AI Agents with LangChain & Autonomous Workflows · Ders

Konuşma Tampon Belleği

Bir aracının bağlamındaki geçmiş etkileşimleri depolamak ve almak için temel konuşma belleğini uygulayın.

Konuşma Tampon Belleği, CoddyKit'te ücretsiz bir AI Agents with LangChain & Autonomous Workflows dersidir. Bu, 4 dersinin 2. dersidir. Aşağıdan dersin tamamını ücretsiz okuyabilir, sonra tarayıcıda yerleşik kod editörü ve 7/24 yapay zeka koçu ile uygulamalı olarak pratik yapabilirsin. Bu, AI Agents with LangChain & Autonomous Workflows öğrenme yolunun bir parçasıdır ve ilerlemeniz web ve CoddyKit uygulaması arasında senkronize olur. AI Agents with LangChain & Autonomous Workflows kursu toplamda 4 dersten oluşur.

Bu dersin bazı bölümleri henüz çevrilmemiş olup İngilizce olarak gösterilmektedir.

Why Agents Need Memory

Imagine having a conversation where you instantly forget everything said just a moment ago. That's what happens to an AI agent without memory!

Agents often need to recall past interactions to maintain context. Without memory, each turn is a fresh start, leading to repetitive or nonsensical conversations.

What is Buffer Memory?

ConversationBufferMemory is LangChain's simplest memory type. It stores the raw, unsummarized conversation history directly.

Think of it like keeping a full transcript of everything said, in the exact order it was said. It's straightforward and easy to use for basic conversational recall.

Initializing Buffer Memory

To use ConversationBufferMemory, you simply import it and create an instance. It's often integrated into a Chain, but we can explore it standalone first.

Let's initialize a memory object and peek at its initial (empty) state:

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({}))

Saving Conversation Context

The save_context method is how you add new user inputs and AI outputs to the memory. It takes two dictionaries: one for inputs and one for outputs.

This method is crucial because it's how the memory 'learns' from the ongoing conversation and builds its history.

Code Demo: Saving Context

Let's add a simple interaction to our memory object and see how it stores the conversation turn.

Notice how the 'input' and 'output' are paired and stored as 'Human' and 'AI' messages.

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({}))

Retrieving Stored History

To access the stored conversation history, you use the load_memory_variables method. It returns a dictionary containing the memory content.

By default, the conversation history is stored under the key 'history'. This key is what you'll typically pass into your LLM's prompt template.

Customizing the Memory Key

By default, ConversationBufferMemory stores history under the key 'history'. However, your prompt template might expect a different variable name, like 'chat_history'.

You can change this using the memory_key parameter during initialization:

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({}))

Integrating with an LLM Chain

Here's how you integrate ConversationBufferMemory into an LLMChain. The memory_key in the ConversationBufferMemory must match the variable name in your PromptTemplate (e.g., chat_history).

Remember to replace 'YOUR_API_KEY' with your actual OpenAI key if you want to run this example fully.

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}")

When to Use Buffer Memory

ConversationBufferMemory is excellent for short, direct conversations where you need exact recall of recent turns.

Pros: Simple to implement, stores full, unedited conversation details.
Cons: Can quickly exceed the LLM's context window for longer chats, no summarization or filtering, leading to higher token usage and costs.

Quick Check

Let's test your understanding of ConversationBufferMemory.

Buffer Memory Summary

We've successfully explored ConversationBufferMemory, LangChain's simplest way to give agents a basic form of memory:

It stores raw conversation history.
You use save_context to add turns and load_memory_variables to retrieve them.
It's ideal for short, direct conversations but can quickly hit LLM context limits with longer chats.
Remember to set memory_key if your prompt expects a different variable name for history.

Next, we'll dive into more advanced memory solutions that handle longer conversations better!

Sıkça Sorulan Sorular

“Konuşma Tampon Belleği” dersi ücretsiz mi?

Evet — “Konuşma Tampon Belleği” dersin tüm metni burada web'de ücretsiz olarak okunabilir. Etkileşimli olarak pratik yapmak (yerleşik kod editörü ve 7/24 yapay zeka koçu) ve AI Agents with LangChain & Autonomous Workflows kursunun geri kalanını açmak için CoddyKit PRO'ya yükselt. AI Agents with LangChain & Autonomous Workflows kursu toplamda 4 dersten oluşur.

“Konuşma Tampon Belleği” dersinde ne öğreneceğim?

Bir aracının bağlamındaki geçmiş etkileşimleri depolamak ve almak için temel konuşma belleğini uygulayın. AI Agents with LangChain & Autonomous Workflows ile uygulamalı kodu tarayıcıda doğrudan çalıştırarak pratik yaparsın ve 7/24 yapay zeka koçu dersi çalışırken sorularını yanıtlar.

AI Agents with LangChain & Autonomous Workflows öğrenmeye başlamak için deneyim gerekli mi?

Önceden deneyim gerekmez. CoddyKit'te AI Agents with LangChain & Autonomous Workflows, başlangıçtan ileri seviyeye kadar yapılandırıldığı için buradan başlayabilir veya başından başlayıp kendi hızında ilerleme yapabilirsin. Bu, 4 dersinin 2. dersidir.

“Konuşma Tampon Belleği” dersi ne kadar sürer?

Çoğu CoddyKit dersi yaklaşık 5–10 dakika sürer. Her biri kısa ve etkileşimli olduğu için sabit ilerleme yaparsın ve web ile uygulama arasında tam olarak bıraktığın yerden devam edebilirsin.

Bu AI Agents with LangChain & Autonomous Workflows dersinde kod yazıp çalıştırabilir miyim?

Evet. Her AI Agents with LangChain & Autonomous Workflows dersi yerleşik bir kod editörü içerir, bu sayede tarayıcıda gerçek kod yazıp çalıştırabilir ve anlık yapay zeka geri bildirimi alırsın — yerel kurulum gerekli değildir.

Bu kursun tüm dersleri

← AI Agents with LangChain & Autonomous Workflows Sayfasına Dön