LangChain入门教程 - 对话历史

最新推荐文章于 2025-10-17 14:27:56 发布
原创 最新推荐文章于 2025-10-17 14:27:56 发布 · 1.3k 阅读 · 7 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#langchain #人工智能 #python

一般情况下，聊天是没有状态的。但是很多场景我们是需要上下文记忆的。比如聊天机器人如果回答时不参考上下文信息，很容易出现前言不搭后语后语。如果需要手动维护对话历史信息，这工作量想想头都大，但是做为一个专门的AI开发工具，LangChain肯定是帮你想到了。

首先创建一个对话模型，记得自己设置环境变量QIANFAN_AK和QIANFAN_SK。

from langchain_community.chat_models import QianfanChatEndpoint

chatModel = QianfanChatEndpoint(
    model='ERNIE-Bot',
    endpoint='completions'
)

ChatMessageHistory

LC提供了专门的类用来管理对话历史记录，我们可以手工创建一个类试试。

from langchain.memory import ChatMessageHistory

history = ChatMessageHistory()
history.add_user_message("hi!")
history.add_ai_message("whats up?")
history.add_user_message("I'm XiaoMing")
history.add_ai_message("nice to meet you")

history.messages

'''输出
[HumanMessage(content='hi!'),
 AIMessage(content='whats up?'),
 HumanMessage(content="I'm XiaoMing"),
 AIMessage(content='nice to meet you')]
'''

ConversationBufferMemory

为了方便在对话中管理上下文信息，L

最低0.47元/天 解锁文章
（19-2）操作国产大模型：LangChain与百度千帆大模型实践
码农三叔
05-16 2872
在下面的实例中，使用LangChain框架中的QianfanChatEndpoint创建了一个聊天模型，并通过管道操作将提示模板、聊天模型和输出解析器链接起来，以生成关于特定主题的笑话。在上述流程中使用了信息检索功能，它首先将网页内容分割并嵌入到向量数据库中，然后通过检索器找到与问题最相关的文档，最后利用聊天模型生成基于这些文档的回答。（12）创建检索链：使用函数create_retrieval_chain创建了一个检索链，该链结合了检索器和文档链，用于生成基于检索到的文档的回答。
Langchain4j-Java大模型应用开发实战
program哲学
07-23 4635
本文详细介绍如何基于Java 利用Langchain4j框架开发大模型应用，包括各种实战内容
LangChain 消息历史（记忆）添加完全指南
最新发布
servepeople的博客
10-17 822
本文全面介绍了LangChain中RunnableWithMessageHistory工具的使用方法，从基础到进阶应用。主要内容包括：1）核心概念解析，说明该工具能为链添加对话记忆功能；2）基础用法演示如何实现内存存储的临时记忆；3）进阶用法展示通过Redis实现持久化存储；4）关键补充讲解不同输入输出类型的适配场景。文章采用"步骤+代码+注释"的方式，详细展示了从简单对话到复杂场景的完整实现路径，包括会话ID管理、存储方式切换等关键知识点，帮助开发者快速掌握LangChain的记忆功能
LangChain入门教程 - 使用代理Agent
随便写写
05-07 855
对于大模型，比如某些场景，需要数学计算，或者需要从某些网站获取参考资料，就必须使用专门的代理来完成任务。这里我们使用langchain提供的数学工具来实现一个最简单的例子，下一篇我们会讲如何自己实现代理。首先创建一个对话模型，记得自己设置环境变量和。
一篇文章读懂LangChain
zy_zeros的博客
03-12 1042
在日常生活中，我们通常致力于构建端到端的应用程序。有许多自动机器学习平台和持续集成/持续交付（CI/CD）流水线可用于自动化我们的机器学习流程。我们还有像 Roboflow 和 Andrew N.G. 的 Landing AI 这样的工具，可以自动化或创建端到端的计算机视觉应用程序。如果我们想要借助 OpenAI 或 Hugging Face 创建基于大语言模型的应用程序，以前我们可能需要手动完成。
LangChain：如何高效管理 LLM 聊天历史记录？
python122_的博客
06-21 2195
LangChain 团队发布了一篇关于使用 Dragonfly DB 来有效管理 LangChain 应用程序聊天历史记录的教程。该教程旨在解决用户在使用 LangChain 应用程序时普遍遇到的一个问题：如何高效地管理聊天历史记录。LangChain 团队在推文中强调了 Dragonfly DB 在管理聊天历史记录中的重要性，并提供了相关教程链接，帮助用户更好地理解和使用 Dragonfly DB。
LangChain入门3 基于历史对话的RAG构建
weixin_41870426的博客
04-27 6217
加载和处理历史对话：首先，需要将历史对话加载到系统中。LangChain 可以使用 ChatMessageHistory 类来记录和处理所有先前的聊天互动。构建独立的检索问题：对于对话中的后续问题，LangChain 可以使用特定的提示模板（如 CONDENSE_QUESTION_PROMPT），将对话历史和最新问题结合起来，形成一个独立的检索问题。检索相关文档：使用检索器（Retriever）从存储中检索与当前问题和历史对话相关联的文档片段。
[极客时间]LangChain 实战课 -----｜LangChain系统安装和快速入门(2)
qq_34446716的博客
06-10 848
大语言模型是一种人工智能模型，通常使用深度学习技术，比如神经网络，来理解和生成人类语言。这些模型的“大”在于它们的参数数量非常多，可以达到数十亿甚至更多，这使得它们能够理解和生成高度复杂的语言模式。你可以将**大语言模型想象成一个巨大的预测机器，其训练过程主要基于“猜词”：**给定一段文本的开头，它的任务就是预测下一个词是什么。模型会根据大量的训练数据（例如在互联网上爬取的文本），试图理解词语和词组在语言中的用法和含义，以及它们如何组合形成意义。它会通过不断地学习和调整参数，使得自己的预测越来越准确。
开源模型应用落地-LangChain高阶-智能体探究-agent类型（一）
以微薄之力，予他人些许温暖.
07-04 8654
智能体入门，学习前三种agent类型，学习前三种agent类型，包括ZERO_SHOT_REACT_DESCRIPTION/CHAT_ZERO_SHOT_REACT_DESCRIPTION/CONVERSATIONAL_REACT_DESCRIPTION
LangChain入门指南
热门推荐
lht0909的博客
04-27 3万+
LangChain是一个强大的框架，旨在帮助开发人员使用语言模型构建端到端的应用程序。它提供了一套工具、组件和接口，可简化创建由大型语言模型 (LLM) 和聊天模型提供支持的应用程序的过程。LangChain 可以轻松管理与语言模型的交互，将多个组件链接在一起，并集成额外的资源，例如 API 和数据库。官方文档：https://python.langchain.com/en/latest/
Langchain 历史消息和会话管理
AI大模型/Python/Java/MySQL技术栈，快来和我一起学习吧 ~
03-24 949
作用：动态生成历史摘要原理：定期调用LLM压缩历史{"input": f"讨论要点"input" : f"讨论要点 {"output" : f"详细内容 {})) # 输出类似: {'history': '系统总结了5个讨论要点及其内容...'}"},{"output": f"详细内容"input" : f"讨论要点 {"output" : f"详细内容 {})) # 输出类似: {'history': '系统总结了5个讨论要点及其内容...'}"}
LangChain 16 通过Memory记住历史对话的内容
AI架构师易筋
11-30 5318
大多数LLM应用程序都有对话界面。对话的一个重要组成部分是能够引用先前在对话中介绍的信息。最基本的是，对话系统应该能够直接访问某些过去的信息窗口。更复杂的系统将需要具有一个世界模型，它不断更新，这使它能够维护有关实体及其关系的信息。我们称这种存储关于过去交互的信息的能力为“记忆”。LangChain为系统添加记忆提供了许多实用工具。这些实用工具可以单独使用，也可以无缝地整合到链中。记忆系统需要支持两个基本操作：读取和写入。请记住，每个链定义了一些核心执行逻辑，期望某些输入。
【LangChain】langchain_community.chat_message_histories.ChatMessageHistory 类：在内存中存储和管理对话消息历史
彬彬侠的博客
05-10 1316
ChatMessageHistory 是 LangChain 社区库中的内存消息历史存储类，用于在内存中存储和管理对话消息（HumanMessage、AIMessage 等）。它是一个轻量级的消息历史实现，适合临时对话管理，常用于测试或简单应用。相比其他历史存储（如 RedisChatMessageHistory），它无需外部数据库，但数据不持久化。初始化：简单创建，无需配置。常用方法：add_message、add_user_message、add_ai_message、clear。适用场景：多轮对话、上
LangChain历史聊天记录的实现
我的博客
02-06 659
LangChain历史聊天记录的实现
【LangChain】对话式问答(Conversational Retrieval QA)
山鬼谣的专栏
07-09 1万+
它首先将聊天记录（显式传入或从提供的内存中检索）和问题组合成一个独立的问题，然后从检索器中查找相关文档，最后将这些文档和问题传递到问答链以返回一个响应。这样会有一个非常大的好处：我们可以使用更便宜、更快的模型来完成问题的凝练工作，然后再使用昂贵的模型来回答问题。首先，它将当前问题和聊天历史凝练为一个独立的问题。声明性特性的部分强大之处在于，您可以轻松地为每个调用使用单独的语言模型。之后，它进行检索，然后使用单独模型的检索增强生成来回答问题。在下面的示例中，我们将从向量存储创建一个，该向量存储可以从。
大模型 (LLM)LangChain面试题系列（十四）LangChain中 Chat Message History 是什么?
Code1994的博客
09-18 614
并将它们与链（Chain）和其他组件一起使用，以构建更复杂的应用。通过这种方式，开发者可以构建强大的聊天机器人，而无需担心底层的上下文管理和记忆细节。这些消息记录包括用户输入和语言模型生成的回复，它们一起构成了对话的上下文。这些消息可以按照时间顺序排列，以便于在对话过程中引用和更新。每次用户输入时，我们都会将输入和回复添加到历史记录中。，开发者可以构建一个具有上下文记忆能力的聊天机器人，它能够根据历史对话内容做出更准确的回复。在 LangChain 中，开发者可以定义一个或多个。
使用langchain与你自己的数据对话(五)：聊天机器人
weixin_42608414的博客
08-07 4767
今天我们学习了如何开发一个具有记忆能力的个性化问答机器人，所谓个性化是指该机器人可以针对用户数据的内容进行问答，我们在实现该机器人时使用了ConversationalRetrievalChain组件，它是一个具有记忆能力的检索链，也是机器人的核心组件。希望今天的内容对大家有所帮助！
无限可能LangChain——构建聊天机器人
JackWu1024
06-03 1601
首先，让我们定义一个函数来修改传入的消息。这个session_id用于区分不同的对话，并应该作为调用新链条时的配置的一部分传递进去（我们将展示如何做到这一点）。我们可以使用一个消息历史类来封装我们的模型，使其具有状态。请注意，这稍微改变了输入类型-我们不再传递一个消息列表，而是传递一个字典，其中包含一个名为messages的键，其值是一个消息列表。之后，我们可以导入相关的类并设置我们的链，它将包装模型并添加这个消息历史记录。如果我们创建一个超过10条消息的消息列表，我们可以看到它不再记得早期消息中的信息。
langchain入门教程
01-13
### 关于 LangChain 的入门教程 #### 了解 LangChain 基本概念和核心功能 LangChain 是一种用于构建语言模型应用的强大框架，旨在简化开发者创建复杂自然语言处理系统的流程。该框架不仅提供了多种预训练的大规模语言模型（LLMs），还支持定制化的提示模板（Prompt Templates）、代理（Agents）、记忆（Memory）、索引（Indexes）以及链条（Chains）。这些特性使得开发人员能够更灵活地设计对话系统和其他基于文本的应用程序[^1]。 #### 组件详解 - **Models**: 支持不同种类的语言模型，如 ChatGPT、ChatGLM 和 T5 等。 - **Prompts**: 提供管理和自定义提示的功能，有助于优化与 LLMs 的交互效果。 - **Agents**: 负责决策并执行特定任务，允许大型语言模型访问外部工具和服务。 - **Memory**: 记录会话历史记录，保持上下文连贯性。 - **Indexes**: 对文档进行结构化处理，便于后续查询操作。 - **Chains**: 定义了一系列组件之间的调用顺序，形成完整的业务逻辑流[^4]。 #### 实际应用场景展示——简单问答系统 为了更好地理解如何利用 LangChain 创建实际项目，在此提供了一个简易版的问答系统实例： ```python from langchain import LangChain, PromptTemplate, LLMMemory, SimpleIndexCreator, AgentExecutor import json # 加载配置文件中的参数设置 with open('config.json', 'r') as f: config = json.load(f) # 初始化内存对象来存储聊天记录 memory = LLMMemory() # 设置索引来加速检索过程 index_creator = SimpleIndexCreator() indexes = index_creator.create_indexes(config['documents']) # 配置提示模板以指导模型生成合适的回复 prompt_template = PromptTemplate( input_variables=["history", "input"], template="Based on the following conversation history:\n{history}\nThe user asks: {input}" ) # 构造Agent执行器来进行具体的操作 agent_executor = AgentExecutor.from_llm_and_tools(llm=config['llm'], tools=[...], memory=memory) while True: question = input("Ask a question:") # 获取当前对话的历史作为背景信息的一部分 context = agent_executor.memory.get_context(inputs={"question": question}) # 将问题传递给Agent执行器获取答案 response = agent_executor.run(prompt=prompt_template.format(history=context["history"], input=question)) print(response) ``` 这段代码片段展示了如何结合多个 LangChain 组件建立一个可以持续互动的基础架构，并通过循环读取用户的输入来维持整个交流的过程[^3]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值