Memberi Memori dan Keadaan Percakapan kepada Agen
Tambahkan memori jangka pendek dan jangka panjang ke agen LangChain agar agen mengingat konteks di berbagai giliran dan menghasilkan percakapan multi-langkah yang koheren.
Memberi Memori dan Keadaan Percakapan kepada Agen adalah pelajaran AI Agents with LangChain & Autonomous Workflows gratis di CoddyKit. Ini adalah pelajaran 4 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar AI Agents with LangChain & Autonomous Workflows, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus AI Agents with LangChain & Autonomous Workflows mencakup 4 pelajaran total.
Bagian dari pelajaran ini belum diterjemahkan dan ditampilkan dalam bahasa Inggris.
Why Agents Need Memory
LLMs are stateless: each call knows nothing about the last unless you tell it. Without memory, an agent forgets your name the instant you say it.
The Context Window
Memory ultimately means stuffing prior info into the context window. That window is finite, so the real challenge is deciding what to keep and what to drop.
Buffer Memory
Buffer memory stores the whole conversation and replays it every turn. Accurate, but it grows without bound and eventually overflows the context window.
from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
memory.save_context({'input': 'Hi, I am Lena'}, {'output': 'Hello Lena!'})Windowed Memory
Windowed memory keeps only the last N exchanges. It bounds size and forgets older context — perfect when only recent turns matter.
from langchain.memory import ConversationBufferWindowMemory
memory = ConversationBufferWindowMemory(k=4)Summary Memory
Summary memory periodically condenses older turns with the LLM, keeping the gist plus recent messages — preserving meaning in a small footprint.
from langchain.memory import ConversationSummaryMemory
memory = ConversationSummaryMemory(llm=llm)Short-Term vs Long-Term
Two flavors serve different needs: short-term memory holds the current chat in the prompt, while long-term persists facts across sessions in a store.
Long-Term Memory with Vectors
For knowledge that must survive sessions, store messages as embeddings in a vector store and retrieve the most relevant ones by similarity instead of replaying everything.
from langchain.memory import VectorStoreRetrieverMemory
memory = VectorStoreRetrieverMemory(retriever=vectorstore.as_retriever())Wiring Memory into a Chain
Wire memory into a conversation chain. Each call loads prior context, runs the model, and saves the new exchange automatically.
from langchain.chains import ConversationChain
chain = ConversationChain(llm=llm, memory=memory)
print(chain.predict(input='What is my name?'))Session and User Scoping
Real apps serve many users at once. Scope memory by session or user id so separate conversations never leak into each other.
store = {}
def get_memory(session_id):
if session_id not in store:
store[session_id] = ConversationBufferMemory()
return store[session_id]Cost and Privacy Tradeoffs
More memory means more tokens — higher cost and latency. Long-term stores may hold sensitive data, so mind retention limits and what you're allowed to keep.
Choosing a Memory Strategy
Choosing a strategy: buffer or window for short chats, summary for long ones, vector for cross-session facts — always scoped per user and mindful of cost.
Quick Check
You've met several memory types — which fits when? Time to put it to the test.
Recap
Recap: memory feeds prior context into a finite window. Buffer, window, and summary trade accuracy for size, vector stores enable long-term recall — always scope and watch cost.
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Memberi Memori dan Keadaan Percakapan kepada Agen” gratis?
Ya — teks lengkap “Memberi Memori dan Keadaan Percakapan kepada Agen” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus AI Agents with LangChain & Autonomous Workflows, upgrade ke CoddyKit PRO. Kursus AI Agents with LangChain & Autonomous Workflows mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Memberi Memori dan Keadaan Percakapan kepada Agen”?
Tambahkan memori jangka pendek dan jangka panjang ke agen LangChain agar agen mengingat konteks di berbagai giliran dan menghasilkan percakapan multi-langkah yang koheren. Kamu berlatih AI Agents with LangChain & Autonomous Workflows dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai AI Agents with LangChain & Autonomous Workflows?
Tidak diperlukan pengalaman sebelumnya. AI Agents with LangChain & Autonomous Workflows di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 4 dari 4.
Berapa lama pelajaran “Memberi Memori dan Keadaan Percakapan kepada Agen” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran AI Agents with LangChain & Autonomous Workflows ini?
Ya. Setiap pelajaran AI Agents with LangChain & Autonomous Workflows menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Memahami Agen Kecerdasan Buatan dan LLM
- Penjelasan Komponen Inti LangChain
- Membangun Agen Sederhana Pertama Anda
- Memberi Memori dan Keadaan Percakapan kepada Agen