在Spring AI中，我们最熟悉的就是MessageWindowChatMemory ，它默认是一个基于内存的短期记忆实现，它维护最多指定最大大小（默认值：20 条消息）的消息窗口。
当消息数量超过此限制时，较旧的消息会被逐出。这确保对话始终可以使用最新的上下文，同时保持内存使用有界。应用一旦重启，内存中的记忆就会丢失。
Spring AI中的记忆存储是基于ChatMemoryRepository这个接口扩展的，他提供了一些列实现用来做基于存储，包括前面的MessageWindowChatMemory所使用到的InMemoryChatMemoryRepository，这就是一种基于ConcurrentHashMap的本地内存的记忆方式。
这就是MessageWindowChatMemory的默认实现，除此之外，ChatMemoryRepository还有一系列扩展实现，我们也可以用，包括：
- JdbcChatMemoryRepository
- 使用 JDBC 将消息存储在关系型数据库中，它支持多种数据库，PostgreSQL、MySQL / MariaDB、SQL Server、Oracle等
- CassandraChatMemoryRepository
- 使用 Apache Cassandra 存储消息。它适用于需要持久化存储聊天记录的应用，特别是在需要高可用性、持久性、可扩展性，以及利用TTL功能时。
- Neo4jChatMemoryRepository
- 使用 Neo4j 将聊天消息存储为属性图数据库中的节点和关系。它适用于希望利用 Neo4j 的图功能进行聊天记忆持久化的应用程序。
- CosmosDBChatMemoryRepository
- 使用 Azure Cosmos DB NoSQL API 来存储消息。它适用于需要全球分布式、高度可扩展的文档数据库来持 久化聊天内存的应用程序。该存储库使用对话 ID 作为分区键，以确保高效的数据分布和快速检索。
- MongoChatMemoryRepository
- 使用 MongoDB 存储消息。它适用于需要灵活的、面向文档的数据库进行聊天内存持久化的应用程序。
使用MySQL持久化记忆
我们借助Spring AI，使用Spring来做记忆保存，Spring AI提供了
spring-ai-starter-model-chat-memory-repository-jdbc
我们可以直接用它来实现。首先我们在代码中增加依赖：
<dependency>
<groupId>org.springframework.ai</groupId>
<artifactId>spring-ai-starter-model-chat-memory-repository-jdbc</artifactId>
<version>1.1.0</version>
</dependency>
增加依赖后会自动引入这两个jar包：
spring-ai-autoconfigure-model-chat-memory-repository-jdbc
spring-ai-model-chat-memory-repository-jdbc
一个是jdbc操作的工具包，一个是对他做自动化配置的。 通过org.springframework.ai.model.chat.memory.repository.jdbc.autoconfigure.JdbcChatMemoryRepositoryProperties 我们可以知道，都需要增加哪些配置项目：
spring:
ai:
chat:
memory:
repository:
jdbc:
platform: mysql
initialize-schema: always
platform用于指定具体哪个数据库，他支持很多数据库，在platform和schema二选一进行配置就行了，就是指定用哪个表结构。
如果运行时还是提示没建表（initialize-schema: always 默认会自动创建表）：
java.sql.SQLSyntaxErrorException: Table 'spring_ai_db2.spring_ai_chat_memory' doesn't exist
at com.mysql.cj.jdbc.exceptions.SQLError.createSQLException(SQLError.java:121) ~[mysql-connector-j-8.0.33.jar:8.0.33]
at com.mysql.cj.jdbc.exceptions.SQLExceptionsMapping.translateException(SQLExceptionsMapping.java:122) ~[mysql-connector-j-8.0.33.jar:8.0.33]
可以自己建个表，先创建一个数据库，然后建表一张，建表语句如下： （不要用官方提供的SQL，会出现乱码和无法解析问题，就用我这个）
CREATE TABLE `spring_ai_chat_memory` (
`conversation_id` varchar(36) CHARACTER SET utf8mb4 NOT NULL,
`content` text CHARACTER SET utf8mb4 NOT NULL,
`type` enum('USER','ASSISTANT','SYSTEM','TOOL') CHARACTER SET utf8mb4 NOT NULL,
`timestamp` timestamp NOT NULL DEFAULT CURRENT_TIMESTAMP ON UPDATE CURRENT_TIMESTAMP,
KEY `SPRING_AI_CHAT_MEMORY_CONVERSATION_ID_TIMESTAMP_IDX` (`conversation_id`,`timestamp`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_general_ci
;
有了这些之后，还需要一个单独的配置，就是他这个东西要和数据库交互还需要一个datasource，我们需要有个数据库连接的能力，所以需要导入包：
<dependency>
<groupId>mysql</groupId>
<artifactId>mysql-connector-java</artifactId>
<version>8.0.33</version>
</dependency>
增加数据库相关配置：
spring:
datasource:
url: jdbc:mysql://xx.xx.xx.xx/spring_ai_db2?useUnicode=true&characterEncoding=UTF-8
username: xxx
password: xxx
driver-class-name: com.mysql.cj.jdbc.Driver
接着就需要定义一个使用JDBC做记忆的ChatMemory：
public class JdbcChatMemoryConfiguration {
@Bean
ChatMemory chatMemory(JdbcChatMemoryRepository chatMemoryRepository) {
return MessageWindowChatMemory.builder().chatMemoryRepository(chatMemoryRepository).build();
}
}
然后在chatClient中使用这个memory：
@RestController
@RequestMapping("/jdbc/memory")
public class JdbcChatMemoryController implements InitializingBean {
@Autowired
private ChatModel chatModel;
private ChatClient chatClient;
@Autowired
private ChatMemory jdbcChatMemory;
@GetMapping("/callDb")
public Flux<String> callDb(String message, String chatId, HttpServletResponse httpServletResponse) {
httpServletResponse.setCharacterEncoding("UTF-8");
return chatClient
.prompt()
.user(message)
.advisors(spec -> spec.param(ChatMemory.CONVERSATION_ID, chatId))
.stream().content();
}
@Override
public void afterPropertiesSet() throws Exception {
this.chatClient = ChatClient.builder(chatModel)
// 实现 Logger 的 Advisor
.defaultAdvisors(MessageChatMemoryAdvisor.builder(jdbcChatMemory).build(), new SimpleLoggerAdvisor())
// 设置 ChatClient 中 ChatModel 的 Options 参数
.defaultOptions(
DashScopeChatOptions.builder()
.withTopP(0.7)
.build()
).build();
}
}
接着可以做两次对话：
第一次：http://localhost:8010/ai/long_term_memory/chat?chatId=12321&message=i%20am%20hollis
第二次：http://localhost:8010/ai/long_term_memory/chat?chatId=12321&message=who%20am%20i?
然后查看数据库，可以看到数据已经存下来了，
我们重启应用，在用同一个chatId问问题，他还是可以正常回答，历史的记忆还是存在的。