LangChain 메모리

1. 메모리의 개념

LangChain의 “메모리”는 LLM이 이전 대화 맥락을 유지하고 상태를 관리하도록 돕는 핵심 구성 요소
최근 버전에서는 메모리가 ChatMessageHistory 기반의 전통적 방식과
LCEL(RunnableWithMessageHistory) 기반의 현대적 방식으로 구분됩니다.

2. 기본 구성 요소

구성요소설명
ChatMessageHistory개별 대화의 과거 메시지를 저장하는 기본 클래스. 인메모리(InMemory), Redis, SQLite 등 다양한 백엔드로 구현 가능.
ConversationBufferMemory대화 기록 전체를 순차적으로 저장하여 그대로 LLM에 전달.
→ 간단하지만 대화가 길어질수록 토큰 낭비 증가.
ConversationSummaryMemory오래된 대화를 요약(summary) 형태로 압축 저장.
→ 장기 대화에서 효율적 (요약 후 핵심 내용만 유지).
ConversationBufferWindowMemory최근 N개의 메시지만 유지 (슬라이딩 윈도우 방식).
→ 최신 맥락 중심의 응답에 적합.
ConversationSummaryBufferMemory최근 대화는 그대로 유지하고, 오래된 대화는 요약본으로 대체.
→ 실무에서 가장 많이 사용되는 하이브리드 방식.

최신 버전 변화 포인트

항목기존 방식최신 방식
메모리 적용 방식체인(Chain) 내부에서 직접 메모리 지정RunnableWithMessageHistory로 외부에서 래핑
주요 모듈langchain.memorylangchain_core.chat_history
상태 관리수동 전달 (memory.load_memory_variables())자동 상태 주입 (RunnableWithMessageHistory)
유연성한 모델 1개의 메모리만 연결여러 세션·사용자별 메모리 관리 가능

3. 예시: ChatMessageHistory

from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.messages import HumanMessage, AIMessage

# 1️⃣ 메모리(히스토리) 객체 생성
history = ChatMessageHistory()

# 2️⃣ 대화 저장
history.add_message(HumanMessage(content="안녕!"))
history.add_message(AIMessage(content="안녕하세요!"))
history.add_message(HumanMessage(content="오늘 날씨 어때?"))
history.add_message(AIMessage(content="서울은 맑아요."))

# 3️⃣ 대화 불러오기
for msg in history.messages:
    print(f"[{msg.type}] {msg.content}")

출력:

[human] 안녕!
[ai] 안녕하세요!
[human] 오늘 날씨 어때?
[ai] 서울은 맑아요.

4. RunnableWithMessageHistory 사용

🧩 1️⃣ 공통점

항목설명
공통 기술RunnableWithMessageHistory를 사용해 LCEL 기반 메모리 통합
공통 기능LLM이 이전 대화를 기억하도록 상태(chat_history)를 관리
프롬프트 구조ChatPromptTemplate → ChatOpenAI로 구성된 파이프라인
세션 관리config={"configurable": {"session_id": ...}}로 세션 분리 가능

코드 ① — 단일 세션 / 단일 메모리 구조

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

llm = ChatOpenAI(model="gpt-4o-mini")
prompt = ChatPromptTemplate.from_messages([
    ("system", "당신은 친절한 비서입니다."),
    MessagesPlaceholder("chat_history"),   # 👈 반드시 키가 동일해야 함
    ("human", "{input}")
])

chain = prompt | llm

history = ChatMessageHistory()

chain_with_memory = RunnableWithMessageHistory(
    runnable=chain,
    get_session_history=lambda _: history, # 세션이 몇 개가 오든, 무조건 같은 히스토리 객체를 돌려줌
    input_messages_key="input",
    history_messages_key="chat_history",   # 👈 여기가 위와 동일
)

resp = chain_with_memory.invoke(
    {"input": "안녕하세요?"},
    config={"configurable": {"session_id": "1"}}
)
print(resp.content)

저장된 메시지 확인

for msg in history.messages:
    print(f"{msg.type}: {msg.content}")

추가적인 질문

resp = chain_with_memory.invoke(
    {"input": "가을에 여행지 추천해줘"},
    config={"configurable": {"session_id": "1"}}
)
print(resp.content)

기존 내용을 이용한 질문

resp = chain_with_memory.invoke(
    {"input": "그 중에 첫번째 여행지에 대해 좀더 자세하게 정리해줄래"},
    config={"configurable": {"session_id": "1"}}
)
print(resp.content)

저장된 메시지 확인

for msg in history.messages:
    print(f"{msg.type}: {msg.content}")

특징

항목설명
메모리 클래스ChatMessageHistory (기본형, 인메모리)
세션 관리단일 세션만 지원 (lambda _: history)
저장 위치코드 실행 중 메모리에만 저장 (종료 시 사라짐)
적용 대상간단한 챗봇, 단일 사용자 테스트, 실습용
입출력 구조{input: "..."} → chat_history에 자동 저장 후 응답 반환

동작 방식

  • lambda _: history는 세션 구분 없이 모든 대화를 같은 history 객체에 저장합니다.
  • 즉, 한 사용자의 대화가 다른 사용자 입력에 섞일 수 있습니다.
  • 메모리 저장이 단순해서 테스트나 데모용으로 적합합니다.

장점

  • 코드 간결, 빠르게 테스트 가능
  • 기본 메모리 로직 이해용으로 적합

단점

  • 세션 구분 불가 → 여러 사용자가 동시에 사용할 수 없음
  • 지속성 없음 → 재시작 시 모든 기록 손실
  • 실제 서비스에는 부적합

🧩 코드 ② — 다중 세션 / 실서비스용 구조

from langchain_openai import ChatOpenAI
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.runnables import RunnableWithMessageHistory
from langchain.prompts import ChatPromptTemplate

# ✅ LLM과 프롬프트 정의
llm = ChatOpenAI(model="gpt-4o-mini")
prompt = ChatPromptTemplate.from_template("사용자 질문: {input}")

# ✅ 사용자별 메모리 생성
store = {}  # 세션별 메모리 저장소

def get_session_history(session_id: str):
    """세션별 대화 기록 관리 함수"""
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]

# ✅ 메모리와 LLM을 결합
chain_with_memory = RunnableWithMessageHistory(
    runnable=prompt | llm,
    get_session_history=get_session_history,
    input_messages_key="input",
)

# 세션 ID 지정
session_id = "user1"

# ✅ 대화 실행
response = chain_with_memory.invoke(
    {"input": "가을 여행지 추천해줘"},
    config={"configurable": {"session_id": session_id}}
)

response = chain_with_memory.invoke(
    {"input": "첫번째 여행지에서 반드시 먹어야할 음식 추천도 부탁해"},
    config={"configurable": {"session_id": session_id}}
)

# 세션 ID 지정
session_id = "user2"

# 대화 실행
response = chain_with_memory.invoke(
    {"input": "겨울 여행지 추천해줘"},
    config={"configurable": {"session_id": session_id}}
)

# ✅ 세션별 저장된 메시지 확인
for sid, history in store.items():
    print(f"\n=== 🗂 세션 ID: {sid} ===")
    for msg in history.messages:
        role = "사용자" if msg.type == "human" else "AI"
        print(f"{role}: {msg.content}")

특징

항목설명
메모리 클래스InMemoryChatMessageHistory (LangChain Core 권장 버전)
세션 관리사용자별 세션(session_id)로 구분
저장 위치세션별 딕셔너리(store)에 저장
적용 대상다중 사용자 챗봇, 대화형 앱, RAG 파이프라인 등
입출력 구조각 세션별로 독립된 대화 맥락 유지 가능

동작 방식

  • RunnableWithMessageHistory가 get_session_history() 함수를 통해
    세션별로 별도의 메모리 객체를 가져옵니다.
  • config={"configurable": {"session_id": "user1"}}에 따라
    사용자마다 고유한 메모리 공간을 유지합니다.

장점

  • 세션 독립적 메모리 관리 → 여러 사용자 동시 지원
  • 실제 서비스나 챗봇 앱에 바로 적용 가능
  • 지속성 백엔드(DB/Redis 등)로 쉽게 확장 가능

단점

  • 구조가 약간 복잡함 (세션 관리 필요)
  • 단일 사용자 실습에는 다소 과함

비교 요약

구분코드 ① (단일 세션)코드 ② (다중 세션)
메모리 타입ChatMessageHistoryInMemoryChatMessageHistory
세션 관리없음 (고정 history)있음 (session_id 기반 분리)
적용 범위간단한 테스트 / 학습용다중 사용자 / 실제 서비스용
메모리 지속성런타임 한정확장 가능 (DB/Redis 연동)
코드 복잡도간단약간 복잡
LangChain 권장⚠️ 구버전 예제 호환✅ 최신 권장 방식

정리 — 어떤 걸 써야 할까?

상황추천 코드이유
빠른 실습, 단일 대화 테스트코드①간단하고 직관적
챗봇 서비스, 멀티 유저 환경코드②세션별 메모리 분리, 확장성 높음
LCEL 기반 최신 설계코드②InMemoryChatMessageHistory는 공식 권장 클래스
Redis/DB 연동 고려코드② 기반 확장구조적으로 쉽게 교체 가능