Langchain

LangChain 是⼀个开发⼤语⾔模型应⽤的框架。它能够为应⽤程序带来：

• 内容组件：建⽴原始内容到语言模型建的关联（通过结构化的提示和少量的举例就可以得到满意的回复）
• 推理：通过语⾔模型进⾏推理（给出基于当前问题的解答和⾏动策略）

LangChain框架的组成

• LangChain Libraries：基于Python和JavaScript的库。包含各种组件（component）和接⼝（interface）集成；由组件构建的链（chain）和代理（agent）的基本运⾏环境；链（chain）和代理（agent）的现有功能实现。
• LangChain Templates：⼀组易于部署的参考架构，适⽤于各种任务。
• LangServer：将LangChain链部署为REST API的库。
• LangSmith：⼀个开发平台，允许我们调试、测试、评估和监控构建在任何LLM框架上的链，与LangChain⽆缝集成。
  
  这些产品能够为我们简化应⽤程序的开发周期：
  开发：适⽤LangChain/LangChain.js编写⾃定义的应⽤程序。使⽤模版作为参考，可以⽴即投⼊到应⽤领域。
  ⽣产：适⽤LangSmith检查、测试和监控⾃定义的链，⼀遍不断优化和放⼼进⾏部署。
  部署：适⽤LangServe可以将任意的链转换为API

langchain搭建聊天系统

一、核心功能概述

通过 LangChain 框架调用大语言模型（这里配置的是 GLM-4-Flash 模型），支持多轮对话（上下文关联），并将不同会话的历史记录保存到本地 JSON 文件中，通过session_id区分不同用户 / 会话。

二、代码结构与关键模块解析

1. 导入依赖包

from dotenv import find_dotenv, load_dotenv  # 加载环境变量
import os  # 操作系统交互（读取环境变量）
from langchain_openai import ChatOpenAI  # 封装的大语言模型调用接口
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage  # 对话角色定义
from langchain_core.output_parsers import StrOutputParser  # 输出结果解析器
from langchain_community.chat_message_histories import FileChatMessageHistory  # 本地文件存储对话历史
from langchain_core.runnables.history import RunnableWithMessageHistory  # 为链注入对话历史
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder  # 对话模板与占位符

• 环境变量相关：dotenv用于加载.env文件中的 API 密钥、基础 URL 等敏感信息，避免硬编码。
  LangChain 核心组件：
• ChatOpenAI：兼容 OpenAI API 格式的模型调用类（此处用于调用 GLM-4 模型）。
• MessagesPlaceholder：对话模板中用于动态插入历史消息的占位符。
• RunnableWithMessageHistory：将对话历史注入到处理链中，实现上下文关联。
• FileChatMessageHistory：将对话历史保存到本地 JSON 文件，支持持久化存储。

2. 会话历史记录函数

def get_session_history(session_id):
    # 为每个session_id创建独立的历史文件：history_{session_id}.json
    return FileChatMessageHistory(f"history_{session_id}.json")

作用：根据session_id生成对应的对话历史存储对象，每个会话的历史会单独保存为一个 JSON 文件（如history_user1.json）。
优势：不同用户 / 会话的历史相互隔离，方便后续加载和继续对话。
3. 主程序逻辑

if __name__ == '__main__':
    load_dotenv(find_dotenv())
    #初始化 Openai
    model = ChatOpenAI(
        model = "glm-4-flash-250414",
        base_url=os.environ['base_url'],
        api_key = os.environ['api_key'],
        temperature=0.7
    )
    #带有占位符的prompt template
    prompt = ChatPromptTemplate(
        [
            ("system","你是一个得力的助手，你可以使用{lang}回答用户的问题"),
            MessagesPlaceholder(variable_name="messages")
        ]
    )
    parser = StrOutputParser()
    #chain构建
    chain = prompt | model | parser
    #在chain中注入聊天历史消息
    with_msg_hist = RunnableWithMessageHistory(
        chain,
        get_session_history = get_session_history,
        input_messages_key="message"
    )
    #动态输入session_id
    session_id = input('请输入session_id(用于区分不同会话):').strip()
    while True:
        user_input = input('用户输入的Message（输入quit推出）：')
        if user_input.lower()=='quit':
            break
        #调用注入聊天历史的对象
        response = with_msg_hist(
            {
                "messages":[HumanMessage(content = user_input)],
                "lang":"汉语"
            },
            config = {'configurable':{'session_id':session_id}}
        )
        print('AI Message:',response)

实现多轮对话的核心

在 LangChain 框架中，MessagesPlaceholder（消息占位符）是一个核心组件，专门用于在对话模板（ChatPromptTemplate）中动态插入历史对话消息，是实现多轮对话上下文关联的关键工具。

一、MessagesPlaceholder 的核心作用

MessagesPlaceholder的本质是一个 “占位标记”，用于在ChatPromptTemplate中预留位置，后续会自动填充历史对话消息（包括用户消息、AI 回复、系统消息等）。
它解决的核心问题是：在多轮对话中，如何将 “历史消息” 动态传入模型，让模型能够基于上下文生成连贯的回复，而不是每次都只处理当前单条消息。

prompt = ChatPromptTemplate(
    [
        ("system", "你是一个得力的助手，你可以使用{lang}回答用户的问题"),  # 系统提示
        MessagesPlaceholder(variable_name="messages")  # 消息占位符
    ]
)

• MessagesPlaceholder(variable_name=“messages”)表示：在模板中预留一个名为"messages"的位置，后续会将名为"messages"的变量值（即历史对话消息列表）填充到这里。
• variable_name是MessagesPlaceholder的必填参数，用于指定：
  占位符对应的变量名：后续调用链时，需要传入同名的参数（如上述代码中的"messages"），该参数的值会被填充到占位符位置。
  与历史消息的关联：在结合RunnableWithMessageHistory（处理对话历史）时，variable_name需要与历史消息存储的键名对应，确保历史消息能被正确提取并传入模板。
  MessagesPlaceholder的价值在于
  动态性：无需手动拼接历史消息，框架会自动根据会话 ID 加载并填充，简化代码。
  结构化：历史消息以HumanMessage、AIMessage等结构化对象存储，模型能清晰区分消息角色（用户 / AI / 系统），提升理解准确性。
  灵活性：可根据需求调整占位符位置（例如在系统提示前 / 后插入历史消息），适配不同对话场景。

二、RunnableWithMessageHistory 的核心作用

RunnableWithMessageHistory 是一个 “包装器”（wrapper），它可以将普通的处理链（chain）与对话历史管理功能结合，让链在每次调用时自动：
1.加载当前会话的历史消息（基于 session_id）；
2.将新消息与历史消息合并后传入模型；
3.保存本轮对话的新消息（用户输入 + AI 回复）到历史记录中。

with_msg_hist = RunnableWithMessageHistory(
    chain,  # 基础处理链
    get_session_history=get_session_history,  # 用于获取会话历史的函数
    input_messages_key="messages"  # 输入消息在参数中的键名
)

• input_messages_key=“messages”:指定在调用链时，新输入的用户消息在参数字典中的键名。
• 作用：RunnableWithMessageHistory 需要知道 “哪部分参数是新的用户消息”，以便将其与历史消息合并，并在对话结束后将新消息存入历史记录。
  with_msg_hist 的工作流程
• 获取会话历史：根据传入的 session_id（通过 config 参数），调用 get_session_history(session_id) 获取该会话的历史存储对象
• 加载历史消息：从存储对象中读取该会话的所有历史消息（例如之前的 HumanMessage 和 AIMessage）。
• 合并消息：将新输入的用户消息（通过 input_messages_key 指定的键获取，如 “message”）与历史消息合并，形成完整的消息列表。
• 调用基础链：将合并后的消息列表传入 chain（即 prompt | model | parser），生成 AI 回复。
• 保存新消息到历史：将本轮的用户消息和 AI 回复添加到历史存储对象中（自动写入文件），供下一轮对话使用。