SpringAI记忆机制：让大模型真正记住你
·
目录
一、Spring AI ChatMemory：让大模型"记住"你
一、Spring AI ChatMemory：让大模型"记住"你
Spring AI 提供了 ChatMemory 组件，专门用于存储聊天记录。它允许你在跨多个交互时维护上下文或状态。
1.1 核心组件
@AutoConfiguration
@ConditionalOnClass({ ChatMemory.class, ChatMemoryRepository.class })
public class ChatMemoryAutoConfiguration {
@Bean
@ConditionalOnMissingBean
ChatMemoryRepository chatMemoryRepository() {
return new InMemoryChatMemoryRepository();
}
@Bean
@ConditionalOnMissingBean
ChatMemory chatMemory(ChatMemoryRepository chatMemoryRepository) {
return MessageWindowChatMemory.builder()
.chatMemoryRepository(chatMemoryRepository)
.build();
}
}1.2 使用 Advisor 简化操作
Spring AI 提供了 PromptChatMemoryAdvisor，专门用于对话记忆的拦截，无需手动维护：
@SpringBootTest
public class ChatMemoryTest {
private ChatClient chatClient;
@BeforeEach
public void init(@Autowired DeepSeekChatModel chatModel,
@Autowired ChatMemory chatMemory) {
chatClient = ChatClient.builder(chatModel)
.defaultAdvisors(
PromptChatMemoryAdvisor.builder(chatMemory).build()
)
.build();
}
@Test
public void testChatOptions() {
// 第一次对话 → 存入记忆
String content = chatClient.prompt()
.user("我叫xx")
.advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID, "1"))
.call()
.content();
// 第二次对话 → 从记忆读取上下文
content = chatClient.prompt()
.user("我叫什么？")
.advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID, "1"))
.call()
.content();
// 输出："你叫xx"
}
}1.3 配置最大消息数
对话记录发送给大模型都是按 Token 计费的，过多的记录会导致：
-
Token 超限
-
成本增加
-
响应变慢
@Bean
ChatMemory chatMemory(ChatMemoryRepository chatMemoryRepository) {
return MessageWindowChatMemory.builder()
.maxMessages(10) // 默认20条（10轮对话），先进先出
.chatMemoryRepository(chatMemoryRepository)
.build();
}1.4 多用户隔离记忆
不同用户的对话记录需要隔离：
@Test
public void testMultiUser() {
// 用户1的对话
chatClient.prompt()
.user("我叫xx")
.advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID, "1"))
.call();
// 用户2的对话（独立记忆）
chatClient.prompt()
.user("我叫什么？")
.advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID, "2"))
.call();
// 用户2不知道xx是谁 ✅
}二、存储持久化：从内存到数据库
默认情况下，ChatMemory 存储在 JVM 内存中，存在两个问题：
-
内存溢出（OOM）
-
重启后数据丢失
Spring AI 内置了多种持久化方案：Cassandra、JDBC、Neo4j、MongoDB 等。
2.1 JDBC 存储（MySQL）
添加依赖：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-chat-memory-repository-jdbc</artifactId>
</dependency>
<dependency>
<groupId>org.springframework.boot</groupId>
<artifactId>spring-boot-starter-jdbc</artifactId>
</dependency>
<dependency>
<groupId>com.mysql</groupId>
<artifactId>mysql-connector-j</artifactId>
<scope>runtime</scope>
</dependency>配置 application.yml：
spring:
datasource:
username: root
password: 123456
url: jdbc:mysql://localhost:3306/springai?characterEncoding=utf8&useSSL=false&serverTimezone=UTC
driver-class-name: com.mysql.cj.jdbc.Driver
spring.ai.chat.memory.repository.jdbc.initialize-schema=always
spring.ai.chat.memory.repository.jdbc.schema=classpath:/schema-mysql.sql建表脚本 schema-mysql.sql：
CREATE TABLE IF NOT EXISTS SPRING_AI_CHAT_MEMORY (
`conversation_id` VARCHAR(36) NOT NULL,
`content` TEXT NOT NULL,
`type` VARCHAR(10) NOT NULL,
`timestamp` TIMESTAMP NOT NULL,
INDEX `SPRING_AI_CHAT_MEMORY_CONVERSATION_ID_TIMESTAMP_IDX` (`conversation_id`, `timestamp`)
);配置类：
@Configuration
public class ChatMemoryConfig {
@Bean
ChatMemory chatMemory(JdbcChatMemoryRepository chatMemoryRepository) {
return MessageWindowChatMemory.builder()
.maxMessages(10)
.chatMemoryRepository(chatMemoryRepository)
.build();
}
}2.2 Redis 存储
Alibaba 提供了现成的 Redis 实现（GitHub 地址）：
<properties>
<jedis.version>5.2.0</jedis.version>
</properties>
<dependency>
<groupId>com.alibaba.cloud.ai</groupId>
<artifactId>spring-ai-alibaba-starter-memory-redis</artifactId>
</dependency>
<dependency>
<groupId>redis.clients</groupId>
<artifactId>jedis</artifactId>
<version>${jedis.version}</version>
</dependency>spring:
ai:
memory:
redis:
host: localhost
port: 6379
timeout: 5000
password:@Configuration
public class RedisMemoryConfig {
@Value("${spring.ai.memory.redis.host:localhost}")
private String redisHost;
@Value("${spring.ai.memory.redis.port:6379}")
private int redisPort;
@Value("${spring.ai.memory.redis.password:}")
private String redisPassword;
@Value("${spring.ai.memory.redis.timeout:5000}")
private int redisTimeout;
@Bean
public RedisChatMemoryRepository redisChatMemoryRepository() {
return RedisChatMemoryRepository.builder()
.host(redisHost)
.port(redisPort)
// .password(redisPassword)
.timeout(redisTimeout)
.build();
}
}//数据库测试
@Test
public void testChatOptions3() {
String content = chatClient.prompt()
.user("你好，我叫搜搜！")
.advisors(new BeReadingAdvisor())
.advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID,"1"))
.call()
.content();
System.out.println(content);
System.out.println("--------------------------------------------------------------------------");
content = chatClient.prompt()
.user("我叫什么 ？")
.advisors(new BeReadingAdvisor())
.advisors(advisorSpec -> advisorSpec.param(ChatMemory.CONVERSATION_ID,"1"))
.call()
.content();
System.out.println(content);
}三、多层次记忆架构（模仿人类记忆）
3.1 痛点分析
记忆多 = 更聪明，但会触发 Token 上限。如何在有限窗口内保留更多有用信息？
人类记忆分为三种：瞬时记忆、短时记忆、长时记忆。我们可以借鉴这个模型：
text
┌─────────────────────────────────────────────────────────────┐ │ 多层次记忆架构 │ ├─────────────────────────────────────────────────────────────┤ │ 📍 近期记忆（短期） │ 最近 10 条对话，直接上下文窗口 │ ├─────────────────────────────────────────────────────────────┤ │ 📍 中期记忆（中期） │ RAG 检索相关历史（Top-K ≈ 5条） │ ├─────────────────────────────────────────────────────────────┤ │ 📍 长期记忆（长期） │ 定时批处理 / 关键点实时提取 │ └─────────────────────────────────────────────────────────────┘
四、架构总览
┌────────────────────────────────────────────────────────────────┐
│ 用户交互 │
└────────────────────┬───────────────────────────────────────────┘
▼
┌────────────────────────────────────────────────────────────────┐
│ PromptChatMemoryAdvisor (拦截器) │
│ ┌─────────────┐ ┌─────────────┐ ┌────────────────────────┐ │
│ │ 近期记忆 │ │ 中期记忆 │ │ 长期记忆 │ │
│ │ (最近10条) │ + │ (RAG Top5) │ + │ (总结/关键点) │ │
│ └─────────────┘ └─────────────┘ └────────────────────────┘ │
└────────────────────┬───────────────────────────────────────────┘
▼
┌────────────────────────────────────────────────────────────────┐
│ 大模型 API 调用 │
└────────────────────────────────────────────────────────────────┘
五、总结
| 层级 | 技术方案 | 特点 |
|---|---|---|
| 近期记忆 | ChatMemory + JDBC/Redis | 实时、高频、低延迟 |
| 中期记忆 | RAG + 向量数据库 | 检索相关历史、按需加载 |
| 长期记忆 | 批处理/实时提取 | 沉淀知识、精炼存储 |
这种多层次记忆架构，能够在有限的 Token 窗口内最大化保留有用信息，让 AI 对话更接近"人"的自然交互体验。
中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。
更多推荐
9
0- 0
已为社区贡献1条内容
所有评论(0)