智联工坊实战：LangChain Agent记忆系统从零搭建（Buffer/Window/SummaryBuffer三种模式对比

🏭导航收藏不迷路—>制造业数据与AI践行者老蒋的技术博客全系列文章汇总（持续更新）

文章摘要

        兄弟们，你们的AI助手是不是也像条“金鱼”——刚说过的事转头就忘？本文带你给【智联工坊】的制造Agent装上三种“记忆芯片”：Buffer、Window、SummaryBuffer。全程实战，附完整代码和3种模式对比测试数据。看完你就知道：记忆能解决什么、解决不了什么、为什么本地小模型在“刚才那个”这种指代上会翻车。全源码开源，可直接复用。

开篇：差点被Agent的“金鱼记忆”整破防

        说实话，这事让我挺郁闷的。

        上一篇文章我把智联工坊的制造Agent搭好了——能算OEE、能查手册、能问排班。班组长小刘试用了一下，反馈得很委婉，但我听懂了。

        他说：“老蒋，这个能算OEE了，挺好的。就是……每次我都要把话重复好几遍。它记不住我。”

他的实际体验是这样的：

小刘：“我想查OEE。”
Agent：“请提供产线名称和日期。”
小刘：“交互屏组装A线。”
Agent：“请提供日期。”
小刘：“2026-07-12。”
Agent：终于开始算了。

        我当时的第一反应是：这不科学啊……😀😀😀 我都把对话传给Agent了，它怎么还是像个第一次见面的陌生人？

        后来我才搞明白——这还真不是Bug，而是Agent的出厂设置就是“金鱼记忆”。每次对话都是独立的，它根本不记得你上一句说了什么。

本文要解决的痛点：给这个“金鱼记忆”的Agent装上记忆芯片，让它能记住用户之前说的话，实现跨轮次的信息关联。

适合谁读：已经跑通基础Agent（比如看过我上一篇智联工坊实战：制造知识库工具调用Agent从零搭建（OEE+手册+排班）文章的兄弟），想进一步优化对话体验的制造企业IT工程师、AI架构师。

脱敏声明：本文基于虚拟工厂“智联工坊”场景，所有数据均已脱敏处理。

正文

一、方案设计：三种记忆模式，三种“记笔记”的方式

        LangChain提供了三种记忆实现。我这人说话啰嗦，但为了让你好理解，我直接打个比方：

记忆类型	打个比方	优点	缺点	什么时候用
BufferMemory	把整本笔记从头抄到尾	一个字不丢	对话越长、Token越贵	短对话、调试
WindowMemory	只留着最近3页	Token可控	超过3页的直接扔了	固定轮数对话
SummaryBufferMemory	前面的总结成一段摘要	近的详细、远的压缩	每次总结都要花钱（调LLM）	正式上线首选

我的建议很实在：你在本地调试用BufferMemory就行，简单省事。真要上生产线给班组长用，最好用SummaryBufferMemory，长期看能省不少Token钱。

二、核心实现：这次我只改了3个地方

        工程目录结构和Case01几乎一样，只动了3个地方：

javy21_manufacturing_ai_practice/
├── common/
│   ├── base_agent_builder.py    # ① 增加了memory注入
│   ├── memory_factory.py         # ② 新建：记忆工厂类
│   └── ...
├── cases/
│   └── case02_memory_agent/      # ③ 新建案例，复用Case01的工具
│       ├── tools/                 # 完全复制Case01的三个工具
│       ├── agent/
│       │   └── builder.py         # 就5行代码，指定用哪种记忆
│       └── scripts/
│           └── 01_test_memory.py  # 测试脚本

改动1：common/memory_factory.py——新建一个记忆工厂，把三种记忆类型统一管理。

class MemoryFactory:
    @staticmethod
    def create_memory(memory_type: str = "buffer", llm=None, window_k: int = 5):
        if memory_type == "buffer":
            return ConversationBufferMemory(return_messages=True, memory_key="chat_history")
        elif memory_type == "window":
            return ConversationBufferWindowMemory(k=window_k, return_messages=True, memory_key="chat_history")
        elif memory_type == "summary_buffer":
            return ConversationSummaryBufferMemory(llm=llm, max_token_limit=2000, return_messages=True, memory_key="chat_history")
        return None

改动2：common/base_agent_builder.py——在build()方法里把记忆注入进去。

def build(self) -> AgentExecutor:
    tools = self._register_tools()
    self._memory = self._create_memory()  # 创建记忆实例
    
    prompt = PromptTemplate.from_template(self._get_prompt_template())  # 模板里要有{chat_history}
    agent = create_react_agent(self.llm, tools, prompt)
    
    executor = AgentExecutor(
        agent=agent,
        tools=tools,
        memory=self._memory,  # 关键：把记忆塞进去
        verbose=True,
        max_iterations=5
    )
    return executor

这里要留个心眼：你的Prompt模板里必须有{chat_history}占位符，不然记忆传进去了也不生效。这个坑我等下在排坑笔记里专门讲。

改动3：case02_memory_agent/agent/builder.py——就5行代码，指定用哪种记忆。

class MemoryAgentBuilder(BaseAgentBuilder):
    def __init__(self, memory_type: str = "buffer", **kwargs):
        super().__init__(memory_type=memory_type, **kwargs)
    
    def _register_tools(self) -> List[BaseTool]:
        return [
            CalculateOEETool(),
            SearchManualTool(),
            QueryShiftTool()
        ]

三、运行验证：实测三种记忆模式

我设计了一个5轮对话测试，模拟班组长小刘的真实使用场景：

轮次	用户说什么	Agent应该怎么做
1	我想查OEE	问产线和日期
2	交互屏组装A线	只问日期（记住前面说的是查OEE）
3	2026-07-12	调用工具返回OEE数据
4	再查一下环境监测校准B线	问日期（记住要查的是B线）
5	就刚才那个日期	理解“刚才”就是第3轮的日期

BufferMemory实测结果：

轮次	Agent实际表现	我咋看
1	问产线和日期	✅ 没问题
2	只问日期	✅ 记住意图了！
3	返回86.39%	✅ 信息拼上了！
4	问日期	✅ 知道要查B线
5	没懂“刚才那个日期”	❌ 翻车了

看到第5轮我沉默了。

        记忆确实传进去了，Agent也确实记住了我之前说过的话。但它理解不了“刚才那个”指的是哪一天。这个事让我想明白了一个道理：保存不等于理解。模型能记住你说了什么，但不代表它真的“懂”你在说什么。

        这不是代码的问题，是本地小模型的能力边界。 Qwen2.5-7B在指代消解任务上，确实还有差距。

WindowMemory和SummaryBufferMemory的实测结果：

        跟BufferMemory几乎一样——前4轮都正常，第5轮都翻车。Window的窗口机制在这次测试里没触发（因为就5轮），SummaryBuffer倒是多加载了几个tokenizer文件，证明它确实在工作。

所以我的结论很实在：

记忆模式	基础记忆	跨轮关联	理解“刚才那个”	Token消耗	我推荐
BufferMemory	✅	✅	❌	最高	调试用
WindowMemory	✅	✅（窗口内）	❌	中等	定长对话
SummaryBufferMemory	✅	✅	❌	最低	正式上线用

四、一点真心话：记忆不是银弹

        这个实验让我接受了一个现实：再好的记忆系统，也无法弥补模型本身的理解缺陷。

        如果用户的表达是模糊的（比如“刚才那个”、“上次那个”），本地小模型大概率会翻车。这不是你代码写得好不好的问题，是当前技术阶段下7B参数模型的能力天花板。

那怎么办？ 我的建议很实际：

1. 在工程上做补偿：设计对话流程时，尽量引导用户给出明确的、结构化的信息。

2. 在预期上做管理：告诉用户“请尽量一次性提供产线名称和日期”，而不是让用户误以为Agent什么都能听懂。

3. 在选型上做取舍：如果你的场景对模糊指代要求很高，可能需要考虑升级到更大参数量的模型，或者用create_structured_chat_agent来更精确地控制工具调用。

        说白了就是：技术要有敬畏心，别指望一个7B的模型能听懂“刚才那个”这种只有人才懂的模糊指代。

总结：怕你忘了，我再啰嗦一遍

        本文解决了什么：给Case01的制造Agent（点击链接看详情）装上了记忆芯片，让它能记住用户之前说过的话。

三个核心认知：

1. 记忆能解决“忘记”，但解决不了“不理解”。对话历史确实保存了，但模型能不能正确理解“刚才那个”是另一回事。这个区别是质的区别。

2. 三种记忆模式各有各的坑。Buffer耗Token最多，Window会丢超出窗口的内容，SummaryBuffer每次都要调LLM做摘要，有成本。

3. Prompt设计比记忆类型更重要。我在调试过程中，走了一大段弯路——写了超长的Prompt、加了好多“绝对禁止”的规则，结果模型反而不知道该听哪条了。最后删掉一半规则，效果反而更好。

智能工厂对标：本方案对应GB/T 39116-2020中“数据资源”能力域（辅域）——实现对话历史的结构化管理与复用，降低生产管理中的信息沟通成本。

系列导航

• 本文所属系列：制造业数据与AI落地实战     AI赋能数据开发工程手册

• 上一篇：智联工坊实战：制造知识库工具调用Agent从零搭建（OEE+手册+排班）

• 下一篇：智联工坊实战：多工具协同Agent，让AI像人类一样规划与执行复杂任务

互动与交流

        你在用LangChain的Memory时，有没有遇到过“记忆传了但不生效”的尴尬？或者你的本地小模型有没有在“刚才那个”这种问题上翻过车？欢迎评论区吐槽，咱们互相安慰一下。说实话，我调试第5轮翻车的时候，是真的有点郁闷的。

关于作者

     制造业数据与AI践行者老蒋，23年IT老兵。聚焦制造业数据架构与AI融合落地。全流程实战，全源码开源。

标签：#AI Agent #LangChain #制造业数据 #智能工厂 #记忆系统