短期记忆 API 参考¶
类
-
SummarizationNode
–一个 LangGraph 节点,当消息超出令牌限制时,它会总结这些消息并将其替换为一条总结消息。
-
SummarizationResult
–消息总结的结果。
-
RunningSummary
–用于存储先前总结相关信息的对象。
函数
-
summarize_messages
–当消息超出令牌限制时,总结这些消息并将其替换为一条总结消息。
SummarizationNode ¶
继承自: RunnableCallable
一个 LangGraph 节点,当消息超出令牌限制时,它会总结这些消息并将其替换为一条总结消息。
方法
-
__init__
–一个 LangGraph 节点,当消息超出令牌限制时,它会总结这些消息并将其替换为一条总结消息。
__init__ ¶
__init__(
*,
model: LanguageModelLike,
max_tokens: int,
max_tokens_before_summary: int | None = None,
max_summary_tokens: int = 256,
token_counter: TokenCounter = count_tokens_approximately,
initial_summary_prompt: ChatPromptTemplate = DEFAULT_INITIAL_SUMMARY_PROMPT,
existing_summary_prompt: ChatPromptTemplate = DEFAULT_EXISTING_SUMMARY_PROMPT,
final_prompt: ChatPromptTemplate = DEFAULT_FINAL_SUMMARY_PROMPT,
input_messages_key: str = "messages",
output_messages_key: str = "summarized_messages",
name: str = "summarization",
) -> None
一个 LangGraph 节点,当消息超出令牌限制时,它会总结这些消息并将其替换为一条总结消息。
按从旧到新的顺序处理消息:一旦消息的累计令牌数达到 max_tokens_before_summary
,max_tokens_before_summary
内的所有消息(排除系统消息,如果有)将被总结并替换为一条新的总结消息。结果消息列表为 [总结消息] + 剩余消息。
参数
-
model
(LanguageModelLike
) –用于生成总结的语言模型。
-
max_tokens
(int
) –最终输出中返回的最大令牌数。仅在总结后强制执行此限制。
-
max_tokens_before_summary
(int | None
, default:None
) –在触发总结之前累积的最大令牌数。如果未提供,则默认为
max_tokens
的值。这允许在需要时将更多令牌放入用于总结的 LLM 中。注意
如果
max_tokens_before_summary
内的最后一条消息是包含工具调用的 AI 消息,则所有后续相应的工具消息也将被总结。注意
如果要总结的令牌数量大于 max_tokens,则只会总结其中的最后 max_tokens。这样做是为了防止超出用于总结的 LLM 的上下文窗口(假设上限为 max_tokens)。
-
max_summary_tokens
(int
, default:256
) –总结的预算最大令牌数。
注意
此参数不会传递给生成总结的 LLM 以限制总结的长度。它仅用于正确估算允许的最大令牌预算。如果要强制执行此限制,需要将
model.bind(max_tokens=max_summary_tokens)
作为model
参数传递给此函数。 -
token_counter
(TokenCounter
, default:count_tokens_approximately
) –计算消息中令牌数的函数。默认为近似计数。对于更准确的计数,可以使用
model.get_num_tokens_from_messages
。 -
initial_summary_prompt
(ChatPromptTemplate
, default:DEFAULT_INITIAL_SUMMARY_PROMPT
) –用于生成首次总结的提示模板。
-
existing_summary_prompt
(ChatPromptTemplate
, default:DEFAULT_EXISTING_SUMMARY_PROMPT
) –用于更新现有(运行中)总结的提示模板。
-
final_prompt
(ChatPromptTemplate
, default:DEFAULT_FINAL_SUMMARY_PROMPT
) –返回前将总结与剩余消息合并的提示模板。
-
input_messages_key
(str
, default:'messages'
) –输入图状态中包含要总结的消息列表的键。
-
output_messages_key
(str
, default:'summarized_messages'
) –状态更新中包含更新后消息列表的键。
警告
默认情况下,
output_messages_key
与input_messages_key
不同。这样做是为了将总结后的消息与图状态中的主消息列表(即input_messages_key
)解耦。只有当您想覆盖主消息列表(即input_messages_key
)时,才应将它们设置为相同。 -
name
(str
, default:'summarization'
) –总结节点的名称。
返回值
-
None
–
示例
from typing import Any, TypedDict
from langchain_openai import ChatOpenAI
from langchain_core.messages import AnyMessage
from langgraph.graph import StateGraph, START, MessagesState
from langgraph.checkpoint.memory import InMemorySaver
from langmem.short_term import SummarizationNode, RunningSummary
model = ChatOpenAI(model="gpt-4o")
summarization_model = model.bind(max_tokens=128)
class State(MessagesState):
context: dict[str, Any]
class LLMInputState(TypedDict):
summarized_messages: list[AnyMessage]
context: dict[str, Any]
summarization_node = SummarizationNode(
model=summarization_model,
max_tokens=384,
max_tokens_before_summary=512,
max_summary_tokens=128,
)
def call_model(state: LLMInputState):
response = model.invoke(state["summarized_messages"])
return {"messages": [response]}
checkpointer = InMemorySaver()
workflow = StateGraph(State)
workflow.add_node(call_model)
workflow.add_node("summarize", summarization_node)
workflow.add_edge(START, "summarize")
workflow.add_edge("summarize", "call_model")
graph = workflow.compile(checkpointer=checkpointer)
config = {"configurable": {"thread_id": "1"}}
graph.invoke({"messages": "hi, my name is bob"}, config)
graph.invoke({"messages": "write a short poem about cats"}, config)
graph.invoke({"messages": "now do the same but for dogs"}, config)
graph.invoke({"messages": "what's my name?"}, config)
SummarizationResult dataclass
¶
消息总结的结果。
属性
-
messages
(list[AnyMessage]
) –总结后准备输入给 LLM 的更新消息列表,包括一条带有总结的消息(如果有)。
-
running_summary
(RunningSummary | None
) –关于先前总结的信息(总结文本和先前总结的消息 ID)。
running_summary class-attribute
instance-attribute
¶
running_summary: RunningSummary | None = None
关于先前总结的信息(总结文本和先前总结的消息 ID)。如果没有执行总结(消息不足以总结),则可以为 None。
RunningSummary dataclass
¶
用于存储先前总结相关信息的对象。
在后续调用 summarize_messages 时使用,以避免重复总结相同的消息。
属性
-
summary
(str
) –消息的最新总结,每次执行总结时更新。
-
summarized_message_ids
(set[str]
) –所有先前已总结消息的 ID。
-
last_summarized_message_id
(str | None
) –最后一条被总结消息的 ID。
summarize_messages ¶
summarize_messages(
messages: list[AnyMessage],
*,
running_summary: RunningSummary | None,
model: LanguageModelLike,
max_tokens: int,
max_tokens_before_summary: int | None = None,
max_summary_tokens: int = 256,
token_counter: TokenCounter = count_tokens_approximately,
initial_summary_prompt: ChatPromptTemplate = DEFAULT_INITIAL_SUMMARY_PROMPT,
existing_summary_prompt: ChatPromptTemplate = DEFAULT_EXISTING_SUMMARY_PROMPT,
final_prompt: ChatPromptTemplate = DEFAULT_FINAL_SUMMARY_PROMPT,
) -> SummarizationResult
当消息超出令牌限制时,总结这些消息并将其替换为一条总结消息。
此函数按从旧到新的顺序处理消息:一旦消息的累计令牌数达到 max_tokens_before_summary
,max_tokens_before_summary
内的所有消息(排除系统消息,如果有)将被总结并替换为一条新的总结消息。结果消息列表为 [总结消息] + 剩余消息。
参数
-
messages
(list[AnyMessage]
) –要处理的消息列表。
-
running_summary
(RunningSummary | None
) –可选的运行总结对象,包含先前总结的信息。如果提供: - 只会处理先前未总结的消息 - 如果没有生成新的总结,运行总结将被添加到返回的消息中 - 如果需要生成新的总结,则会通过整合运行总结中现有的总结值来生成
-
model
(LanguageModelLike
) –用于生成总结的语言模型。
-
max_tokens
(int
) –最终输出中返回的最大令牌数。仅在总结后强制执行此限制。
-
max_tokens_before_summary
(int | None
, default:None
) –在触发总结之前累积的最大令牌数。如果未提供,则默认为
max_tokens
的值。这允许在需要时将更多令牌放入用于总结的 LLM 中。注意
如果
max_tokens_before_summary
内的最后一条消息是包含工具调用的 AI 消息,则所有后续相应的工具消息也将被总结。注意
如果要总结的令牌数量大于 max_tokens,则只会总结其中的最后 max_tokens。这样做是为了防止超出用于总结的 LLM 的上下文窗口(假设上限为 max_tokens)。
-
max_summary_tokens
(int
, default:256
) –总结的预算最大令牌数。
注意
此参数不会传递给生成总结的 LLM 以限制总结的长度。它仅用于正确估算允许的最大令牌预算。如果要强制执行此限制,需要将
model.bind(max_tokens=max_summary_tokens)
作为model
参数传递给此函数。 -
token_counter
(TokenCounter
, default:count_tokens_approximately
) –计算消息中令牌数的函数。默认为近似计数。对于更准确的计数,可以使用
model.get_num_tokens_from_messages
。 -
initial_summary_prompt
(ChatPromptTemplate
, default:DEFAULT_INITIAL_SUMMARY_PROMPT
) –用于生成首次总结的提示模板。
-
existing_summary_prompt
(ChatPromptTemplate
, default:DEFAULT_EXISTING_SUMMARY_PROMPT
) –用于更新现有(运行中)总结的提示模板。
-
final_prompt
(ChatPromptTemplate
, default:DEFAULT_FINAL_SUMMARY_PROMPT
) –返回前将总结与剩余消息合并的提示模板。
返回值
-
SummarizationResult
–一个 SummarizationResult 对象,包含更新后的消息和运行总结。 - messages:准备输入给 LLM 的更新消息列表 - running_summary:RunningSummary 对象 - summary:最新总结的文本 - summarized_message_ids:先前已总结的消息 ID 集合 - last_summarized_message_id:最后一条被总结消息的 ID
示例
from langgraph.graph import StateGraph, START, MessagesState
from langgraph.checkpoint.memory import InMemorySaver
from langmem.short_term import summarize_messages, RunningSummary
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o")
summarization_model = model.bind(max_tokens=128)
class SummaryState(MessagesState):
summary: RunningSummary | None
def call_model(state):
summarization_result = summarize_messages(
state["messages"],
running_summary=state.get("summary"),
model=summarization_model,
max_tokens=384,
max_tokens_before_summary=512,
max_summary_tokens=128,
)
response = model.invoke(summarization_result.messages)
state_update = {"messages": [response]}
if summarization_result.running_summary:
state_update["summary"] = summarization_result.running_summary
return state_update
checkpointer = InMemorySaver()
workflow = StateGraph(SummaryState)
workflow.add_node(call_model)
workflow.add_edge(START, "call_model")
graph = workflow.compile(checkpointer=checkpointer)
config = {"configurable": {"thread_id": "1"}}
graph.invoke({"messages": "hi, my name is bob"}, config)
graph.invoke({"messages": "write a short poem about cats"}, config)
graph.invoke({"messages": "now do the same but for dogs"}, config)
graph.invoke({"messages": "what's my name?"}, config)