如何让Claude拥有记忆：从会话管理到上下文保持的实战指南

3次阅读

没有评论

共计 2494 个字符，预计需要花费 7 分钟才能阅读完成。

在开发基于 Claude 的对话应用时，最常遇到的挑战就是它默认的无状态特性。每次 API 调用都是独立的，Claude 不会记住之前的对话内容。这在很多业务场景下会造成明显的体验问题：

用户需要反复重复信息（如 ” 我今年 25 岁 ” 在后续对话中不会被记住）
多轮对话的连贯性被破坏（” 刚才说的那本书 ” 这样的指代会失效）
需要开发者在应用层自行维护完整的对话历史

实际项目中，我们发现 90% 的客服类应用都需要至少保留 5 轮以上的对话上下文，而教育类应用则可能需要维护长达 20+ 轮的复杂对话记忆。

实现记忆功能主要有三种技术路线，各有优劣：

全量上下文传递
每次请求都附带完整历史对话
优点：实现简单，语义连贯性好
缺点：Token 消耗随对话次数线性增长
外部存储 + 摘要
将会话存储在 Redis/DB 中
定期生成对话摘要（如每 5 轮）
优点：成本可控，支持长周期记忆
缺点：摘要可能丢失细节
向量数据库检索
将历史对话向量化存储
按相关性检索上下文片段
优点：支持超长历史，精准回忆
缺点：实现复杂，需要额外基础设施

对于大多数应用场景，我们推荐方案 2 作为入门选择，它在实现复杂度和效果之间取得了较好的平衡。

以下是基于 Redis 的上下文管理实现，包含完整的类型注解和错误处理：

from typing import List, Dict, Optional
import redis
import json
from datetime import timedelta
import logging

class ConversationManager:
    """Claude 对话上下文管理器"""

    def __init__(self, redis_host: str, ttl_hours: int = 24):
        self.redis = redis.Redis(
            host=redis_host,
            decode_responses=True
        )
        self.ttl = timedelta(hours=ttl_hours)
        self.logger = logging.getLogger(__name__)

    def _make_key(self, session_id: str) -> str:
        return f"claude:conv:{session_id}"

    def save_context(self, 
                    session_id: str, 
                    messages: List[Dict[str, str]]) -> bool:
        """保存当前会话上下文"""
        try:
            key = self._make_key(session_id)
            serialized = json.dumps({"messages": messages[-20:],  # 保留最近 20 轮
                "summary": self._generate_summary(messages)
            })
            return self.redis.setex(key, self.ttl, serialized)
        except Exception as e:
            self.logger.error(f"Save context failed: {e}")
            return False

    def load_context(self, session_id: str) -> Optional[Dict]:
        """加载历史上下文"""
        try:
            data = self.redis.get(self._make_key(session_id))
            return json.loads(data) if data else None
        except Exception as e:
            self.logger.error(f"Load context failed: {e}")
            return None

    def _generate_summary(self, messages: List[Dict]) -> str:
        """生成对话摘要（简化版）"""
        # 实际项目应该调用 Claude 的摘要生成 API
        user_msgs = [m["content"] for m in messages 
                    if m["role"] == "user"]
        return "|".join(user_msgs[-3:])  # 取最后 3 条用户发言

关键设计点：