PricingLoginStart free
LangChain / RAG / Vector DBs · Leçon

Mémoire et contexte conversationnel dans LangChain

Apprenez comment la mémoire de LangChain conserve l’historique des conversations afin que les chaînes et les agents conversationnels puissent maintenir des échanges cohérents en plusieurs tours.

Leçon 4 sur 413 étapes

Mémoire et contexte conversationnel dans LangChain est une leçon LangChain / RAG / Vector DBs gratuite sur CoddyKit. Ceci est la leçon 4 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage LangChain / RAG / Vector DBs, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours LangChain / RAG / Vector DBs comprend 4 leçons au total.

Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.

LLMs Are Stateless

A language model has no memory between calls. Each request is independent — it only knows what you put in the current prompt. To build a chatbot that remembers, you must feed prior turns back in yourself.

What LangChain Memory Does

LangChain memory automates this: it stores the conversation and injects relevant history into the prompt on each new turn. Your chain stays simple while the model appears to remember.

Conversation Buffer Memory

The simplest memory keeps the full transcript and prepends it to every prompt. Great for short chats, but it grows with every turn.

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
memory.save_context({'input': 'Hi, I am Sam'}, {'output': 'Hello Sam!'})
print(memory.load_memory_variables({}))

The Context Window Limit

Every model has a finite context window (a token budget). A growing buffer eventually overflows it, causing errors or truncation. Managing history size is the central challenge of memory.

turns = 50
tokens_per_turn = 200
total = turns * tokens_per_turn
print('history tokens:', total)

Window Memory

ConversationBufferWindowMemory keeps only the last k turns. It bounds token usage at the cost of forgetting older context — a simple, effective trade-off for many chatbots.

from langchain.memory import ConversationBufferWindowMemory
memory = ConversationBufferWindowMemory(k=3)
# only the most recent 3 exchanges are kept

Summary Memory

ConversationSummaryMemory uses the LLM to compress old turns into a running summary. You keep the gist of a long conversation in far fewer tokens, sacrificing exact wording for breadth.

Summary Buffer: Best of Both

ConversationSummaryBufferMemory keeps recent turns verbatim and summarizes everything older. Recent context stays precise while distant context is condensed — a popular default for production chatbots.

Wiring Memory into a Chain

You attach memory to a conversational chain. On each call, the chain loads history, builds the prompt, calls the model, and saves the new turn back to memory automatically.

from langchain.chains import ConversationChain
chain = ConversationChain(llm=llm, memory=memory)
chain.predict(input='What is my name?')

Memory Variables and Prompts

Memory exposes its content as a variable (often history or chat_history) that your prompt template references. The placeholder is where the stored conversation gets injected.

template = 'Conversation so far:\n{history}\nHuman: {input}\nAI:'

Persisting Memory

In-process memory vanishes when the app restarts. For real users, back memory with a store — Redis, a database, or a chat-message-history backend keyed by session id — so conversations survive across requests and servers.

Choosing a Memory Type

Match memory to need: buffer for short chats, window when you only care about recent turns, summary for long sessions on a budget, and summary-buffer for the common case. Always persist memory for multi-user apps.

Quick Check

Test your understanding of LangChain memory.

Réponds-y dans la leçon interactive

Recap

You learned how LangChain gives chatbots memory:

  • LLMs are stateless; memory re-injects history each turn
  • Buffer, window, summary, and summary-buffer trade detail against tokens
  • Memory exposes a history variable that the prompt template uses
  • Persist memory per session for multi-user, multi-server apps
Gratuit pour commencer

Apprends LangChain / RAG / Vector DBs avec un tuteur IA — gratuit

Écris et exécute du vrai code dans ton navigateur, obtiens de l'aide instantanée d'un tuteur IA disponible 24h/24, et reprends là où tu t'es arrêté sur le web ou dans l'app.

Cours
12
Leçons
48
Commencer gratuitementVoir le cours complet

Questions Fréquemment Posées

La leçon « Mémoire et contexte conversationnel dans LangChain » est-elle gratuite ?

Oui — le texte complet de « Mémoire et contexte conversationnel dans LangChain » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours LangChain / RAG / Vector DBs, passe à CoddyKit PRO. Le cours LangChain / RAG / Vector DBs comprend 4 leçons au total.

Qu'est-ce que j'apprendrai dans « Mémoire et contexte conversationnel dans LangChain » ?

Apprenez comment la mémoire de LangChain conserve l’historique des conversations afin que les chaînes et les agents conversationnels puissent maintenir des échanges cohérents en plusieurs tours. Tu pratiques LangChain / RAG / Vector DBs avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.

Dois-je avoir de l'expérience pour commencer LangChain / RAG / Vector DBs ?

Aucune expérience préalable n'est requise. LangChain / RAG / Vector DBs sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 4 sur 4.

Combien de temps prend la leçon « Mémoire et contexte conversationnel dans LangChain » ?

La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.

Peux-tu écrire et exécuter du code dans cette leçon LangChain / RAG / Vector DBs ?

Oui. Chaque leçon LangChain / RAG / Vector DBs inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.

Toutes les leçons de ce cours

  1. Configuration de votre environnement LangChain
  2. Invites, LLM et chaînes élémentaires
  3. Analyseurs de sorties et fonctions de rappel
  4. Mémoire et contexte conversationnel dans LangChain
← Retour à LangChain / RAG / Vector DBs