Utilisation de la mémoire dans LangChain

La mémoire dans LangChain permet de conserver le contexte des interactions pour gérer des conversations ou des workflows. Elle stocke des informations des échanges passés pour que le modèle puisse s’appuyer sur celles-ci lors de futures requêtes. Voici comment utiliser la mémoire avec LangChain en TypeScript.

---

Types de mémoire disponibles dans LangChain

1. BufferMemory :
   • Stocke tout l’historique de la conversation en une seule chaîne.
2. ConversationBufferMemory :
   • Stocke l’historique des interactions dans une liste structurée (messages utilisateur/bot).
3. ConversationSummaryMemory :
   • Résume automatiquement les conversations longues pour économiser de l’espace mémoire.
4. VectorStoreMemory :
   • Utilise des embeddings pour stocker et rechercher dans l’historique de manière sémantique.

---

Exemple avec BufferMemory

1. Installer les dépendances

Si ce n’est pas déjà fait, installez LangChain et configurez une API pour le LLM :

npm install langchain dotenv

Ajoutez une clé OpenAI dans votre fichier .env :

OPENAI_API_KEY=your_openai_api_key

---

2. Implémentation avec BufferMemory

import { BufferMemory } from "langchain/memory";
import { ConversationChain } from "langchain/chains";
import { OpenAIChat } from "langchain/llms/openai";
import dotenv from "dotenv";

dotenv.config();

// Initialiser le modèle de langage
const llm = new OpenAIChat({
  openAIApiKey: process.env.OPENAI_API_KEY!,
  temperature: 0.7,
});

// Configurer la mémoire
const memory = new BufferMemory();

// Créer une chaîne conversationnelle avec mémoire
const chain = new ConversationChain({ llm, memory });

async function runConversation() {
  console.log("Première question utilisateur...");
  const response1 = await chain.call({ input: "Quel est le capital de la France ?" });
  console.log("Bot :", response1.response);

  console.log("\nDeuxième question utilisateur...");
  const response2 = await chain.call({ input: "Et quelle est sa population ?" });
  console.log("Bot :", response2.response);

  console.log("\nMémoire actuelle :");
  console.log(await memory.loadMemoryVariables({}));
}

runConversation().catch(console.error);

Explication du code

1. Initialisation de la mémoire :
   • BufferMemory stocke tout l’historique sous forme de texte concaténé.
2. Interaction utilisateur :
   • Les appels successifs à chain.call() ajoutent le contexte à la mémoire.
3. Chargement de la mémoire :
   • La méthode memory.loadMemoryVariables() permet d’afficher l’état actuel de la mémoire.

---

3. Résultat attendu

Entrées utilisateur :

User : Quel est le capital de la France ?
Bot  : Le capital de la France est Paris.

User : Et quelle est sa population ?
Bot  : La population de la France est d'environ 67 millions d'habitants.

Mémoire actuelle :

{
  "history": "User: Quel est le capital de la France ?\nBot: Le capital de la France est Paris.\nUser: Et quelle est sa population ?\nBot: La population de la France est d'environ 67 millions d'habitants."
}

---

Exemple avec ConversationSummaryMemory

Le ConversationSummaryMemory génère un résumé automatique des interactions passées pour éviter d’envoyer tout l’historique à chaque requête.

Implémentation

import { ConversationSummaryMemory } from "langchain/memory";
import { ConversationChain } from "langchain/chains";
import { OpenAIChat } from "langchain/llms/openai";
import dotenv from "dotenv";

dotenv.config();

const llm = new OpenAIChat({
  openAIApiKey: process.env.OPENAI_API_KEY!,
  temperature: 0.7,
});

// Mémoire avec résumé
const memory = new ConversationSummaryMemory({ llm });

const chain = new ConversationChain({ llm, memory });

async function runSummarizedConversation() {
  console.log("Première question utilisateur...");
  await chain.call({ input: "Quel est le capital de la France ?" });

  console.log("\nDeuxième question utilisateur...");
  await chain.call({ input: "Peux-tu me rappeler ce que nous avons discuté ?" });

  console.log("\nRésumé actuel de la conversation :");
  console.log(await memory.loadMemoryVariables({}));
}

runSummarizedConversation().catch(console.error);

---

Exemple de sortie

Résumé généré :

{
  "summary": "L'utilisateur a demandé le capital de la France, et le bot a répondu que c'était Paris."
}

---

Utilisation de VectorStoreMemory

Le VectorStoreMemory est utile pour des cas où vous devez rechercher des informations sémantiquement similaires dans l’historique.

Exemple avec une base SQLite pour la mémoire vectorielle

1. Installez les dépendances nécessaires :

npm install langchain sqlite3

2. Implémentez le stockage vectoriel :

import { VectorStoreRetrieverMemory } from "langchain/memory";
import { HNSWLib } from "langchain/vectorstores";
import { OpenAIEmbeddings } from "langchain/embeddings";
import { OpenAIChat } from "langchain/llms/openai";
import { ConversationChain } from "langchain/chains";
import * as path from "path";
import dotenv from "dotenv";

dotenv.config();

// Initialiser le stockage vectoriel
const vectorStore = await HNSWLib.fromExistingIndex(new OpenAIEmbeddings(), path.join(__dirname, "vector_store"));

// Mémoire avec recherche vectorielle
const memory = new VectorStoreRetrieverMemory({
  retriever: vectorStore.asRetriever(),
  memoryKey: "history",
});

// Modèle LLM
const llm = new OpenAIChat({
  openAIApiKey: process.env.OPENAI_API_KEY!,
  temperature: 0.7,
});

// Chaîne conversationnelle
const chain = new ConversationChain({ llm, memory });

async function runVectorStoreConversation() {
  console.log("Première interaction utilisateur...");
  await chain.call({ input: "Quel est le capital de l'Allemagne ?" });

  console.log("\nRecherche d'informations similaires dans l'historique...");
  const results = await memory.retriever.getRelevantDocuments("Allemagne");
  console.log("Résultats similaires :", results);
}

runVectorStoreConversation().catch(console.error);

---

Points clés

1. La mémoire rend les interactions avec LangChain plus naturelles, en maintenant le contexte.
2. Les types de mémoire peuvent être choisis en fonction des besoins :
   • BufferMemory : Simple et efficace.
   • SummaryMemory : Gère des conversations longues.
   • VectorStoreMemory : Recherche sémantique dans l’historique.