跳到内容

短期记忆 API 参考

  • SummarizationNode

    一个 LangGraph 节点,用于在消息超出 token 限制时对其进行总结,并用摘要消息替换它们。

  • SummarizationResult

    消息总结的结果。

  • RunningSummary

    存储先前摘要操作信息的对象。

函数

  • summarize_messages

    当消息超出 token 限制时对其进行总结,并用摘要消息替换它们。

SummarizationNode

基类:RunnableCallable

一个 LangGraph 节点,用于在消息超出 token 限制时对其进行总结,并用摘要消息替换它们。

方法

  • __init__

    一个 LangGraph 节点,用于在消息超出 token 限制时对其进行总结,并用摘要消息替换它们。

__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,用于在消息超出 token 限制时对其进行总结,并用摘要消息替换它们。

处理消息从最旧到最新:一旦消息 token 的累计数量达到 `max_tokens_before_summary`,`max_tokens_before_summary` 内的所有消息(如果有系统消息,则不包括)都将被总结,并替换为一个新的摘要消息。最终的消息列表是 [summary_message] + remaining_messages。

参数

  • model (LanguageModelLike) –

    用于生成摘要的语言模型。

  • max_tokens (int) –

    最终输出中返回的最大 token 数量。仅在摘要操作后生效。

  • max_tokens_before_summary (int | None, 默认值: None ) –

    在触发摘要操作前累积的最大 token 数量。如果未提供,默认为与 `max_tokens` 相同的值。这允许在需要时,将更多的 token 放入用于摘要的 LLM 中。

    注意

    如果 `max_tokens_before_summary` 中的最后一条消息是带有工具调用的 AI 消息,那么所有后续的、对应的工具消息也将被总结。

    注意

    如果要总结的 token 数量大于 `max_tokens`,则只总结其中的最后 `max_tokens` 个。这样做是为了防止超出摘要 LLM 的上下文窗口(假设其上限为 `max_tokens`)。

  • max_summary_tokens (int, 默认值: 256 ) –

    为摘要预留的最大 token 数量。

    注意

    此参数不会传递给生成摘要的 LLM 以限制摘要的长度。它仅用于正确估计最大允许的 token 预算。如果要强制执行此限制,您需要将 `model.bind(max_tokens=max_summary_tokens)` 作为 `model` 参数传递给此函数。

  • token_counter (TokenCounter, 默认值: count_tokens_approximately ) –

    用于计算消息中 token 数量的函数。默认为近似计数。要获得更精确的计数,您可以使用 `model.get_num_tokens_from_messages`。

  • initial_summary_prompt (ChatPromptTemplate, 默认值: DEFAULT_INITIAL_SUMMARY_PROMPT ) –

    用于生成首次摘要的提示模板。

  • existing_summary_prompt (ChatPromptTemplate, 默认值: DEFAULT_EXISTING_SUMMARY_PROMPT ) –

    用于更新现有(运行中)摘要的提示模板。

  • final_prompt (ChatPromptTemplate, 默认值: DEFAULT_FINAL_SUMMARY_PROMPT ) –

    在返回前将摘要与剩余消息组合的提示模板。

  • input_messages_key (str, 默认值: 'messages' ) –

    输入图状态中包含要总结的消息列表的键。

  • output_messages_key (str, 默认值: 'summarized_messages' ) –

    状态更新中包含已更新消息列表的键。

    警告

    默认情况下,`output_messages_key` `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。只有当您希望覆盖主消息列表(即 `input_messages_key`)时,才应将它们设置为相同。

  • name (str, 默认值: 'summarization' ) –

    摘要节点的名称。

返回

  • None

    LangGraph 状态更新,格式如下

    {
        "output_messages_key": <list of updated messages ready to be input to the LLM after summarization, including a message with a summary (if any)>,
        "context": {"running_summary": <RunningSummary object>}
    }
    

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=256,
    max_tokens_before_summary=256,
    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]) –

    总结后准备好输入到 LLM 的更新消息列表,包括一条包含摘要的消息(如果有)。

  • running_summary (RunningSummary | None) –

    关于先前摘要操作的信息(摘要和先前已总结消息的 ID)。

messages instance-attribute

messages: list[AnyMessage]

总结后准备好输入到 LLM 的更新消息列表,包括一条包含摘要的消息(如果有)。

running_summary class-attribute instance-attribute

running_summary: RunningSummary | None = None

关于先前摘要操作的信息(摘要和先前已总结消息的 ID)。如果没有执行摘要操作(消息不足以进行摘要),则可以为 `None`。

RunningSummary dataclass

存储先前摘要操作信息的对象。

用于后续调用 `summarize_messages`,以避免重复总结相同的消息。

属性

summary instance-attribute

summary: str

消息的最新摘要,每次执行摘要操作时都会更新。

summarized_message_ids instance-attribute

summarized_message_ids: set[str]

所有先前已总结消息的 ID。

last_summarized_message_id instance-attribute

last_summarized_message_id: str | None

最后总结的消息的 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 token 限制时对其进行总结,并用摘要消息替换它们。

此函数从最旧到最新处理消息:一旦消息 token 的累计数量达到 `max_tokens_before_summary`,`max_tokens_before_summary` 内的所有消息(如果有系统消息,则不包括)都将被总结,并替换为一个新的摘要消息。最终的消息列表是 [summary_message] + remaining_messages。

参数

  • messages (list[AnyMessage]) –

    要处理的消息列表。

  • running_summary (RunningSummary | None) –

    可选的运行中摘要对象,包含先前摘要操作的信息。如果提供: - 仅处理先前总结的消息 - 如果没有生成新的摘要,则会将运行中摘要添加到返回的消息中 - 如果需要生成新的摘要,则通过整合运行中摘要中的现有摘要值来生成

  • model (LanguageModelLike) –

    用于生成摘要的语言模型。

  • max_tokens (int) –

    最终输出中返回的最大 token 数量。仅在摘要操作后生效。此值也将用作提供给摘要 LLM 的最大 token 数量。

  • max_tokens_before_summary (int | None, 默认值: None ) –

    在触发摘要操作前累积的最大 token 数量。如果未提供,默认为与 `max_tokens` 相同的值。这允许在需要时,将更多的 token 放入用于摘要的 LLM 中。

    注意

    如果 `max_tokens_before_summary` 中的最后一条消息是带有工具调用的 AI 消息,那么所有后续的、对应的工具消息也将被总结。

    注意

    如果要总结的 token 数量大于 `max_tokens`,则只总结其中的最后 `max_tokens` 个。这样做是为了防止超出摘要 LLM 的上下文窗口(假设其上限为 `max_tokens`)。

  • max_summary_tokens (int, 默认值: 256 ) –

    为摘要预留的最大 token 数量。

    注意

    此参数不会传递给生成摘要的 LLM 以限制摘要的长度。它仅用于正确估计最大允许的 token 预算。如果要强制执行此限制,您需要将 `model.bind(max_tokens=max_summary_tokens)` 作为 `model` 参数传递给此函数。

  • token_counter (TokenCounter, 默认值: count_tokens_approximately ) –

    用于计算消息中 token 数量的函数。默认为近似计数。要获得更精确的计数,您可以使用 `model.get_num_tokens_from_messages`。

  • initial_summary_prompt (ChatPromptTemplate, 默认值: DEFAULT_INITIAL_SUMMARY_PROMPT ) –

    用于生成首次摘要的提示模板。

  • existing_summary_prompt (ChatPromptTemplate, 默认值: DEFAULT_EXISTING_SUMMARY_PROMPT ) –

    用于更新现有(运行中)摘要的提示模板。

  • final_prompt (ChatPromptTemplate, 默认值: DEFAULT_FINAL_SUMMARY_PROMPT ) –

    在返回前将摘要与剩余消息组合的提示模板。

返回

  • SummarizationResult

    一个 `SummarizationResult` 对象,包含更新后的消息和运行中摘要。 - `messages`: 准备好输入到 LLM 的更新消息列表 - `running_summary`: `RunningSummary` 对象 - `summary`: 最新摘要的文本 - `summarized_message_ids`: 先前已总结消息的 ID 集合 - `last_summarized_message_id`: 最后总结的消息的 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=256,
        max_tokens_before_summary=256,
        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)

评论