大型语言模型（LLM）是无状态的，这意味着它们不会保留先前交互的信息。当您希望在多次交互中保持上下文或状态时，这可能成为一个局限。为了解决这个问题，Spring AI 提供了聊天记忆功能，使您能够在与 LLM 的多次交互中存储和检索信息。

一、简单例子

下面就以将聊天记忆放在内存中举个例子

@Configuration
public class AIConfigration {
    @Autowired
    private ChatMemoryRepository chatMemoryRepository;
    @Bean
    public ChatClient openaiChatClient(OpenAiChatModel openAiChatModel,ChatMemory chetMemory){
        return ChatClient.
                builder(openAiChatModel) //设置模型
                .defaultSystem("您是一位只会说事实的程序员，不会说一些没有根据的事情") //在这里设置系统提示词，这样所有请求都会带上这个
                //.defaultAdvisors(new MySimpleLoggerAdvisor())
                .defaultAdvisors(SimpleLoggerAdvisor.builder().build(),
                MessageChatMemoryAdvisor.builder(chetMemory).build()) //设置记忆
                .build();//创建对象
    }
    @Bean
    public ChatMemory chetMemory(){
        return MessageWindowChatMemory.builder().
                //chatMemoryRepository(new InMemoryChatMemoryRepository())//基于内存可以直接new
                chatMemoryRepository(chatMemoryRepository)//也可以用注入
                .maxMessages(4)//消息窗口大小4
                .build();
    }
}

使用的时候要设置用户ID

    @GetMapping("/ask5")
    public String ask5(String topic){
        String result =  openaiChatClient
                .prompt()
                .user(u -> u.text("{topic}").param("topic",topic))
                .advisors(a ->a.param(ChatMemory.CONVERSATION_ID, 1))
                .call()
                .content();
        return result;
    }

这样就可以有聊天记忆了，但是消息窗口大小只有4，会随着聊天记忆的增加前面的会直接抛弃，在发送给大模型的时候，消息类型为AssistantMessage。

二、内存记忆策略

1. MessageWindowChatMemory（默认）

• 核心机制：维护固定大小消息窗口，消息数量超出上限时淘汰最早的消息；system 消息会一直保留，不会被清理
• 默认窗口大小：20 条消息
• 适用场景：大部分简单多轮对话，兼顾上下文完整度和 token 消耗

2. VectorStoreChatMemory（语义记忆）

• 核心机制：对话内容向量化存入向量库，依靠语义相似度检索召回相关历史，不是按顺序截断
• 适用场景：超长对话、需要精准语义匹配的复杂业务场景

3、 补充区分一句话

• MessageWindowChatMemory + 存储仓库：滑动窗口截断，按顺序保留最近 N 条（最常用）
• VectorStoreChatMemory：语义检索，按需召回相关历史，不固定窗口，解决长上下文 token 爆炸

三、支持的存储后端

表格