Spring AI聊天记忆实战：如何用InMemoryChatMemory快速搭建多轮对话Demo

Spring AI聊天记忆实战：构建具备上下文感知能力的智能对话系统

在当今AI驱动的应用开发中，让对话系统具备"记忆"能力已成为提升用户体验的关键。本文将深入探讨如何利用Spring AI框架中的InMemoryChatMemory快速构建具备多轮对话能力的应用原型，并分析不同存储方案的适用场景。

1. 对话记忆的核心价值与技术挑战

对话记忆功能使AI应用能够：

• 保持上下文连贯性：理解用户前序对话内容
• 实现个性化交互：记忆用户偏好和历史行为
• 处理复杂查询：基于多轮信息进行综合推理

典型应用场景：

• 客服机器人（处理多步骤问题）
• 教育辅导（跟踪学习进度）
• 智能助手（记忆用户习惯）

技术实现面临三大挑战：

1. 存储效率：平衡历史信息保留与资源消耗
2. 隐私安全：敏感信息的存储与清理机制
3. 性能优化：快速检索相关上下文

// 基础对话记忆接口定义
public interface ChatMemory {
    void add(String conversationId, List<Message> messages);
    List<Message> get(String conversationId, int lastN); 
    void clear(String conversationId);
}

2. InMemoryChatMemory快速入门

内存存储方案最适合原型开发和本地测试，具有以下特点：

优势对比表：

特性	内存存储	持久化存储
访问速度	极快（纳秒级）	中等（毫秒级）
数据持久性	应用重启后丢失	长期保留
适用场景	开发测试	生产环境
扩展性	单机有效	支持分布式

基础实现代码：

// 初始化内存存储
ChatMemory chatMemory = new InMemoryChatMemory();

// 添加对话消息
chatMemory.add("conv_123", Arrays.asList(
    new UserMessage("我想订去北京的机票"),
    new AssistantMessage("请问您想订哪天的机票？")
));

// 检索最近3条消息
List<Message> history = chatMemory.get("conv_123", 3);

注意：内存存储不适合生产环境，仅建议用于开发和测试阶段

3. 高级集成：Advisor模式实战

Spring AI通过Advisor机制将记忆功能无缝集成到对话流程中：

核心组件交互流程：

1. 用户发起对话请求
2. Advisor从ChatMemory检索历史
3. 历史消息注入当前Prompt
4. 模型生成响应
5. 新消息存入ChatMemory

// 配置带记忆功能的ChatClient
@Bean
public ChatClient historyAwareClient(ChatModel chatModel) {
    ChatMemory memory = new InMemoryChatMemory();
    
    return ChatClient.builder(chatModel)
        .defaultAdvisors(
            new MessageChatMemoryAdvisor(memory)
        )
        .defaultSystem("你是一个专业的旅行顾问")
        .build();
}

// 使用示例
String response = historyAwareClient.prompt()
    .user("我上次问的航班还有票吗？")
    .advisors(a -> a
        .param("chat_memory_conversation_id", "user_123")
        .param("chat_memory_retrieve_size", 5))
    .call()
    .content();

Advisor类型对比：

类型	数据格式	适用场景
MessageChatMemoryAdvisor	完整消息对象	现代对话模型（推荐）
PromptChatMemoryAdvisor	纯文本拼接	简单对话场景
VectorStoreMemoryAdvisor	向量化存储	复杂语义检索

4. 生产级解决方案：持久化存储

对于需要长期保留对话记录的场景，Spring AI提供了多种持久化方案：

JDBC存储配置示例：

# application.yml
spring:
  datasource:
    url: jdbc:postgresql://localhost:5432/chat_db
    username: postgres
    password: secret
  ai:
    chat:
      memory:
        repository:
          jdbc:
            initialize-schema: always

// 配置JDBC存储的ChatMemory
@Bean
public ChatMemory jdbcChatMemory(DataSource dataSource) {
    return MessageWindowChatMemory.builder()
        .chatMemoryRepository(new JdbcChatMemoryRepository(dataSource))
        .maxMessages(100)
        .build();
}

存储方案选型指南：

1. 关系型数据库（MySQL/PostgreSQL）：

   • 优点：ACID特性，成熟稳定
   • 缺点：扩展性有限

2. Redis：

   • 优点：高性能，支持TTL
   • 配置示例：

     @Bean
     public ChatMemory redisChatMemory(RedisTemplate<String, Object> redisTemplate) {
         return new RedisChatMemory(redisTemplate, Duration.ofDays(7));
     }
     

3. MongoDB：

   • 优点：灵活Schema，适合非结构化数据
   • 适用场景：需要存储复杂对话元数据

5. 性能优化与最佳实践

记忆窗口管理策略：

// 混合策略配置示例
@Bean 
public ChatMemory optimizedMemory(ChatMemoryRepository repository) {
    return MessageWindowChatMemory.builder()
        .chatMemoryRepository(repository)
        .maxMessages(20)  // 固定消息数窗口
        .maxTokens(2000)  // 附加Token限制
        .build();
}

关键优化技巧：

1. 动态上下文加载：

   // 根据对话阶段调整历史长度
   int historySize = isComplexQuestion(input) ? 10 : 3;
   List<Message> context = memory.get(convId, historySize);
   

2. 消息压缩：

   // 对历史消息生成摘要
   String summary = summarizer.summarize(fullHistory);
   prompt.add(new SystemMessage("对话摘要：" + summary));
   

3. 缓存策略：

   @Cacheable(value = "conversations", key = "#conversationId")
   public List<Message> getConversation(String conversationId) {
       return repository.findByConversationId(conversationId);
   }
   

监控指标建议：

• 平均对话轮次
• 记忆检索延迟
• 存储空间使用率
• 缓存命中率

在实际项目中，我们曾通过引入二级缓存（Caffeine + Redis）将高频对话的记忆检索性能提升了8倍，同时通过定时任务自动清理过期对话，将存储成本降低了60%。