บทที่ 6: Memory — การจัดการหน่วยความจำ

ทำไมต้องมี Memory?

LLMs ไม่มีหน่วยความจำ ทุกครั้งที่เรียกใช้ จะเริ่มต้นใหม่ทุกครั้ง Memory ช่วยให้ AI “จำ” บทสนทนาก่อนหน้าได้

❌ ไม่มี Memory:
User: ผมชื่อสมชาย
AI: สวัสดีครับคุณสมชาย!
User: ผมชื่ออะไร?
AI: ขอโทษครับ ผมไม่ทราบชื่อของคุณ  ← ลืมแล้ว!

✅ มี Memory:
User: ผมชื่อสมชาย
AI: สวัสดีครับคุณสมชาย!
User: ผมชื่ออะไร?
AI: คุณชื่อสมชายครับ! ← จำได้!

วิธีจัดการ Memory ใน LangChain v1.0+

ใน LangChain เวอร์ชันใหม่ การจัดการ memory ทำผ่าน message history โดยเราเก็บ messages ไว้เองและส่งเข้าไปใน prompt

วิธีพื้นฐาน — จัดการ Messages เอง

คำอธิบาย: โค้ดตัวอย่างด้านล่างแสดงวิธีใช้งานด้วย Python ตามหัวข้อนี้แบบทีละขั้นตอน

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

llm = ChatOpenAI(model="gpt-4o-mini")

# Prompt ที่มี placeholder สำหรับ chat history
prompt = ChatPromptTemplate.from_messages([
    ("system", "คุณเป็นผู้ช่วยที่เป็นมิตร ตอบเป็นภาษาไทย"),
    MessagesPlaceholder(variable_name="chat_history"),
    ("human", "{input}"),
])

chain = prompt | llm

# เก็บ chat history เอง
chat_history = []

def chat(user_message: str) -> str:
    # เรียก LLM พร้อม history
    response = chain.invoke({
        "chat_history": chat_history,
        "input": user_message,
    })

    # เก็บ messages ลง history
    chat_history.append(HumanMessage(content=user_message))
    chat_history.append(AIMessage(content=response.content))

    return response.content

# ทดสอบ
print(chat("สวัสดี! ผมชื่อวิชัย"))
# สวัสดีครับคุณวิชัย! ยินดีที่ได้รู้จักครับ

print(chat("ผมชื่ออะไร?"))
# คุณชื่อวิชัยครับ! 😊

RunnableWithMessageHistory

LangChain มี helper สำหรับจัดการ history อัตโนมัติ:

from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.chat_history import BaseChatMessageHistory

# เก็บ history แยกตาม session
store = {}

def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

# สร้าง chain พร้อม memory
prompt = ChatPromptTemplate.from_messages([
    ("system", "คุณเป็นผู้ช่วยที่เป็นมิตร"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}"),
])

chain = prompt | llm

# Wrap ด้วย RunnableWithMessageHistory
chain_with_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)

# ใช้งาน — ระบุ session_id
config = {"configurable": {"session_id": "user-123"}}

response = chain_with_history.invoke(
    {"input": "สวัสดี! ชื่อมานีค่ะ"},
    config=config,
)
print(response.content)

response = chain_with_history.invoke(
    {"input": "ฉันชื่ออะไรคะ?"},
    config=config,
)
print(response.content)  # จำได้ว่าชื่อมานี!

เทคนิค Memory ขั้นสูง

1. จำกัดจำนวน Messages (Sliding Window)

from langchain_core.messages import trim_messages
from langchain_core.runnables import RunnablePassthrough

# เก็บแค่ 10 messages ล่าสุด
trimmer = trim_messages(
    max_tokens=1000,
    strategy="last",         # เก็บ messages ล่าสุด
    token_counter=llm,       # ใช้ LLM นับ tokens
    include_system=True,     # เก็บ system message เสมอ
    allow_partial=False,
)

prompt = ChatPromptTemplate.from_messages([
    ("system", "คุณเป็นผู้ช่วยที่เป็นมิตร"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}"),
])

# ใส่ trimmer ใน chain
chain = (
    RunnablePassthrough.assign(history=lambda x: trimmer.invoke(x["history"]))
    | prompt
    | llm
)

2. สรุปบทสนทนา (Summary Memory)

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="gpt-4o-mini")

# Chain สำหรับสรุปบทสนทนา
summary_prompt = ChatPromptTemplate.from_template("""
สรุปบทสนทนาต่อไปนี้ให้กระชับ เก็บข้อมูลสำคัญไว้:

สรุปก่อนหน้า: {existing_summary}

บทสนทนาใหม่:
{new_messages}

สรุปใหม่:
""")

summary_chain = summary_prompt | llm | StrOutputParser()

class SummaryMemory:
    def __init__(self):
        self.summary = ""
        self.recent_messages = []
        self.max_recent = 6  # เก็บ 6 messages ล่าสุด

    def add_message(self, role: str, content: str):
        self.recent_messages.append(f"{role}: {content}")

        # ถ้ามากเกินไป ให้สรุป
        if len(self.recent_messages) > self.max_recent:
            self._summarize()

    def _summarize(self):
        # สรุป messages เก่า
        messages_text = "\n".join(self.recent_messages[:-2])
        self.summary = summary_chain.invoke({
            "existing_summary": self.summary,
            "new_messages": messages_text,
        })
        # เก็บแค่ 2 messages ล่าสุด
        self.recent_messages = self.recent_messages[-2:]

    def get_context(self) -> str:
        context = ""
        if self.summary:
            context += f"สรุปบทสนทนาก่อนหน้า: {self.summary}\n\n"
        if self.recent_messages:
            context += "บทสนทนาล่าสุด:\n" + "\n".join(self.recent_messages)
        return context

3. Persistent Memory (บันทึกลง Database)

# ใช้ Redis เป็น backend
from langchain_community.chat_message_histories import RedisChatMessageHistory

def get_session_history(session_id: str):
    return RedisChatMessageHistory(
        session_id=session_id,
        url="redis://localhost:6379",
        ttl=3600,  # เก็บ 1 ชั่วโมง
    )

# ใช้ SQLite เป็น backend
from langchain_community.chat_message_histories import SQLChatMessageHistory

def get_session_history(session_id: str):
    return SQLChatMessageHistory(
        session_id=session_id,
        connection="sqlite:///chat_history.db",
    )

ตัวอย่าง: สร้าง Chatbot สมบูรณ์

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory

# Setup
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)
store = {}

def get_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

# Prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", """คุณเป็น TechBot — ผู้ช่วยด้านเทคโนโลยี
    - ตอบเป็นภาษาไทย
    - ให้ตัวอย่างโค้ดเมื่อเหมาะสม
    - ถามกลับถ้าต้องการข้อมูลเพิ่ม"""),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}"),
])

# Chain
chain = prompt | llm | StrOutputParser()
chatbot = RunnableWithMessageHistory(
    chain, get_history,
    input_messages_key="input",
    history_messages_key="history",
)

# Interactive Chat Loop
def main():
    session_id = "demo-session"
    config = {"configurable": {"session_id": session_id}}

    print("🤖 TechBot พร้อมให้บริการ! (พิมพ์ 'quit' เพื่อออก)\n")

    while True:
        user_input = input("คุณ: ")
        if user_input.lower() == "quit":
            print("👋 ลาก่อนครับ!")
            break

        response = chatbot.invoke(
            {"input": user_input},
            config=config,
        )
        print(f"🤖 TechBot: {response}\n")

if __name__ == "__main__":
    main()

เปรียบเทียบ Memory Strategies

Strategy	ข้อดี	ข้อเสีย	เหมาะกับ
Full History	จำได้ทั้งหมด	ใช้ tokens มาก	บทสนทนาสั้น
Sliding Window	ควบคุม tokens	ลืมเรื่องเก่า	บทสนทนาทั่วไป
Summary	ประหยัด tokens	เสีย detail	บทสนทนายาว
Persistent	ไม่หายเมื่อ restart	ต้องตั้ง database	Production