本文详细介绍了如何使用LangChain构建具有上下文记忆功能的简单聊天机器人。首先，通过对比无记忆和手动添加记忆的示例，突出了实现记忆功能的重要性。接着，文章讲解了如何利用LangChain的组件，如InMemoryChatMessageHistory，来存储和管理消息历史，实现对话的上下文感知。此外，文章还介绍了提示词模板的使用，帮助用户更方便地与大模型交互。最后，文章为读者提供了一个使用提示词模板和消息历史的完整示例，并预告了后续将探讨对话历史管理和上下文长度控制等高级主题。

🧠LangChain基础：文章首先强调了LangChain的基础知识，通过对比无记忆的聊天机器人和手动增加记忆的示例，展示了实现上下文记忆的必要性，为后续构建更智能的聊天机器人奠定了基础。

💾消息历史管理：文章详细介绍了如何使用LangChain提供的组件，如InMemoryChatMessageHistory，来存储和管理消息历史。通过设置session_id，可以区分不同的对话，实现对上下文的感知，使得聊天机器人能够记住之前的对话内容。

🗣️提示词模板：为了简化用户操作，提高交互效率，文章引入了提示词模板的概念。通过预设提示词，将原始用户信息转换为大模型可以处理的格式，从而减少用户输入的复杂性，并提升回答的准确性。

前言

上一章讲解了如何构建一个简单的 LangChain 应用，但此时的应用是没有记忆的，不知道以前我们说了什么，现在我们使用的大模型应用都是有记忆的，虽然这个记忆有一定长度。本章将讲解如何使用LangChain 构建一个有上下文记忆简单聊天机器人。

准备工作

需要了解 LangChain 的基础用法，可以阅读上一篇文章pip安装LangChain：pip install langchain调用大模型key，我们主要是学习为主，能白嫖自然白嫖，不需要多么快速的响应，下面是对应的申请方式，都是免费的，其他模型都是需要对应token花费钱的。注意：我们只要申请openai的key，openai更加通用
腾讯元宝：hunyuan-lite，申请地址智谱AI：GLM-4-Flash-250414，申请地址，更推荐，响应速度快，更精准，对 openai 接口兼容性更好
以上两个模型都是免费的，可以放心使用，注意申请 openai 访问方式的key建议使用 Jupyter Notebook，更加方便，安装教程

1. 没有记忆的示例

我们先看一个体现 LangChain 调用大模型没有记忆的示例

from langchain_openai import ChatOpenAIfrom langchain_core.messages import HumanMessage, SystemMessage, AIMessagefrom langchain_core.output_parsers import StrOutputParsermodel = ChatOpenAI(model="GLM-4-Flash-250414", api_key="申请的key", base_url="https://open.bigmodel.cn/api/paas/v4/")parser = StrOutputParser()chain = model | parser# 大模型没有记忆print(chain.invoke([HumanMessage(content="你好！我是小明")]))print(chain.invoke([HumanMessage(content="我叫什么名字？")]))

模型给的回答，可以看出现在是没有记忆的

你好，小明！很高兴见到你。请问有什么我可以帮助你的吗？抱歉，我无法回答这个问题。作为一个人工智能助手，我没有访问您的个人信息的权限，因此无法得知您的名字。如果您需要帮助或有其他问题，请随时告诉我。

1.1. 手动增加记忆

为了解决这个问题，我们需要将整个对话历史传递给模型。

from langchain_openai import ChatOpenAIfrom langchain_core.messages import HumanMessage, SystemMessage, AIMessagefrom langchain_core.output_parsers import StrOutputParsermodel = ChatOpenAI(model="GLM-4-Flash-250414", api_key="申请的key", base_url="https://open.bigmodel.cn/api/paas/v4/")parser = StrOutputParser()chain = model | parser# 需要把上下文全部发送print(chain.invoke(    [        HumanMessage(content="你好！我是小明"),        AIMessage(content="你好，小明！很高兴见到你。请问有什么我可以帮助你的吗？"),        HumanMessage(content="我叫什么名字？"),    ]))

模型现在知道我们刚才问的什么了，但是这种方式很繁琐需要我们手动维护对话

你的名字是“小明”。

2. 增加消息历史

首先，让我们确保安装 langchain-community，因为我们将使用其中的集成来存储消息历史pip install langchain_community

导入相关类并设置我们的链，该链包装模型并添加此消息历史。这里的一个关键部分是我们作为 get_session_history 传入的函数。这个函数预计接受一个 session_id 并返回一个消息历史对象。这个 session_id 用于区分不同的对话，并应作为配置的一部分在调用新链时传入

from langchain_openai import ChatOpenAIfrom langchain_core.messages import HumanMessagefrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.chat_history import BaseChatMessageHistory, InMemoryChatMessageHistoryfrom langchain_core.runnables.history import RunnableWithMessageHistorymodel = ChatOpenAI(model="GLM-4-Flash-250414", api_key="申请的key", base_url="https://open.bigmodel.cn/api/paas/v4/")store = {}def get_session_history(session_id: str) -> BaseChatMessageHistory:    if session_id not in store:        store[session_id] = InMemoryChatMessageHistory()    # print(store, "store[session_id]")    return store[session_id]parser = StrOutputParser()chain = model | parserwith_message_history = RunnableWithMessageHistory(chain, get_session_history)# 创建一个 config，每次都传递给可运行的部分config = {"configurable": {"session_id": "aaaaaa"}}response = with_message_history.invoke(    [HumanMessage(content="你好！我是小明")],    config=config,)print(response)response = with_message_history.invoke(    [HumanMessage(content="我叫什么名字？")],    config=config,)print(response)

现在通过定义的 session_id 已经实现了记忆本次对话，可以修改 session_id 来创建不同的对话，也可以随时切换回来（需要将会话内容储存起来，比如说数据库）

你好，小明！很高兴见到你。有什么我可以帮助你的吗？你叫小明。

3. 提示词模板

调用大模型得到完整的答案需要大量特定的提示词，为了方便用户尽可能少的输入提示词，方便用户操作，我们需要提前预设提示词，提示词模板帮助将原始用户信息转换为大型语言模型可以处理的格式。

添加一个提示词模板。为此，我们将创建一个 ChatPromptTemplate。利用 MessagesPlaceholder 来传递所有消息。

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderprompt = ChatPromptTemplate.from_messages(    [        (            "system",            "你是个乐于助人的助手。尽你所能回答所有问题。",        ),        MessagesPlaceholder(variable_name="messages"),    ])chain = prompt | model

融合入刚才的上下文代码中

from langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderfrom langchain_core.chat_history import BaseChatMessageHistory, InMemoryChatMessageHistoryfrom langchain_core.runnables.history import RunnableWithMessageHistoryfrom langchain_core.messages import HumanMessagemodel = ChatOpenAI(model="GLM-4-Flash-250414", api_key="申请的key", base_url="https://open.bigmodel.cn/api/paas/v4/")prompt = ChatPromptTemplate.from_messages(    [        (            "system",            "你是个乐于助人的助手。尽你所能用{language}回答所有问题",        ),        MessagesPlaceholder(variable_name="messages"),    ])chain = prompt | modelstore = {}def get_session_history(session_id: str) -> BaseChatMessageHistory:    if session_id not in store:        store[session_id] = InMemoryChatMessageHistory()    return store[session_id]with_message_history = RunnableWithMessageHistory(chain, get_session_history, input_messages_key="messages")config = {"configurable": {"session_id": "aaaaaa"}}response = with_message_history.invoke(    {"messages": [HumanMessage(content="你好！我是小明")], "language": "英语"},    config=config,)print(response.content)response = with_message_history.invoke(    {"messages": [HumanMessage(content="我叫什么名字？")], "language": "英语"},    config=config,)print(response.content)

模型的回答，已经按照预设的提示词模版进行了回答注意：各个模型参数回答等有差异，本示例中不能百分百确定正确返回

Hello, Xiao Ming! How can I assist you today?Your name is Xiao Ming.

本章讲解了如何使用 LangChain 构建一个有上下文记忆简单聊天程序，并且增加了提示词模版，但是我们还是没有很好的体现和管理对话历史，控制上下文长度等。下篇我们将讲解如何管理对话历史