LangChain 实战教程：构建带记忆的聊天机器人

前言

复制后 格式化下 填入环境变量即可运行

一、简介

在传统聊天机器人中，对话往往是“无状态”的——每次对话都独立处理，无法记住上下文。本教程将使用LangChain框架，构建一个能够记住对话历史的智能聊天机器人。

---

二、前置准备

1. 安装依赖

pip install langchain langchain-openai python-dotenv

1. 配置API密钥

   在.env文件中添加：

OPENAI_API_KEY = "your-api-key"
# 或使用本地模型（如Llama2）的配置

---

三、核心实现步骤

1. 初始化基础组件

from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
from langchain_openai import ChatOpenAI

# 初始化大语言模型
llm = ChatOpenAI(temperature=0.5)  # 控制回答随机性

# 创建对话记忆模块
memory = ConversationBufferMemory()

2. 构建对话链

conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True  # 显示内部思考过程
)

3. 实现对话循环

print("机器人：您好！我是您的AI助手，输入'exit'退出对话")
whileTrue:
    user_input = input("您：")

if user_input.lower() == 'exit':
print("对话已存档，下次再见！")
break

    response = conversation.predict(input=user_input)
print(f"机器人：{response}")

---

四、进阶功能实现

1. 记忆类型扩展

LangChain 提供多种记忆模式：

• ConversationBufferWindowMemory

  ：仅保留最近N轮对话

• ConversationSummaryMemory

  ：自动生成对话摘要

• EntityMemory

  ：重点记忆关键实体

from langchain.memory import ConversationSummaryMemory

summary_memory = ConversationSummaryMemory(llm=llm)
conversation = ConversationChain(llm=llm, memory=summary_memory)

2. 记忆持久化存储

# 保存对话历史到文件
import json

with open('chat_history.json', 'w') as f:
    json.dump(memory.load_memory_variables({}), f)

# 从文件加载历史
with open('chat_history.json') as f:
    memory.save_context({}, json.load(f))

3. 对话增强功能

from langchain.agents import Tool
from langchain.utilities import GoogleSearchAPIWrapper

search = GoogleSearchAPIWrapper()
tools = [
    Tool(
        name="Web Search",
        func=search.run,
        description="当需要实时信息时使用"
    )
]

# 结合搜索功能的对话链
conversation_with_search = initialize_agent(
    tools, 
    llm, 
    agent="conversational-react-description",
    memory=memory
)

---

五、关键参数解析

参数	说明	推荐值
temperature	控制回答创造性	0.2-0.7
max_token_limit	记忆存储上限	2000
k (窗口记忆)	保留最近对话轮数	3-5

---

六、实战演示

对话示例：

用户：我计划去巴黎旅行
机器人：巴黎是个浪漫的城市！需要我推荐景点吗？

用户：是的，请推荐三个必去的地方
机器人：1. 埃菲尔铁塔 2. 卢浮宫 3. 巴黎圣母院

用户：你刚才说的第一个景点是什么？
机器人：您指的是埃菲尔铁塔，建议日落时分参观...

---

七、注意事项

1. 长期记忆会消耗更多Token
2. 敏感信息需做脱敏处理
3. 定期清理无效记忆
4. 不同LLM的记忆能力存在差异

---

如何学习AI大模型？

大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。

不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！

想正式转到一些新兴的 AI 行业，不仅需要系统的学习AI大模型。同时也要跟已有的技能结合，辅助编程提效，或上手实操应用，增加自己的职场竞争力。

但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高

那么我作为一名热心肠的互联网老兵，我意识到有很多经验和知识值得分享给大家，希望可以帮助到更多学习大模型的人！至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅：从基础到前沿，掌握人工智能的核心技能！

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉 福利来袭优快云大礼包：《2025最全AI大模型学习资源包》免费分享，安全可点 👈

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

作为普通人，入局大模型时代需要持续学习和实践，不断提高自己的技能和认知水平，同时也需要有责任感和伦理意识，为人工智能的健康发展贡献力量。