久知识库的三大层次我们可以将 Agent 的持久知识库进一步细分为三个相互关联的层次这更贴近人类记忆的复杂性事实核心这是 Agent 存储客观事实的层面相当于其“知识词典”。例如用户的偏好“我喜欢科幻电影”、领域知识“Python 是一种解释型语言”等。这些信息构成了 Agent 提供个性化响应的基础。经验日志这是 Agent 记录“如何做事”的层面存储着过去成功解决问题的完整经历。当遇到类似任务时Agent 可以回顾这些“经验日志”通常通过少样本提示实现模仿成功的路径来解决问题。行为准则这是 Agent 的“内部宪法”定义了其基本的行为模式、角色定位和核心指令。这部分通常固化在系统提示中但高级 Agent 还能通过“反思”机制根据交互反馈来不断优化和修订自己的行为准则实现自我进化。二.实战案例 – 聊天机器人目标创建一个聊天机器人它能短期记忆记住当前对话中的最近几轮内容。长期记忆记住用户的名字、偏好等信息即使重启程序也能回忆起来。三.langchain实现我们结合 DeepSeek 和 LangChain来构建一个既能记住当前对话又能跨会话记住用户关键信息的个人助理。import ast import os import json from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnablePassthrough, RunnableWithMessageHistory from langchain_core.messages import trim_messages from langchain_core.chat_history import BaseChatMessageHistory from langchain_community.chat_message_histories import ChatMessageHistory # --- 1. 初始化llm --- from init_client import init_llm llm init_llm(0.7) # --- 2. 模拟长期记忆事实核心 --- USER_PROFILE_FILE user_profile.json def load_user_profile(inputs: dict) - str: 加载用户配置文件并格式化为字符串。 if os.path.exists(USER_PROFILE_FILE): with open(USER_PROFILE_FILE, r) as f: profile json.load(f) return json.dumps(profile, indent2) return 暂无信息 def save_user_fact(fact: dict): 保存一个新事实到用户配置文件 profile {} if os.path.exists(USER_PROFILE_FILE): with open(USER_PROFILE_FILE, r) as f: profile json.load(f) profile.update(fact) with open(USER_PROFILE_FILE, w) as f: json.dump(profile, f, indent4) print(f[系统] 已记住新信息: {fact}) # --- 3. 配置短期记忆使用新范式 --- # a. 创建一个存储会话历史的字典。在实际应用中这可以是 Redis 或数据库。 store {} # b. 定义一个函数根据 session_id 获取或创建会话历史 def get_session_history(session_id: str) - BaseChatMessageHistory: if session_id not in store: store[session_id] ChatMessageHistory() return store[session_id] # --- 4. 创建提示词模板 --- prompt ChatPromptTemplate.from_messages([ (system, 你是一个友好且健谈的个人助理。你的名字是 花花 助理。 请根据下方的【用户档案】和【对话历史】来回答用户的问题。 如果用户提供了新的个人信息请在回答的末尾用一句话总结并以 [记忆更新] 开头例如[记忆更新] {{key: value}}。 \n\n【用户档案】:\n{user_profile}), MessagesPlaceholder(variable_namechat_history), (human, {question}) ]) # --- 5. 创建一个带窗口限制的内部链 --- # 这个链负责处理核心逻辑包括加载用户档案和修剪历史 trimmer trim_messages( max_tokens4, # 保留最近4条消息 (2轮对话) strategylast, token_counterlen, ) # base_chain 定义了核心处理流程但它不知道如何获取历史 base_chain ( RunnablePassthrough.assign(user_profileload_user_profile) | RunnablePassthrough.assign(chat_historytrimmer) # 在这里修剪历史 | prompt | llm | StrOutputParser() ) # --- 6. 使用 RunnableWithMessageHistory 包装核心链 --- # 这是最终暴露给用户的链它负责管理历史记录 final_chain RunnableWithMessageHistory( base_chain, get_session_history, input_messages_keyquestion, history_messages_keychat_history, ) # --- 7. 主交互循环 --- def chat_loop(): print(花花 助理已启动输入 quit 退出。) if os.path.exists(USER_PROFILE_FILE): os.remove(USER_PROFILE_FILE) # 为本次会话设定一个固定的 session_id session_id user_001_session while True: user_input input(你: ) if user_input.lower() quit: break # 调用 final_chain将 session_id 放在 config 中 ai_response final_chain.invoke( {question: user_input}, # 输入只包含问题 config{configurable: {session_id: session_id}} # session_id 在这里传递 ) print(f\n助理: {ai_response}\n) # --- 调用后处理手动管理长期记忆 --- if [记忆更新] in ai_response: try: fact_str ai_response.split([记忆更新])[1].strip() new_fact json.loads(fact_str) save_user_fact(new_fact) except (json.JSONDecodeError, IndexError): try: new_fact ast.literal_eval(fact_str) save_user_fact(new_fact) except Exception as e2: print([系统] 未能解析记忆更新。) if __name__ __main__: chat_loop()代码解释这段代码实现了一个名为花花助理的聊天机器人具有长期和短期记忆功能。我将逐步解释代码的主要部分 1. 初始化 # 初始化LLM from init_client import init_llm llm init_llm(0.7) 2. 长期记忆实现 USER_PROFILE_FILE user_profile.json def load_user_profile(inputs: dict) - str: 加载用户配置文件并格式化为字符串。 if os.path.exists(USER_PROFILE_FILE): with open(USER_PROFILE_FILE, r) as f: profile json.load(f) return json.dumps(profile, indent2) return 暂无信息 def save_user_fact(fact: dict): 保存一个新事实到用户配置文件 profile {} if os.path.exists(USER_PROFILE_FILE): with open(USER_PROFILE_FILE, r) as f: profile json.load(f) profile.update(fact) with open(USER_PROFILE_FILE, w) as f: json.dump(profile, f, indent4) print(f[系统] 已记住新信息: {fact}) 这部分实现了长期记忆功能 使用JSON文件存储用户信息 load_user_profile函数加载并返回用户配置文件内容 save_user_fact函数用于保存新的用户信息到配置文件中 3. 短期记忆实现 # 创建一个存储会话历史的字典 store {} # 定义一个函数根据 session_id 获取或创建会话历史 def get_session_history(session_id: str) - BaseChatMessageHistory: if session_id not in store: store[session_id] ChatMessageHistory() return store[session_id] 这部分实现了短期记忆功能 使用字典store存储会话历史 get_session_history函数根据session_id获取或创建会话历史对象 4. 提示词模板 prompt ChatPromptTemplate.from_messages([ (system, 你是一个友好且健谈的个人助理。你的名字是 花花 助理。 请根据下方的【用户档案】和【对话历史】来回答用户的问题。 如果用户提供了新的个人信息请在回答的末尾用一句话总结并以 [记忆更新] 开头例如[记忆更新] {{key: value}}。 \n\n【用户档案】:\n{user_profile}), MessagesPlaceholder(variable_namechat_history), (human, {question}) ]) 创建了一个聊天提示模板包含 系统指令定义AI角色、名字以及如何处理用户信息 用户档案占位符插入长期记忆 聊天历史占位符插入短期记忆 用户问题占位符 5. 核心处理链 # 创建消息修剪器 trimmer trim_messages( max_tokens4, # 保留最近4条消息 (2轮对话) strategylast, token_counterlen, ) # 定义核心处理流程 base_chain ( RunnablePassthrough.assign(user_profileload_user_profile) | RunnablePassthrough.assign(chat_historytrimmer) # 在这里修剪历史 | prompt | llm | StrOutputParser() ) # 使用RunnableWithMessageHistory包装核心链 final_chain RunnableWithMessageHistory( base_chain, get_session_history, input_messages_keyquestion, history_messages_keychat_history, ) 这部分构建了处理链 创建消息修剪器只保留最近的4条消息 base_chain定义核心处理流程加载用户档案 → 修剪聊天历史 → 应用提示模板 → 调用LLM → 解析输出 使用RunnableWithMessageHistory包装base_chain使其能够管理会话历史 6. 主交互循环 def chat_loop(): print(花花 助理已启动输入 quit 退出。) if os.path.exists(USER_PROFILE_FILE): os.remove(USER_PROFILE_FILE) # 为本次会话设定一个固定的 session_id session_id user_001_session while True: user_input input(你: ) if user_input.lower() quit: break # 调用 final_chain将 session_id 放在 config 中 ai_response final_chain.invoke( {question: user_input}, # 输入只包含问题 config{configurable: {session_id: session_id}} # session_id 在这里传递 ) print(f\n助理: {ai_response}\n) # 调用后处理手动管理长期记忆 if [记忆更新] in ai_response: try: fact_str ai_response.split([记忆更新])[1].strip() new_fact json.loads(fact_str) save_user_fact(new_fact) except (json.JSONDecodeError, IndexError): try: new_fact ast.literal_eval(fact_str) save_user_fact(new_fact) except Exception as e2: print([系统] 未能解析记忆更新。) chat_loop函数实现了主交互循环 启动时删除旧的用户配置文件如果存在 设置固定的session_id 循环获取用户输入调用final_chain获取AI响应 如果响应中包含[记忆更新]标记则解析并保存新信息到用户配置文件 7. 程序入口 if __name__ __main__: chat_loop() 当脚本作为主程序运行时启动聊天循环。 总结 这个代码实现了一个具有记忆功能的聊天机器人主要特点包括 长期记忆通过JSON文件存储用户信息在会话之间保持持久化 短期记忆使用LangChain的会话历史管理功能保留最近的对话上下文 记忆更新机制AI在回答中可以标记新信息程序会自动解析并保存到长期记忆中 对话窗口限制只保留最近的4条消息避免上下文过长 会话管理使用session_id来区分不同的会话四.langgraph实现import os import json import ast from typing import Dict, Any, List, TypedDict from langgraph.graph import StateGraph, END from langchain_core.messages import HumanMessage, AIMessage from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnablePassthrough # 定义状态类型 class ConversationState(TypedDict): user_input: str chat_history: List[Any] user_profile: Dict[str, Any] response: str memory_updates: Dict[str, Any] # 文件路径 USER_PROFILE_FILE user_profile.json CHAT_HISTORY_FILE chat_history.json # 初始化llm from init_client import init_llm llm init_llm(0.7) # 用户档案管理 def load_user_profile() - Dict[str, Any]: 加载用户档案 if os.path.exists(USER_PROFILE_FILE): with open(USER_PROFILE_FILE, r) as f: return json.load(f) return {} def save_user_fact(fact: Dict[str, Any]): 保存新事实到用户档案 profile load_user_profile() profile.update(fact) with open(USER_PROFILE_FILE, w) as f: json.dump(profile, f, indent4) print(f[系统] 已记住新信息: {fact}) # 对话历史管理 def load_chat_history(session_id: str) - List[Any]: 加载对话历史 histories {} if os.path.exists(CHAT_HISTORY_FILE): with open(CHAT_HISTORY_FILE, r) as f: histories json.load(f) # 获取特定会话的历史 session_history histories.get(session_id, []) # 将字典转换为消息对象 chat_history [] for msg in session_history: if msg[type] human: chat_history.append(HumanMessage(contentmsg[content])) elif msg[type] ai: chat_history.append(AIMessage(contentmsg[content])) return chat_history def save_chat_history(session_id: str, chat_history: List[Any]): 保存对话历史 histories {} if os.path.exists(CHAT_HISTORY_FILE): with open(CHAT_HISTORY_FILE, r) as f: histories json.load(f) # 将消息对象转换为字典 session_history [] for msg in chat_history: if isinstance(msg, HumanMessage): session_history.append({type: human, content: msg.content}) elif isinstance(msg, AIMessage): session_history.append({type: ai, content: msg.content}) histories[session_id] session_history with open(CHAT_HISTORY_FILE, w) as f: json.dump(histories, f, indent4) # 提示词模板 def create_prompt_template(): 创建提示词模板 system_prompt ( 你是一个友好且健谈的个人助理。你的名字是 花花 助理。 请根据下方的【用户档案】和【对话历史】来回答用户的问题。 如果用户提供了新的个人信息请在回答的末尾用一句话总结并以 [记忆更新] 开头例如[记忆更新] {{key: value}}。 ) prompt ChatPromptTemplate.from_messages([ (system, system_prompt), MessagesPlaceholder(variable_namechat_history), (human, {user_input}), (system, \n\n【用户档案】:\n{user_profile}) ]) return prompt # 定义LangGraph节点函数 def load_memory(state: ConversationState, session_id: str) - ConversationState: 加载长期记忆到状态中 state[user_profile] load_user_profile() state[chat_history] load_chat_history(session_id) return state def generate_response(state: ConversationState, model, prompt) - ConversationState: 生成AI响应 chain ( RunnablePassthrough.assign(user_profilelambda x: json.dumps(x[user_profile], indent2)) | prompt | model | StrOutputParser() ) response chain.invoke({ user_input: state[user_input], chat_history: state[chat_history], user_profile: state[user_profile] }) state[response] response return state def extract_memory_updates(state: ConversationState) - ConversationState: 从响应中提取记忆更新 response state[response] memory_updates {} if [记忆更新] in response: try: fact_str response.split([记忆更新])[1].strip() memory_updates json.loads(fact_str) except (json.JSONDecodeError, IndexError): try: memory_updates ast.literal_eval(fact_str) except Exception: print([系统] 未能解析记忆更新。) state[memory_updates] memory_updates return state def update_memory(state: ConversationState) - ConversationState: 更新长期记忆 if state[memory_updates]: save_user_fact(state[memory_updates]) return state def update_chat_history(state: ConversationState, session_id: str) - ConversationState: 更新对话历史 chat_history state[chat_history] chat_history.append(HumanMessage(contentstate[user_input])) chat_history.append(AIMessage(contentstate[response])) state[chat_history] chat_history # 保存到文件 save_chat_history(session_id, chat_history) return state # 创建LangGraph工作流 def create_conversation_graph(): 创建对话工作流图 prompt create_prompt_template() # 创建工作流图 workflow StateGraph(ConversationState) # 添加节点 workflow.add_node(load_memory, lambda state: load_memory(state, session_iduser_001_session)) workflow.add_node(generate_response, lambda state: generate_response(state, llm, prompt)) workflow.add_node(extract_memory_updates, extract_memory_updates) workflow.add_node(update_memory, update_memory) workflow.add_node(update_chat_history, lambda state: update_chat_history(state, session_iduser_001_session)) # 设置入口点 workflow.set_entry_point(load_memory) # 添加边 workflow.add_edge(load_memory, generate_response) workflow.add_edge(generate_response, extract_memory_updates) workflow.add_edge(extract_memory_updates, update_memory) workflow.add_edge(update_memory, update_chat_history) workflow.add_edge(update_chat_history, END) # 编译工作流不使用checkpointer app workflow.compile() return app # 主交互循环 def chat_loop(): 主交互循环 print(花花 助理已启动输入 quit 退出。) # 如果用户档案文件存在删除它以开始新的会话 if os.path.exists(USER_PROFILE_FILE): os.remove(USER_PROFILE_FILE) # 如果对话历史文件存在删除它以开始新的会话 if os.path.exists(CHAT_HISTORY_FILE): os.remove(CHAT_HISTORY_FILE) # 创建对话图 app create_conversation_graph() # 可选可视化图的结构 app.get_graph().print_ascii() # 为本次会话设定一个固定的 session_id session_id user_001_session while True: user_input input(你: ) if user_input.lower() quit: break # 初始化状态 initial_state { user_input: user_input, chat_history: [], user_profile: {}, response: , memory_updates: {} } # 运行工作流 result app.invoke(initial_state) # 打印AI响应 print(f\n助理: {result[response]}\n) if __name__ __main__: chat_loop()代码解释1. 状态定义 class ConversationState(TypedDict): user_input: str chat_history: List[Any] user_profile: Dict[str, Any] response: str memory_updates: Dict[str, Any] 定义了对话系统的状态结构包括用户输入、聊天历史、用户档案、AI响应和记忆更新。 2. 文件路径与LLM初始化 USER_PROFILE_FILE user_profile.json CHAT_HISTORY_FILE chat_history.json from init_client import init_llm llm init_llm(0.7) 设置了存储用户档案和聊天历史的文件路径并初始化了LLM模型(温度参数为0.7)。 3. 用户档案管理 def load_user_profile() - Dict[str, Any]: 加载用户档案 if os.path.exists(USER_PROFILE_FILE): with open(USER_PROFILE_FILE, r) as f: return json.load(f) return {} def save_user_fact(fact: Dict[str, Any]): 保存新事实到用户档案 profile load_user_profile() profile.update(fact) with open(USER_PROFILE_FILE, w) as f: json.dump(profile, f, indent4) print(f[系统] 已记住新信息: {fact}) 这两个函数负责从文件加载用户档案和将新信息保存到用户档案中。 4. 对话历史管理 def load_chat_history(session_id: str) - List[Any]: 加载对话历史 histories {} if os.path.exists(CHAT_HISTORY_FILE): with open(CHAT_HISTORY_FILE, r) as f: histories json.load(f) # 获取特定会话的历史 session_history histories.get(session_id, []) # 将字典转换为消息对象 chat_history [] for msg in session_history: if msg[type] human: chat_history.append(HumanMessage(contentmsg[content])) elif msg[type] ai: chat_history.append(AIMessage(contentmsg[content])) return chat_history def save_chat_history(session_id: str, chat_history: List[Any]): 保存对话历史 histories {} if os.path.exists(CHAT_HISTORY_FILE): with open(CHAT_HISTORY_FILE, r) as f: histories json.load(f) # 将消息对象转换为字典 session_history [] for msg in chat_history: if isinstance(msg, HumanMessage): session_history.append({type: human, content: msg.content}) elif isinstance(msg, AIMessage): session_history.append({type: ai, content: msg.content}) histories[session_id] session_history with open(CHAT_HISTORY_FILE, w) as f: json.dump(histories, f, indent4) 这两个函数负责加载和保存对话历史支持多会话管理并处理消息对象与字典之间的转换。 5. 提示词模板 def create_prompt_template(): 创建提示词模板 system_prompt ( 你是一个友好且健谈的个人助理。你的名字是 花花 助理。 请根据下方的【用户档案】和【对话历史】来回答用户的问题。 如果用户提供了新的个人信息请在回答的末尾用一句话总结并以 [记忆更新] 开头例如[记忆更新] {{key: value}}。 ) prompt ChatPromptTemplate.from_messages([ (system, system_prompt), MessagesPlaceholder(variable_namechat_history), (human, {user_input}), (system, \n\n【用户档案】:\n{user_profile}) ]) return prompt 创建了一个包含系统提示、对话历史占位符、用户输入和用户档案的提示词模板。系统提示要求AI在回答问题时参考用户档案和对话历史并在检测到新信息时以特定格式标记。 6. LangGraph节点函数 def load_memory(state: ConversationState, session_id: str) - ConversationState: 加载长期记忆到状态中 state[user_profile] load_user_profile() state[chat_history] load_chat_history(session_id) return state def generate_response(state: ConversationState, model, prompt) - ConversationState: 生成AI响应 chain ( RunnablePassthrough.assign(user_profilelambda x: json.dumps(x[user_profile], indent2)) | prompt | model | StrOutputParser() ) response chain.invoke({ user_input: state[user_input], chat_history: state[chat_history], user_profile: state[user_profile] }) state[response] response return state def extract_memory_updates(state: ConversationState) - ConversationState: 从响应中提取记忆更新 response state[response] memory_updates {} if [记忆更新] in response: try: fact_str response.split([记忆更新])[1].strip() memory_updates json.loads(fact_str) except (json.JSONDecodeError, IndexError): try: memory_updates ast.literal_eval(fact_str) except Exception: print([系统] 未能解析记忆更新。) state[memory_updates] memory_updates return state def update_memory(state: ConversationState) - ConversationState: 更新长期记忆 if state[memory_updates]: save_user_fact(state[memory_updates]) return state def update_chat_history(state: ConversationState, session_id: str) - ConversationState: 更新对话历史 chat_history state[chat_history] chat_history.append(HumanMessage(contentstate[user_input])) chat_history.append(AIMessage(contentstate[response])) state[chat_history] chat_history # 保存到文件 save_chat_history(session_id, chat_history) return state 这些函数定义了LangGraph工作流中的各个节点 load_memory: 加载用户档案和对话历史 generate_response: 基于用户输入、对话历史和用户档案生成AI响应 extract_memory_updates: 从AI响应中提取记忆更新信息 update_memory: 将新信息保存到用户档案 update_chat_history: 更新对话历史 7. LangGraph工作流创建 def create_conversation_graph(): 创建对话工作流图 prompt create_prompt_template() # 创建工作流图 workflow StateGraph(ConversationState) # 添加节点 workflow.add_node(load_memory, lambda state: load_memory(state, session_iduser_001_session)) workflow.add_node(generate_response, lambda state: generate_response(state, llm, prompt)) workflow.add_node(extract_memory_updates, extract_memory_updates) workflow.add_node(update_memory, update_memory) workflow.add_node(update_chat_history, lambda state: update_chat_history(state, session_iduser_001_session)) # 设置入口点 workflow.set_entry_point(load_memory) # 添加边 workflow.add_edge(load_memory, generate_response) workflow.add_edge(generate_response, extract_memory_updates) workflow.add_edge(extract_memory_updates, update_memory) workflow.add_edge(update_memory, update_chat_history) workflow.add_edge(update_chat_history, END) # 编译工作流不使用checkpointer app workflow.compile() return app 这个函数创建了一个完整的对话工作流图定义了节点之间的转换关系。工作流程是 加载记忆 → 2. 生成响应 → 3. 提取记忆更新 → 4. 更新记忆 → 5. 更新对话历史 → 结束 8. 主交互循环 def chat_loop(): 主交互循环 print(花花 助理已启动输入 quit 退出。) # 如果用户档案文件存在删除它以开始新的会话 if os.path.exists(USER_PROFILE_FILE): os.remove(USER_PROFILE_FILE) # 如果对话历史文件存在删除它以开始新的会话 if os.path.exists(CHAT_HISTORY_FILE): os.remove(CHAT_HISTORY_FILE) # 创建对话图 app create_conversation_graph() # 可选可视化图的结构 app.get_graph().print_ascii() # 为本次会话设定一个固定的 session_id session_id user_001_session while True: user_input input(你: ) if user_input.lower() quit: break # 初始化状态 initial_state { user_input: user_input, chat_history: [], user_profile: {}, response: , memory_updates: {} } # 运行工作流 result app.invoke(initial_state) # 打印AI响应 print(f\n助理: {result[response]}\n) 这个函数实现了用户与系统的交互循环。每次用户输入后系统会初始化状态运行工作流并打印AI的响应。用户输入quit可以退出程序。 9. 程序入口 if __name__ __main__: chat_loop() 这是程序的入口点当脚本被直接运行时会启动聊天循环。 总结 这个代码实现了一个具有长期记忆功能的对话系统主要特点包括 持久化记忆系统能够记住用户的个人信息并在后续对话中使用 对话历史管理维护完整的对话历史提供上下文 自动记忆更新从AI响应中自动提取并保存新信息 结构化工作流使用LangGraph构建清晰的对话流程 多会话支持虽然当前实现使用固定会话ID但架构支持多会话管理 这种设计使得对话系统能够在多次交互中保持上下文提供更加个性化和连贯的对话体验。​最后我在一线科技企业深耕十二载见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】​​为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。​​资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念‌通过动态追踪大模型开发、数据标注伦理等前沿技术趋势‌构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事‌​​​​如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生‌无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型‌非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界‌。业务赋能 ‌突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型‌。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**​