基于向量存储的记忆组件
VectorStoreRetrieverMemory 将记忆存储在VectorDB中，并在每次调用时查询最常见的前K个“重要”文档。
与大多数其他Memory类不同的是，它不会显式跟踪交互的顺序。
在这种情况下，“文档”是以前的对话片段。这可以用于引用AI在对话中早先被告知的相关信息。
import { OpenAI } from "langchain/llms/openai";
import { VectorStoreRetrieverMemory } from "langchain/memory";
import { LLMChain } from "langchain/chains";
import { PromptTemplate } from "langchain/prompts";
import { MemoryVectorStore } from "langchain/vectorstores/memory";
import { OpenAIEmbeddings } from "langchain/embeddings/openai";
const vectorStore = new MemoryVectorStore(new OpenAIEmbeddings());
const memory = new VectorStoreRetrieverMemory({
// 1是要返回的文档数量，你可能需要返回更多，比如4
vectorStoreRetriever: vectorStore.asRetriever(1),
memoryKey: "history",
});
// 首先让我们将一些信息保存到内存中，就像在链中使用时一样。
await memory.saveContext(
{ input: "我最喜欢的食物是披萨" },
{ output: "好的，我记住了" }
);
await memory.saveContext(
{ input: "我最喜欢的运动是足球" },
{ output: "..." }
);
await memory.saveContext({ input: "我不喜欢凯尔特人队" }, { output: "好的" });
// 现在让我们使用内存来检索我们保存的信息。
console.log(
await memory.loadMemoryVariables({ prompt: "我应该看什么运动？" })
);
/*
{ history: 'input: 我最喜欢的运动是足球\noutput: ...' }
*/
// 现在让我们在链中使用它。
const model = new OpenAI({ temperature: 0.9 });
const prompt =
PromptTemplate.fromTemplate(\`以下是人类和AI之间友好的对话。AI健谈，并提供了大量与上下文相关的详细信息。如果AI不知道问题的答案，它会真诚地说不知道。
先前对话的相关片段：
{history}
（如果不相关，您无需使用这些信息）
当前对话：
人类：{input}
AI：\`);
const chain = new LLMChain({ llm: model, prompt, memory });
const res1 = await chain.call({ input: "嗨，我的名字是佩里，你好吗？" });
console.log({ res1 });
/*
{
res1: {
text: " 嗨佩里，我很棒！我正在探索与人工智能相关的不同主题，如自然语言处理和机器学习。你呢？最近在忙什么？"
}
}
*/
const res2 = await chain.call({ input: "我最喜欢的运动是什么？" });
console.log({ res2 });
/*
{ res2: { text: ' 你说你最喜欢的运动是足球。' } }
*/
const res3 = await chain.call({ input: "我的名字是什么？" });
console.log({ res3 });
/*
{ res3: { text: ' 你的名字是佩里。' } }
*/