संवाद बफ़र मेमोरी
किसी एजेंट के संदर्भ में पिछली अंतःक्रियाओं को संग्रहीत और पुनः प्राप्त करने के लिए मूल संवादात्मक मेमोरी लागू करें।
संवाद बफ़र मेमोरी, CoddyKit पर LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह का एक निःशुल्क पाठ है। यह 4 में से 2वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
एजेंटों को स्मृति की आवश्यकता क्यों होती है
कल्पना कीजिए कि आप ऐसी बातचीत कर रहे हैं जिसमें अभी-अभी कही गई हर बात आप तुरंत भूल जाते हैं। स्मृति के बिना AI एजेंट के साथ यही होता है!
संदर्भ बनाए रखने के लिए एजेंटों को अक्सर पिछली बातचीत याद रखनी पड़ती है। स्मृति के बिना हर चरण एक नई शुरुआत होता है, जिससे बातचीत दोहरावपूर्ण या निरर्थक हो जाती है।
बफर स्मृति क्या है
ConversationBufferMemory, LangChain का सबसे सरल स्मृति प्रकार है। यह बातचीत के कच्चे, असंक्षिप्त इतिहास को सीधे संग्रहीत करता है।
इसे इस तरह समझिए जैसे कही गई हर बात का पूरा प्रतिलेख उसी क्रम में सुरक्षित रखना, जिस क्रम में वह कही गई थी। सामान्य बातचीत को याद रखने के लिए यह सीधा और उपयोग में आसान है।
बफर स्मृति आरंभ करना
ConversationBufferMemory का उपयोग करने के लिए आपको इसे आयात करके इसका एक उदाहरण बनाना होता है। इसे अक्सर किसी श्रृंखला में जोड़ा जाता है, लेकिन पहले हम इसे स्वतंत्र रूप से देख सकते हैं।
आइए, एक स्मृति ऑब्जेक्ट आरंभ करके उसकी प्रारंभिक (खाली) स्थिति देखते हैं:
from langchain.memory import ConversationBufferMemory
# Initialize the memory
memory = ConversationBufferMemory()
print("Memory initialized!")
# You can see its content (it will be empty at first)
print(memory.load_memory_variables({}))बातचीत का संदर्भ सहेजना
save_context विधि की सहायता से आप उपयोगकर्ता के नए इनपुट और AI के आउटपुट स्मृति में जोड़ते हैं। इसमें दो शब्दकोश दिए जाते हैं: एक इनपुट के लिए और दूसरा आउटपुट के लिए।
यह विधि महत्वपूर्ण है, क्योंकि इसी के माध्यम से स्मृति चल रही बातचीत से 'सीखती' है और उसका इतिहास तैयार करती है।
कोड प्रदर्शन: संदर्भ सहेजना
आइए, अपने स्मृति ऑब्जेक्ट में एक सरल संवाद जोड़ें और देखें कि वह बातचीत के चरण को कैसे संग्रहीत करता है।
ध्यान दें कि 'input' और 'output' को 'Human' और 'AI' संदेशों के रूप में जोड़ी बनाकर संग्रहीत किया जाता है।
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
# Simulate a user input and an AI response
memory.save_context(
{"input": "Hi there!"},
{"output": "Hello! How can I help you?"}
)
print("Memory after one turn:")
print(memory.load_memory_variables({}))संग्रहीत इतिहास प्राप्त करना
संग्रहीत बातचीत इतिहास तक पहुँचने के लिए आप load_memory_variables विधि का उपयोग करते हैं। यह स्मृति की सामग्री वाला एक शब्दकोश लौटाती है।
डिफ़ॉल्ट रूप से, बातचीत का इतिहास 'history' कुंजी के अंतर्गत संग्रहीत होता है। आम तौर पर इसी कुंजी को आप अपने LLM के प्रॉम्प्ट टेम्पलेट में भेजेंगे।
स्मृति कुंजी को अनुकूलित करना
डिफ़ॉल्ट रूप से, ConversationBufferMemory इतिहास को 'history' कुंजी के अंतर्गत संग्रहीत करता है। हालाँकि, आपका प्रॉम्प्ट टेम्पलेट किसी अलग चर नाम, जैसे 'chat_history', की अपेक्षा कर सकता है।
आरंभीकरण के दौरान memory_key पैरामीटर का उपयोग करके आप इसे बदल सकते हैं:
from langchain.memory import ConversationBufferMemory
# Initialize with a custom memory_key
memory = ConversationBufferMemory(memory_key="my_chat_history")
memory.save_context(
{"input": "What's up?"},
{"output": "Not much, just coding!"}
)
print("Memory with custom key:")
print(memory.load_memory_variables({}))LLM श्रृंखला के साथ एकीकरण
यहाँ बताया गया है कि ConversationBufferMemory को LLMChain में कैसे जोड़ा जाता है। ConversationBufferMemory में मौजूद memory_key का मान आपके PromptTemplate में मौजूद चर नाम से मेल खाना चाहिए (जैसे, chat_history)।
यदि आप इस उदाहरण को पूरी तरह चलाना चाहते हैं, तो 'YOUR_API_KEY' को अपनी वास्तविक OpenAI कुंजी से बदलना याद रखें।
from langchain.memory import ConversationBufferMemory
from langchain.chains import LLMChain
from langchain_openai import OpenAI
from langchain.prompts import PromptTemplate
import os
# Set your OpenAI API key (replace with your actual key or env var)
# os.environ["OPENAI_API_KEY"] = "YOUR_API_KEY"
# Initialize LLM (using a dummy if API key not set)
llm = OpenAI(temperature=0) # You might need to set openai_api_key=os.environ.get("OPENAI_API_KEY")
# Initialize memory with a key matching the prompt template
memory = ConversationBufferMemory(memory_key="chat_history")
# Define a prompt template that expects 'chat_history'
template = """You are a friendly chatbot.
{chat_history}
Human: {human_input}
AI:"""
prompt = PromptTemplate(
input_variables=["chat_history", "human_input"],
template=template
)
# Create an LLMChain with the memory
conversation = LLMChain(
llm=llm,
prompt=prompt,
verbose=False,
memory=memory
)
# First turn
print("Human: What is your capital?")
response1 = conversation.predict(human_input="What is your capital?")
print(f"AI: {response1}")
# Second turn - the AI should remember the context
print("\nHuman: And what about its population?")
response2 = conversation.predict(human_input="And what about its population?")
print(f"AI: {response2}")बफर स्मृति का उपयोग कब करें
ConversationBufferMemory छोटी और सीधी बातचीत के लिए बहुत उपयोगी है, जहाँ हाल के चरणों को हूबहू याद रखना आवश्यक हो।
- लाभ: कार्यान्वित करना सरल है और बातचीत का पूरा, बिना संपादन वाला विवरण संग्रहीत करता है।
- हानियाँ: लंबी बातचीत में यह जल्दी ही LLM की संदर्भ विंडो से अधिक हो सकती है। इसमें संक्षेपण या छनाई नहीं होती, जिससे टोकन का उपयोग और लागत बढ़ जाती है।
त्वरित जाँच
आइए, ConversationBufferMemory के बारे में आपकी समझ जाँचते हैं।
बफर स्मृति का सारांश
हमने LangChain द्वारा एजेंटों को मूलभूत स्मृति देने के सबसे सरल तरीके, ConversationBufferMemory, को सफलतापूर्वक समझा:
- यह बातचीत का कच्चा इतिहास संग्रहीत करता है।
- चरण जोड़ने के लिए
save_contextऔर उन्हें प्राप्त करने के लिएload_memory_variablesका उपयोग किया जाता है। - यह छोटी और सीधी बातचीत के लिए आदर्श है, लेकिन लंबी बातचीत में जल्दी ही LLM की संदर्भ सीमाओं तक पहुँच सकता है।
- यदि आपका प्रॉम्प्ट इतिहास के लिए किसी अलग चर नाम की अपेक्षा करता है, तो
memory_keyसेट करना याद रखें।
अब हम अधिक उन्नत स्मृति समाधानों पर चर्चा करेंगे, जो लंबी बातचीत को बेहतर ढंग से संभालते हैं!
एआई शिक्षक के साथ LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 12
- पाठ
- 50
अक्सर पूछे जाने वाले प्रश्न
क्या “संवाद बफ़र मेमोरी” पाठ निःशुल्क है?
हाँ—“संवाद बफ़र मेमोरी” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
“संवाद बफ़र मेमोरी” में मैं क्या सीखूँगा?
किसी एजेंट के संदर्भ में पिछली अंतःक्रियाओं को संग्रहीत और पुनः प्राप्त करने के लिए मूल संवादात्मक मेमोरी लागू करें। आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 2वाँ पाठ है।
“संवाद बफ़र मेमोरी” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर LangChain के साथ AI एजेंट और स्वायत्त कार्यप्रवाह पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।