使用LangChain构建具备记忆功能的聊天机器人_聊天机器人技术选型 langchain-优快云博客

在今天的文章中，我们将深入探讨如何使用大型语言模型（LLM）来设计和实现一个聊天机器人。这个聊天机器人不仅可以进行对话，还能够记住先前的互动。这样的功能对于提升用户体验至关重要，尤其是在需要连续对话的场景中。接下来，我们将详细解析其中的技术原理，并通过代码实例帮助大家理解和实现这一技术。

技术背景介绍

聊天机器人技术近年来发展迅速，其中以大规模语言模型为核心的聊天机器人因其出色的自然语言处理能力而备受关注。这类机器人能够通过上下文理解用户意图，并生成相应的自然语言回复。在本文中，我们将聚焦于如何通过LangChain库来实现这样的功能。

核心原理解析

状态保持与消息历史

实现聊天机器人记忆功能的关键在于如何管理对话的历史状态。在没有状态管理的情况下，语言模型无法记住之前的对话内容，这会导致用户体验不佳。因此，我们需要构建一个机制来保存和管理这些对话历史。

消息修整

随着对话的进行，消息历史会不断增长。为了避免超出模型的上下文窗口，我们需要对消息进行修整，确保传入模型的内容不会过多。

代码实现演示

下面是如何使用LangChain库实现上述功能的核心代码。

import getpass
import os
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage, trim_messages
from langchain_core.chat_history import BaseChatMessageHistory, InMemoryChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 设置API密钥
os.environ["OPENAI_API_KEY"] = getpass.getpass()

# 构建消息历史存储
store = {}

def get_session_history(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]

# 设置提示模板
prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a helpful assistant. Answer all questions to the best of your ability."),
        MessagesPlaceholder(variable_name="messages"),
    ]
)

# 使用消息历史包装模型
chain = prompt | model
with_message_history = RunnableWithMessageHistory(chain, get_session_history)

# 配置会话ID
config = {"configurable": {"session_id": "abc2"}}

# 发送消息并获取回复
response = with_message_history.invoke([HumanMessage(content="Hi! I'm Bob")], config=config)
print(response.content)

response = with_message_history.invoke([HumanMessage(content="What's my name?")], config=config)
print(response.content)