代码分析：基于 LangChain 的多轮对话记忆实现

这段代码演示了如何使用 LangChain 的 RunnableWithMessageHistory 组件，结合通义千问模型（ChatTongyi）构建一个具备多轮对话记忆能力的聊天链。它通过 InMemoryChatMessageHistory 在内存中按会话 ID（session_id）存储对话历史，并自动在每次请求时将历史消息注入提示模板。

📌 代码结构与关键组件

1. 模型与提示模板

model = ChatTongyi(model="qwen3-max")
prompt = ChatPromptTemplate.from_messages([
    ("system", "你需要根据会话历史回应用户问题。对话历史："),
    MessagesPlaceholder("chat_history"),
    ("human", "请回答如下问题：{input}")
])

• 使用 ChatPromptTemplate 构建聊天消息模板，包含三个部分：
  • 系统提示（固定角色设定）。
  • MessagesPlaceholder("chat_history")：这是一个占位符，运行时会被传入的历史消息列表替换。它是实现记忆注入的关键。
  • 用户问题（{input}）。

2. 基础链（base_chain）

str_parser = StrOutputParser()
def print_prompt(full_prompt):
    print("="*20, full_prompt.to_string(), "="*20)
    return full_prompt

base_chain = prompt | print_prompt | model | str_parser

• 使用 LCEL（LangChain Expression Language）将 prompt、调试函数、模型、输出解析器串联成一个 Runnable 链。
• print_prompt 用于在控制台打印最终生成的提示，方便调试。

3. 历史存储与 RunnableWithMessageHistory

store = {}  # session_id -> InMemoryChatMessageHistory

def get_history(session_id):
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]

conversation_chain = RunnableWithMessageHistory(
    base_chain,
    get_history,
    input_messages_key="input",
    history_messages_key="chat_history"
)

• store 是内存字典，键为 session_id，值为 InMemoryChatMessageHistory 实例。
• RunnableWithMessageHistory 是一个包装器，它接收一个基础链和一个“历史获取函数”，并在每次调用时自动完成：
  1. 根据 session_id 从 store 中获取对应历史消息列表。
  2. 将历史消息注入到 base_chain 输入中的 chat_history 字段。
  3. 执行 base_chain。
  4. 将本轮的用户输入和模型输出追加到历史存储中（通过 add_user_message 和 add_ai_message）。

🔄 运行时流程（以三次执行为例）

1. 第一次执行（用户说：“小明有2个猫”）：

   • conversation_chain.invoke({"input": "小明有2个猫"}, session_config)
   • 从 store["user_001"] 获取空历史（首次）。
   • 传入 base_chain 的输入为：{"input": "...", "chat_history": []}。
   • prompt 生成的消息列表中，chat_history 为空，只有系统消息和当前用户提问。
   • 模型生成回复（如“好的，记住了”）。
   • 执行后，RunnableWithMessageHistory 自动将 HumanMessage("小明有2个猫") 和 AIMessage("...") 追加到 store["user_001"]。

2. 第二次执行（“小刚有1只狗”）：

   • 历史已有两轮（用户+AI）。
   • chat_history 注入完整历史，模型看到上下文，生成新回复。
   • 历史再次扩展。

3. 第三次执行（“总共有几个宠物”）：

   • 历史包含前两轮所有消息。
   • 模型能从历史中提取“小明有2个猫，小刚有1只狗”，正确回答“3个”。

🧠 关键知识点

✅ 优点

• 简单：只需几行代码即可为任何链添加记忆。
• 灵活：历史存储可插拔（内存、Redis、数据库）。
• 无需修改模型：通过提示工程注入历史，不依赖模型的特殊记忆功能。

⚠️ 局限与改进方向

💡 面试考点速查

• RunnableWithMessageHistory 和直接手动维护 messages 列表的区别？

  • 手动维护需要自己在每次调用时处理历史注入和更新，代码分散且易错；RunnableWithMessageHistory 将这些逻辑封装成标准组件，便于复用和测试。

• MessagesPlaceholder 与普通字符串占位符（{var}）有何不同？

  • 普通占位符只能传入单个字符串；MessagesPlaceholder 传入的是 BaseMessage 序列，能保留角色和结构信息，更符合聊天模型的输入格式。

• 如何在生产环境中实现多轮对话记忆？

  • 使用持久化历史存储（如 Redis）替换 InMemoryChatMessageHistory，结合 RunnableWithMessageHistory，并配合消息裁剪/摘要策略以控制 Token 消耗。

这段代码清晰地展示了 LangChain 处理对话记忆的标准范式，是面试中常见的实战示例。掌握其原理和扩展方式，能够体现你对 LangChain 核心组件的深度理解。