对话记忆难题终结者：ADK-Python历史管理全攻略-编程阁

对话记忆难题终结者：ADK-Python历史管理全攻略

【免费下载链接】adk-pythonAn open-source, code-first Python toolkit for building, evaluating, and deploying sophisticated AI agents with flexibility and control.项目地址: https://gitcode.com/GitHub_Trending/ad/adk-python

ADK-Python是一个开源的、代码优先的Python工具包，专为构建、评估和部署复杂AI代理而设计，提供灵活的对话历史管理功能。在构建AI对话系统时，有效管理对话历史是提升用户体验的关键挑战，ADK-Python通过简洁的API和强大的工具链，让开发者轻松实现对话记忆的精准控制。

为什么对话历史管理如此重要？

对话历史管理是AI代理保持上下文连贯的核心能力。想象一下：当用户连续询问"先掷一个100面骰子"、"再掷一次"、"我得到了哪些数字？"时，AI需要记住前两次的掷骰结果才能准确回答。ADK-Python的历史管理功能正是解决这类问题的终极方案，让你的AI代理拥有"长期记忆"。

ADK-Python历史管理核心特性

1. 精准的上下文窗口控制

ADK-Python提供了灵活的上下文切片功能，开发者可以精确控制保留多少轮对话历史。通过create_slice_history_callback函数，你可以轻松设置只保留最近N轮对话，有效平衡上下文相关性和token消耗。

def create_slice_history_callback(n_recent_turns): async def before_model_callback(callback_context: CallbackContext, llm_request: LlmRequest): # 仅保留最近n_recent_turns轮用户对话 user_indexes = [i for i, content in enumerate(llm_request.contents) if content.role == 'user'] if n_recent_turns < len(user_indexes): suffix_idx = user_indexes[-n_recent_turns] llm_request.contents = llm_request.contents[suffix_idx:] return before_model_callback

这种机制特别适合需要长时间运行的对话场景，确保AI始终关注最新的用户意图。

2. 状态持久化存储

ADK-Python的ToolContext提供了会话状态的持久化存储能力，让工具调用结果可以跨轮次访问。在骰子游戏示例中，每次掷骰结果都会被存储在tool_context.state中，即使经过多轮对话也不会丢失：

def roll_die(sides: int, tool_context: ToolContext) -> int: result = random.randint(1, sides) if 'rolls' not in tool_context.state: tool_context.state['rolls'] = [] tool_context.state['rolls'].append(result) # 持久化存储掷骰结果 return result

3. 可视化的历史管理界面

ADK-Python提供了直观的开发界面，让你可以实时监控和调试对话历史。通过UI界面，你可以清晰地看到每一轮对话中的工具调用、状态变化和上下文流转：

这个界面显示了工具调用历史（如get_current_time）和对话流程，帮助开发者快速定位历史管理相关的问题。

快速上手：实现你的第一个记忆增强型AI代理

准备工作

首先克隆ADK-Python仓库：

git clone https://gitcode.com/GitHub_Trending/ad/adk-python cd adk-python

历史管理示例代码

ADK-Python提供了完整的历史管理示例，位于contributing/samples/history_management/目录下。这个示例实现了一个具有记忆功能的骰子游戏AI，能够记住多次掷骰结果并回答相关问题。

核心代理定义在agent.py中：

root_agent = Agent( model='gemini-2.0-flash', name='short_history_agent', description='an agent that maintains only the last turn in its context window', instruction=""" You roll dice and answer questions about the outcome of the dice rolls. When you are asked to roll a die, you must call the roll_die tool... When checking prime numbers, call the check_prime tool... """, tools=[roll_die, check_prime], before_model_callback=create_slice_history_callback(n_recent_turns=2), # 保留最近2轮对话 )

运行示例

通过main.py可以运行这个记忆增强型AI代理：

python contributing/samples/history_management/main.py

运行后，你可以看到AI能够记住多次掷骰结果并回答"我得到了哪些数字？"这样的问题，展示了ADK-Python强大的对话历史管理能力。

高级应用：定制你的历史管理策略

ADK-Python的历史管理系统设计灵活，支持多种高级定制：

动态调整上下文窗口大小

根据对话复杂度动态调整保留的历史轮次，在简单对话时减少历史保留，在复杂任务时增加上下文：

# 根据问题长度动态调整历史窗口 def dynamic_window_size_callback(callback_context: CallbackContext, llm_request: LlmRequest): question_length = len(llm_request.contents[-1].parts[0].text) n_recent_turns = 3 if question_length > 100 else 1 # 实现动态切片逻辑...

选择性保留关键信息

通过自定义逻辑，只保留对话历史中的关键信息，过滤无关内容：

def filter_important_history(contents): # 只保留包含工具调用和数字结果的对话 return [c for c in contents if 'functionCall' in c or any(char.isdigit() for char in c.text)]