Strategie di memoria per entità e riepiloghi
Andate oltre i buffer grezzi monitorando entità denominate e riepiloghi progressivi, così che gli agenti ricordino i fatti importanti nelle conversazioni lunghe senza far esplodere il budget di token.
Strategie di memoria per entità e riepiloghi è una lezione AI Agents with LangChain & Autonomous Workflows gratuita su CoddyKit. Questa è la lezione 4 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento AI Agents with LangChain & Autonomous Workflows, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso AI Agents with LangChain & Autonomous Workflows include 4 lezioni in totale.
Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.
Why Buffers Are Not Enough
A plain buffer stores every message verbatim. In long chats this quickly exceeds the model context window and wastes tokens on irrelevant chatter.
Two smarter strategies fix this: summary memory compresses the past, and entity memory tracks specific facts about people and things.
What Is Summary Memory?
Summary memory uses an LLM to keep a running, condensed summary of the conversation. Instead of replaying 50 turns, the agent reads a few sentences capturing the gist.
- Keeps token usage roughly constant
- Preserves long-term context
- Loses fine-grained wording
ConversationSummaryMemory
LangChain's ConversationSummaryMemory calls the LLM after each turn to update the summary. You pass it the same model the agent uses.
from langchain.memory import ConversationSummaryMemory
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model='gpt-4o-mini')
memory = ConversationSummaryMemory(llm=llm)Saving and Reading the Summary
As turns happen you save context; reading the variables returns the compressed history rather than raw turns.
memory.save_context(
{'input': 'My name is Ana and I love hiking.'},
{'output': 'Nice to meet you, Ana!'}
)
print(memory.load_memory_variables({}))Summary Buffer: Best of Both
ConversationSummaryBufferMemory keeps recent turns verbatim AND summarizes older ones once a token limit is crossed. Recent context stays sharp while old context is compressed.
from langchain.memory import ConversationSummaryBufferMemory
memory = ConversationSummaryBufferMemory(
llm=llm,
max_token_limit=200
)What Is Entity Memory?
Entity memory extracts named things — people, projects, places — and stores a fact sheet for each. When an entity reappears, the agent recalls exactly what it knows.
This is ideal for personal assistants that must remember user preferences.
ConversationEntityMemory
The entity memory uses the LLM to detect entities and maintain a per-entity store.
from langchain.memory import ConversationEntityMemory
memory = ConversationEntityMemory(llm=llm)
memory.save_context(
{'input': 'Deepak is leading the Mars project.'},
{'output': 'Got it.'}
)Inspecting the Entity Store
Each entity accumulates facts. Asking about an entity loads only its relevant summary into the prompt.
vars = memory.load_memory_variables(
{'input': 'What is Deepak working on?'}
)
print(vars['entities'])Choosing a Strategy
Pick based on the use case:
- Buffer: short, exact conversations
- Summary: long chats where the gist matters
- Summary Buffer: long chats needing recent precision
- Entity: assistants tracking facts about specific subjects
Cost and Latency Trade-offs
Summary and entity memory make extra LLM calls on every turn to update their state. That adds cost and latency.
Use cheaper, faster models for the memory-update step than for the main agent reasoning when possible.
Combining Memories
For sophisticated agents you can combine memories with CombinedMemory, e.g. a summary for flow plus entity memory for facts. Just ensure their output keys do not collide.
from langchain.memory import CombinedMemory
memory = CombinedMemory(memories=[summary_mem, entity_mem])Quick Check
Test your understanding of advanced memory strategies.
Recap
You learned memory strategies beyond raw buffers:
- Summary memory compresses history with the LLM
- Summary buffer keeps recent turns exact and summarizes the rest
- Entity memory tracks facts about named subjects
- Each adds LLM calls — balance cost vs. recall
- Combine memories for richer agents
Choosing the right strategy keeps agents both knowledgeable and efficient.
Impara AI Agents with LangChain & Autonomous Workflows con un tutor IA — gratis
Scrivi ed esegui vero codice nel tuo browser, ricevi aiuto istantaneo da un tutor IA disponibile 24/7, e riprendi da dove hai lasciato sul web o nell'app.
- Corsi
- 12
- Lezioni
- 50
Domande Frequenti
La lezione «Strategie di memoria per entità e riepiloghi» è gratuita?
Sì — il testo completo di «Strategie di memoria per entità e riepiloghi» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso AI Agents with LangChain & Autonomous Workflows, passa a CoddyKit PRO. Il corso AI Agents with LangChain & Autonomous Workflows include 4 lezioni in totale.
Cosa imparerò in «Strategie di memoria per entità e riepiloghi»?
Andate oltre i buffer grezzi monitorando entità denominate e riepiloghi progressivi, così che gli agenti ricordino i fatti importanti nelle conversazioni lunghe senza far esplodere il budget di token. Eserciti AI Agents with LangChain & Autonomous Workflows con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare AI Agents with LangChain & Autonomous Workflows?
Non è richiesta alcuna esperienza precedente. AI Agents with LangChain & Autonomous Workflows su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 4 di 4.
Quanto tempo richiede la lezione «Strategie di memoria per entità e riepiloghi»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione AI Agents with LangChain & Autonomous Workflows?
Sì. Ogni lezione AI Agents with LangChain & Autonomous Workflows include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Concetti fondamentali della memoria degli agenti
- Memoria buffer delle conversazioni
- Soluzioni avanzate per la memoria
- Strategie di memoria per entità e riepiloghi