对话知识图谱

这种类型的记忆使用知识图谱来重现记忆。

使用 LLM 记忆

from langchain.memory import ConversationKGMemory
from langchain_openai import OpenAI

llm = OpenAI(temperature=0)
memory = ConversationKGMemory(llm=llm)
memory.save_context({"input": "对Sam打招呼"}, {"output": "Sam是谁"})
memory.save_context({"input": "Sam是朋友"}, {"output": "好的"})

memory.load_memory_variables({"input": "Sam是谁"})

{'history': '关于 Sam: Sam 是朋友。'}

我们也可以将历史记录作为消息列表获取（如果您与聊天模型一起使用，则此功能很有用）。

memory = ConversationKGMemory(llm=llm, return_messages=True)
memory.save_context({"input": "对Sam打招呼"}, {"output": "Sam是谁"})
memory.save_context({"input": "Sam是朋友"}, {"output": "好的"})

memory.load_memory_variables({"input": "Sam是谁"})

{'history': [SystemMessage(content ='关于 Sam: Sam 是朋友。', additional_kwargs ={})]}

我们还可以更模块化地从新消息中获取当前实体（将使用先前的消息作为上下文）。

memory.get_current_entities("Sam最喜欢的颜色是什么？")

['Sam']

我们还可以更模块化地从新消息中获取知识三元组（将使用先前的消息作为上下文）。

memory.get_knowledge_triplets("她最喜欢的颜色是红色")

[KnowledgeTriple(subject ='Sam', predicate ='最喜欢的颜色', object_='红色')]

在链条中使用

现在让我们在链条中使用它！

llm = OpenAI(temperature=0)
from langchain.chains import ConversationChain
from langchain_core.prompts.prompt import PromptTemplate
 
template = """下面是一个友好的人工智能和人类之间的对话。人工智能健谈并提供了大量来自其上下文的详细信息。
如果人工智能对一个问题不知道答案，它会真实地说它不知道。人工智能仅使用包含在“相关信息”部分中的信息，不会产生幻觉。
 
相关信息：
 
{history}
 
对话：
人类：{input}
人工智能："""
prompt = PromptTemplate(input_variables=["history", "input"], template=template)
conversation_with_kg = ConversationChain(
    llm=llm, verbose=True, prompt=prompt, memory=ConversationKGMemory(llm=llm)
)

conversation_with_kg.predict(input="嗨，最近怎么样？")

[1m > 进入新的 ConversationChain 链条...[0m
格式化后的提示：
[32; 1m[1; 3m 下面是一个友好的人工智能和人类之间的对话。人工智能健谈并提供了大量来自其上下文的详细信息。
如果人工智能对一个问题不知道答案，它会真实地说它不知道。人工智能仅使用包含在“相关信息”部分中的信息，不会产生幻觉。

相关信息：



对话：
人类：嗨，最近怎么样？
人工智能：[0m

[1m > 完成链条。[0m





" 嗨！我过得很好。我正在学习我们周围的世界。我正在了解不同的文化，语言和风俗习惯。真是很有意思！你呢？"

conversation_with_kg.predict(
    input="我叫James，我在帮助Will。他是一名工程师。"
)

[1m > 进入新的 ConversationChain 链条...[0m
格式化后的提示：
[32; 1m[1; 3m 下面是一个友好的人工智能和人类之间的对话。人工智能健谈并提供了大量来自其上下文的详细信息。
如果人工智能对一个问题不知道答案，它会真实地说它不知道。人工智能仅使用包含在“相关信息”部分中的信息，不会产生幻觉。

相关信息：



对话：
人类：我叫 James，我在帮助 Will。他是一名工程师。
人工智能：[0m

[1m > 完成链条。[0m





" 嗨 James，很高兴见到你。我是一个 AI，我知道你正在帮助工程师 Will。他从事什么类型的工程工作？"

conversation_with_kg.predict(input="你知道关于Will的什么信息？")

[1m > 进入新的 ConversationChain 链条...[0m
格式化后的提示：
[32; 1m[1; 3m 下面是一个友好的人工智能和人类之间的对话。人工智能健谈并提供了大量来自其上下文的详细信息。
如果人工智能对一个问题不知道答案，它会真实地说它不知道。人工智能仅使用包含在“相关信息”部分中的信息，不会产生幻觉。

相关信息：

关于 Will: Will 是一名工程师。

对话：
人类：你知道关于 Will 的什么信息？
人工智能：[0m

[1m > 完成链条。[0m





' Will 是一名工程师。'

实体摘要记忆（EntitySummaryMemory）摘要（Summary）