手撸一个 deepseek 聊天历史对话、多轮对话（ollama + deepseek + langchain + flask）

最新推荐文章于 2025-11-04 16:20:25 发布

原创

最新推荐文章于 2025-11-04 16:20:25 发布 · 6.9k 阅读

53 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #flask #python #chatgpt #人工智能 #AIGC

前言

为了让聊天更加智能化，体验更好，打算搞个聊天历史对话，让 deepseek 可以结合上下文回答。

一、准备环境

ollama，用于在本地运行、部署和管理大型语言模型（LLMs）。
deepseek 模型，本文用的 deepseek-r1:14b。
langchain，大语言模型应用程序的开发框架，主要 python 实现。

二、开发思路

使用 langchain 的 SQLChatMessageHistory 模块管理聊天历史记录，每段对话一个 session_id。
将聊天历史记录存储在 sqlite 数据库。
设置聊天上下文最大次数，即多轮对话次数，达到之后清空聊天记录。

三、代码解读

初始化 llm

# 设置Ollama的主机和端口
os.environ["OLLAMA_HOST"] = "127.0.0.1"
os.environ["OLLAMA_PORT"] = "11434"


def get_llm():
    # 定义提示模板
    template = """
    你是一个专业的助手，请根据用户的问题，生成详细且专业的回答。
    用户的问题：{input}
    """

    prompt = ChatPromptTemplate.from_template(template)

    # 初始化Ollama模型
    model = OllamaLLM(model="deepseek-r1:14b")

    # 创建链
    llm = prompt | model

    return llm

初始化聊天历史

# 初始化聊天历史
def get_session_history(session_id):
    return SQLChatMessageHistory(session_id, "sqlite:///chat_history.db")

基于聊天历史对话

def start_chat_history(input, session_id):
    # 判断是否新起对话
    delete_chat_history(session_id)

    # 初始化llm
    llm = get_llm()

    # 创建带历史记录的链
    runnable_with_history = RunnableWithMessageHistory(
        llm,
        get_session_history,
        input_messages_key="input"  # 明确指定输入键
    )

最低0.47元/天解锁文章