LangChain大模型应用开发：消息管理与聊天历史存储

老赵爱学习

已于 2025-02-20 15:23:12 修改

阅读量1.2k

点赞数 24

文章标签： langchain python 自然语言处理人工智能

于 2025-02-19 23:00:31 首次发布

本文链接：https://blog.csdn.net/chengyidechengxu/article/details/145726987

版权

介绍

大家好，博主又来给大家分享知识了。今天要给大家分享的是LangChain中的消息管理与聊天历史存储。
在LangChain里，消息管理可精细区分用户、助手、系统等不同角色消息，有序调度处理，让交互更顺畅。而聊天历史存储则赋予模型 “记忆”，多轮对话时能参考过往记录，理解意图更精准，回复更连贯。二者相辅相成，为构建智能对话应用筑牢基础。希望大家能通过我本次的分享，对它们有更清晰的认知。

消息存储在内存

在LangChain的应用场景中，消息存储是保障多轮对话连贯性的关键环节。它主要负责留存聊天过程中的历史信息，使得模型在后续交互时能够参考过往对话，更精准地理解用户意图并生成回复。

内存存储是消息存储的方式之一。将消息存储在内存里，数据访问速度快，能即时响应对话需求，适用于一些对实时性要求高、会话规模相对较小的场景。不过，它也存在局限性，如内存容量有限，可能因数据量过大导致性能问题。

下面我们展示一个简单的示例，其中聊天历史保存在内存中，此处通过全局Python字典实现。

我们构建一个名为get_session_history的可调用对象，引用此字典以返回ChatMessageHistory实例。通过在运行时向RunnableWithMessageHistory传递配置，可以指定可调用对象的参数。默认情况下，期望配置参数是一个字符串session_id 。可以通过history_factory_config关键字参数进行调整。

开启新会话

此次调用开启了一个新的会话。用户询问了 "行列式是什么意思？"，由于是新会话，消息历史为空，模型会基于系统提示和当前问题进行回复。

完整代码

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

# 用于存储不同会话的聊天消息历史
store = {}

# 初始化OpenAI的聊天模型，使用gpt-3.5-turbo
chat_model = ChatOpenAI(model_name="gpt-3.5-turbo")

# 创建聊天提示模板，包含系统指令、消息历史占位和用户输入
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名得力助手并且非常擅长{ability}"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}"),
])

# 将提示模板和聊天模型组合成一个可执行链
chain = prompt | chat_model


# 定义函数，根据会话ID获取对应的聊天消息历史，若不存在则创建
def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]


# 创建带消息历史管理功能的可运行对象
with_message_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)

# 调用带消息历史管理的对象，传入用户问题和会话配置并获取结果
result = with_message_history.invoke(
    {"ability": "数学", "input": "行列式是什么意思？"},
    config={"configurable": {"session_id": "qaz123"}},
)

# 打印聊天模型针对用户问题给出的回复结果
print(result)

运行结果

content='在线性代数中，行列式是一个针对一个方阵的函数，它将一个方阵映射到一个标量。行列式可以通过方阵的元素来定义，用来描述方阵的性质和特征。行列式的值可以提供有关于方阵是否可逆、方阵的秩以及方阵的特征值等信息。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 105, 'prompt_tokens': 40, 'total_tokens': 145, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_name': 'gpt-3.5-turbo-0125', 'system_fingerprint': 'fp_0165350fbb', 'finish_reason': 'stop', 'logprobs': None} id='run-e5230a21-a183-4df5-9a1f-2aedeef4fba0-0' usage_metadata={'input_tokens': 40, 'output_tokens': 105, 'total_tokens': 145, 'input_token_details': {}, 'output_token_details': {}}

进程已结束，退出代码为 0

在同一会话中进行追问

再次使用相同的会话ID，用户询问 "什么?"。此时模型会结合之前的消息历史，也就是第一次询问的 "行列式是什么意思？" 以及对应的回复，来理解用户的追问意图并给出基于上下文的回答。

完整代码

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

# 用于存储不同会话的聊天消息历史
store = {}

# 初始化OpenAI的聊天模型，使用gpt-3.5-turbo
chat_model = ChatOpenAI(model_name="gpt-3.5-turbo")

# 创建聊天提示模板，包含系统指令、消息历史占位和用户输入
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名得力助手并且非常擅长{ability}"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}"),
])

# 将提示模板和聊天模型组合成一个可执行链
chain = prompt | chat_model


# 定义函数，根据会话ID获取对应的聊天消息历史，若不存在则创建
def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]


# 创建带消息历史管理功能的可运行对象
with_message_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)

# 调用带消息历史管理的对象，传入用户问题和会话配置并获取结果
result = with_message_history.invoke(
    {"ability": "math", "input": "行列式是什么意思？"},
    config={"configurable": {"session_id": "qaz123"}},
)

# 打印聊天模型针对用户问题给出的回复结果
print(result)

# 记住
result = with_message_history.invoke(
    {"ability": "数学", "input": "什么?"},
    config={"configurable": {"session_id": "qaz123"}},
)

print(result)

运行结果

content='在线性代数中，行列式是一个针对一个方阵的函数，它将一个方阵映射到一个标量。行列式可以通过方阵的元素来定义，用来描述方阵的性质和特征。行列式的值可以提供有关于方阵是否可逆、方阵的秩以及方阵的特征值等信息。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 105, 'prompt_tokens': 40, 'total_tokens': 145, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_name': 'gpt-3.5-turbo-0125', 'system_fingerprint': 'fp_0165350fbb', 'finish_reason': 'stop', 'logprobs': None} id='run-e5230a21-a183-4df5-9a1f-2aedeef4fba0-0' usage_metadata={'input_tokens': 40, 'output_tokens': 105, 'total_tokens': 145, 'input_token_details': {}, 'output_token_details': {}}
content='抱歉，我的回答可能有点复杂了。简单来说，行列式就是一个针对方阵的数学工具，用来描述和分析方阵的性质和特征。行列式的值可以提供有关方阵性质的重要信息。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 79, 'prompt_tokens': 156, 'total_tokens': 235, 'completion_tokens_details': None, 'prompt_tokens_details': None}, 'model_name': 'gpt-3.5-turbo-0125', 'system_fingerprint': 'fp_0165350fbb', 'finish_reason': 'stop', 'logprobs': None} id='run-2dbeed9e-9ab6-4910-a220-c9aadf83bfba-0' usage_metadata={'input_tokens': 156, 'output_tokens': 79, 'total_tokens': 235, 'input_token_details': {}, 'output_token_details': {}}

进程已结束，退出代码为 0

再次开启新会话

使用新的会话ID，用户再次询问 "什么?"。由于是新会话，消息历史为空，模型无法获取之前关于行列式的对话信息，会将此次询问当作全新的问题进行处理，回复可能与之前不同。

完整代码

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

# 用于存储不同会话的聊天消息历史
store = {}

# 初始化OpenAI的聊天模型，使用gpt-3.5-turbo
chat_model = ChatOpenAI(model_name="gpt-3.5-turbo")

# 创建聊天提示模板，包含系统指令、消息历史占位和用户输入
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名得力助手并且非常擅长{ability}"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}"),
])

# 将提示模板和聊天模型组合成一个可执行链
chain = prompt | chat_model


# 定义函数，根据会话ID获取对应的聊天消息历史，若不存在则创建
def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        st