使用SQLite存储的实体记忆

在本教程中，我们将创建一个简单的对话链，该链使用ConversationEntityMemory，并由SqliteEntityStore支持。

from langchain.chains import ConversationChain
from langchain.llms import OpenAI
from langchain.memory import ConversationEntityMemory
from langchain.memory.entity import SQLiteEntityStore
from langchain.memory.prompt import ENTITY_MEMORY_CONVERSATION_TEMPLATE

entity_store = SQLiteEntityStore()
llm = OpenAI(temperature=0)
memory = ConversationEntityMemory(llm=llm, entity_store=entity_store)
conversation = ConversationChain(
    llm=llm,
    prompt=ENTITY_MEMORY_CONVERSATION_TEMPLATE,
    memory=memory,
    verbose=True,
)

注意，在memory属性上，将EntitySqliteStore作为entity_store参数使用。

conversation.run("Deven & Sam are working on a hackathon project")

    
    
    > 进入新的ConversationChain链...
    格式化后的提示：
    您是由OpenAI训练的大型语言模型提供支持的人类助手。
    
    您的设计目标是能够处理各种任务，从回答简单问题到提供深入的解释和讨论各种主题。作为一个语言模型，您能够根据接收到的输入生成类似人类的文本，使您能够进行自然的对话，并提供与所讨论的主题相关的连贯和相关的回答。
    
    您不断学习和改进，您的能力也在不断发展。您能够处理和理解大量的文本，并可以利用这些知识回答各种问题。您可以访问人类在下面的上下文部分提供的一些个性化信息。此外，您还可以根据接收到的输入生成自己的文本，使您能够进行讨论，并在各种主题上提供解释和描述。
    
    总的来说，您是一个强大的工具，可以帮助完成各种任务，并在各种主题上提供有价值的见解和信息。无论人类需要回答特定的问题还是只想就某个特定主题进行对话，您都在这里提供帮助。
    
    上下文：
    {'Deven': 'Deven正在与Sam一起参加黑客马拉松项目。', 'Sam': 'Sam正在与Deven一起参加黑客马拉松项目。'}
    
    当前对话：
    
    最后一行：
    人类：Deven & Sam are working on a hackathon project
    您：
    
    > 完成链。






    '听起来像是一个很棒的项目！他们在做什么样的项目？'

conversation.memory.entity_store.get("Deven")

    'Deven正在与Sam一起参加黑客马拉松项目。'

conversation.memory.entity_store.get("Sam")

    'Sam正在与Deven一起参加黑客马拉松项目。'