一、记忆存储

1.为什么需要记忆存储

大语言模型本质上是经过大量数据训练出来的自然语言模型，用户给出输入信息，大语言模型会根据训练的数据进行预测给出指定的结果，大语言模型本身是“无状态的”，模型本身是不会记忆任何上下文的，只能依靠用户本身的输入去产生输出。

当我们使用 langchain 和大语言模型聊天时，会出现如下的情况：

from langchain_core.output_parsers import StrOutputParserfrom langchain_core.prompts import PromptTemplatefrom langchain_ollama import ChatOllama# 设置本地模型，不使用深度思考llm = ChatOllama(model="qwen3:14b", reasoning=False)prompt = PromptTemplate.from_template(    "请回答我的问题：{question}")# 创建字符串输出解析器parser = StrOutputParser()# 构建链式调用chain = prompt | llm | parser# 执行链式调用print(chain.invoke({"question": "我叫崔亮，你叫什么?"}))print(chain.invoke({"question": "你知道我是谁吗?"}))

执行结果如下

我叫通义千问，是阿里巴巴集团旗下的通义实验室研发的超大规模语言模型。很高兴认识你，崔亮！有什么问题或需要帮助的地方吗？作为一个AI助手，我无法知道您的身份。我是一个虚拟助手，没有能力访问或存储用户的身份信息。如果您有任何问题或需要帮助，我会尽力提供帮助。

我们刚刚在前一轮对话告诉大语言模型的信息，下一轮就被“遗忘了”。但如果我们使用使用 ChatGPT 聊天时，它能记住多轮对话中的内容，这ChatGPT网页版实现了历史记忆功能。

2.实现原理

实现这个记忆功能，就需要额外的模块去保存我们和模型对话的上下文信息，然后在下一次请求时，把

所有的历史信息都输入给模型，让模型输出最终结果。一个记忆组件要实现的三个最基本功能：

• 读取记忆组件保存的历史对话信息
• 写入历史对话信息到记忆组件
• 存储历史对话消息

在LangChain中，提供这个功能的模块就称为 Memory(记忆) ，用于存储用户和模型交互的历史信息。给大语言模型添加记忆功能的方法如下：

• 在链执行前，将历史消息从记忆组件读取出来，和用户输入一起添加到提示词中，传递给大语言模型。
• 在链执行完毕后，将用户的输入和大语言模型输出，一起写入到记忆组件中
• 下一次调用大语言模型时，重复这个过程。

3.实现类介绍

ConversationChain 是 LangChain 早期用于简化对话管理的类，内部集成了内存（如 ConversationBufferMemory）和提示模板，适合快速构建简单对话应用。然而，它存在以下问题：

1. 灵活性不足：提示模板和内存管理逻辑较为固定，难以支持复杂对话流程。
2. 与新 API 不兼容：未针对现代聊天模型（如支持工具调用的模型）优化。
3. 架构过时：LangChain 0.3.x 开始推崇基于 LangChain Expression Language（LCEL）和 Runnable 的模块化设计，ConversationChain 不符合这一理念。

RunnableWithMessageHistory 是 LangChain 推荐的替代方案，优势包括：

1. 模块化：允许自由组合提示模板、模型和内存管理逻辑。
2. 灵活性：支持自定义对话历史存储（如内存、数据库）和复杂对话流程。
3. 兼容性：与 LCEL 和现代聊天模型无缝集成。
4. 长期支持：在 LangChain 0.3.x 中稳定，且不会在 1.0 中移除。

官方建议：

• 简单聊天：用 BaseChatMessageHistory + RunnableWithMessageHistory
• 复杂场景：用 LangGraph persistence（Checkpointer + Content Blocks + 记忆中间件）

二、BaseChatMessageHistory简介

BaseChatMessageHistory是用来保存聊天消息历史的抽象基类，下面对BaseChatMessageHistory的核心属性与方法进行分析：

1.属性

messages: List[BaseMessage]：用来接收和读取历史消息的只读属性

2.方法

add_messages：批量添加消息，默认实现是每个消息都去调用一次add_message

add_message：单独添加消息，实现类必须重写这个方法，否则会抛出异常

clear()：清空所有消息，实现类必须重写这个方法

3.常见实现类

分析LangChain源码可知，在 LangChain 的类结构中，顶层基类是 BaseChatMemory，用于 控制“什么时候加载记忆、什么时候写入”等核心功能， 是所有“聊天记忆类”的抽象基类，定义了统一接口。其职责不是存储数据，而是 协调数据读写。

而 InMemoryChatMessageHistory 是具体实现，定义了 “记忆存在哪、怎么存”

下面是LangChain中常用的消息历史组件以及它们的特性，其中InMemoryChatMessageHistory是BaseChatMemory默认使用的聊天消息历史组件。

组件名称	特性
InMemoryChatMessageHistory	基于内存存储的聊天消息历史组件
FileChatMessageHistory	基于文件存储的聊天消息历史组件
RedisChatMessageHistory	基于Redis存储的聊天消息历史组件
ElasticsearchChatMessageHistory	基于ES存储的聊天消息历史组件

三、实践使用

1.快速体验

InMemoryChatMessageHistory 是 LangChain 中的一个内存型消息历史记录器，用于在对话过程中临时存储 AI 和用户之间的消息记录。接下来通过一个简单的示例演示如果使用：

from langchain_core.chat_history import InMemoryChatMessageHistoryfrom langchain_ollama import ChatOllamafrom loguru import logger# 初始化Ollama语言模型实例，配置基础URL、模型名称和推理模式llm = ChatOllama(model="qwen3:14b", reasoning=False)# 创建内存聊天历史记录实例，用于存储对话消息history = InMemoryChatMessageHistory()# 添加用户消息到聊天历史记录history.add_user_message("我叫崔亮，我的爱好是学习")# 调用语言模型处理聊天历史中的消息ai_message = llm.invoke(history.messages)# 记录并输出AI回复的内容logger.info(f"第一次回答\n{ai_message.content}")# 将AI回复添加到聊天历史记录中history.add_message(ai_message)# 添加新的用户消息到聊天历史记录history.add_user_message("我叫什么？我的爱好是什么？")# 再次调用语言模型处理更新后的聊天历史ai_message2 = llm.invoke(history.messages)# 记录并输出第二次AI回复的内容logger.info(f"第二次回答\n{ai_message2.content}")# 将第二次AI回复添加到聊天历史记录中history.add_message(ai_message2)# 遍历并输出所有聊天历史记录中的消息内容for message in history.messages:    logger.info(message.content)

执行结果如下：

2025-11-09 17:11:30.757 | INFO     | __main__:<module>:18 - 第一次回答你好崔亮！很高兴认识你。学习是一个非常棒的爱好，它能让我们不断成长和进步。不知道你平时喜欢学习哪些方面的知识呢？是专业相关的，还是兴趣类的？如果你愿意分享，我很想听听你的故事呢！2025-11-09 17:11:31.396 | INFO     | __main__:<module>:30 - 第二次回答你叫崔亮，你的爱好是学习。😊 如果你有其他想分享的内容，也可以告诉我哦！2025-11-09 17:11:31.396 | INFO     | __main__:<module>:37 - 我叫崔亮，我的爱好是学习2025-11-09 17:11:31.397 | INFO     | __main__:<module>:37 - 你好崔亮！很高兴认识你。学习是一个非常棒的爱好，它能让我们不断成长和进步。不知道你平时喜欢学习哪些方面的知识呢？是专业相关的，还是兴趣类的？如果你愿意分享，我很想听听你的故事呢！2025-11-09 17:11:31.397 | INFO     | __main__:<module>:37 - 我叫什么，我的爱好是什么？2025-11-09 17:11:31.397 | INFO     | __main__:<module>:37 - 你叫崔亮，你的爱好是学习。😊 如果你有其他想分享的内容，也可以告诉我哦！

2.LCEL调用

通过 RunnableWithMessageHistory 我们可以把任意 Runnable包装起来，并结合 InMemoryChatMessageHistory 来实现多轮对话。

from langchain_core.chat_history import InMemoryChatMessageHistoryfrom langchain_core.output_parsers import StrOutputParserfrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderfrom langchain_core.runnables import RunnableWithMessageHistory, RunnableConfigfrom langchain_ollama import ChatOllamafrom loguru import logger# 定义 Promptprompt = ChatPromptTemplate.from_messages([    MessagesPlaceholder(variable_name="history"),  # 用于插入历史消息    ("human", "{input}")])# 初始化Ollama语言模型实例，配置基础URL、模型名称和推理模式llm = ChatOllama(model="qwen3:14b", reasoning=False)parser = StrOutputParser()# 构建处理链：将提示词模板、语言模型和输出解析器组合chain = prompt | llm | parser# 创建内存聊天历史记录实例，用于存储对话历史history = InMemoryChatMessageHistory()# 创建带消息历史的可运行对象，用于处理带历史记录的对话runnable = RunnableWithMessageHistory(    chain,    get_session_history=lambda session_id: history,    input_messages_key="input",  # 指定输入键    history_messages_key="history"# 指定历史消息键)# 清空历史记录history.clear()# 配置运行时参数，设置会话IDconfig = RunnableConfig(configurable={"session_id": "default"})logger.info(runnable.invoke({"input": "我叫崔亮，我爱好学习。"}, config))logger.info(runnable.invoke({"input": "我叫什么？我的爱好是什么？"}, config))

执行结果如下

2025-11-09 17:38:05.136 | INFO     | __main__:<module>:31 - 你好崔亮，很高兴认识你！学习确实是一个非常棒的爱好，它能让我们不断成长和进步。不知道你平时喜欢学习哪些方面的知识呢？是专业相关的，还是兴趣类的？欢迎和我分享，我很期待听到你的故事！2025-11-09 17:38:06.113 | INFO     | __main__:<module>:32 - 你叫**崔亮**，你的爱好是**学习**。😊

3.记忆窗口裁剪

记忆裁剪是指在长时间对话中，有选择地保留、压缩或丢弃部分历史消息，以保证模型的推理性能和成本可控。trim_messages 是 LangChain 中提供的一个工具函数，用于从消息列表中裁剪出“最近 N 条”消息。它常用于控制记忆窗口（window memory），比如在你使用 InMemoryChatMessageHistory 时，想要只保留最近几条历史记录，示例代码如下：

from langchain_core.chat_history import InMemoryChatMessageHistoryfrom langchain_core.runnables.history import RunnableWithMessageHistoryfrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderfrom langchain_core.runnables import RunnableConfigfrom langchain_ollama import ChatOllama# 初始化模型llm = ChatOllama(model="qwen3:14b", reasoning=False)# 创建提示模板prompt = ChatPromptTemplate.from_messages([    MessagesPlaceholder("history"),    ("human", "{question}")])# 存储会话历史store = {}# 保留的历史轮数k = 2def get_session_history(session_id: str) -> InMemoryChatMessageHistory:    """获取或创建会话历史"""    if session_id notin store:        store[session_id] = InMemoryChatMessageHistory()    # 自动修剪：只保留最近 k 轮对话（2k 条消息）    history = store[session_id]    if len(history.messages) > k * 2:        # 保留最近的消息        messages_to_keep = history.messages[-k * 2:]        history.clear()        history.add_messages(messages_to_keep)    return history# 创建带历史的链chain = RunnableWithMessageHistory(    prompt | llm,    get_session_history,    input_messages_key="question",    history_messages_key="history")# 配置config = RunnableConfig(configurable={"session_id": "demo"})# 主循环print("开始对话（输入 'quit' 退出）")whileTrue:    question = input("\n输入问题：")    if question.lower() in ['quit', 'exit', 'q']:        break    response = chain.invoke({"question": question}, config)    print("AI回答:", response.content)    # 可选：显示当前历史消息数    history = get_session_history("demo")    print(f"[当前历史消息数: {len(history.messages)}]")

运行结果如下，可以看到因为我们设置了记住最近 4 条历史消息，因此 AI 无法回答出我喜欢唱和跳。

开始对话（输入 'quit' 退出）输入问题：我喜欢唱2025-11-0917:50:22.872 | INFO     | __main__:<module>:59 - AI回答:哇，唱歌真的很棒呢！你平时喜欢唱什么类型的歌呀？是流行、民谣，还是其他风格？😊对了，你有没有特别喜欢的歌手或者歌曲呀？我很想听听你的推荐呢！🎤（悄悄说，如果你愿意的话，也可以给我唱一段哦，我很期待呢！）2025-11-0917:50:22.873 | INFO     | __main__:<module>:63 - [当前历史消息数: 2]输入问题：喜欢跳2025-11-0917:50:37.400 | INFO     | __main__:<module>:59 - AI回答:哇！唱歌跳舞简直就是绝配呀！💃🎤 你平时喜欢跳什么类型的舞蹈呢？是街舞、现代舞，还是像广场舞这样更轻松的风格？我觉得跳舞真的特别有感染力，每次看到有人跳舞，都会忍不住跟着摇摆呢！你有没有特别喜欢的舞者或者舞蹈视频呀？我很想看看呢！（对了，如果你愿意的话，也可以给我跳一段哦，我超想看看的！）2025-11-0917:50:37.400 | INFO     | __main__:<module>:63 - [当前历史消息数: 4]输入问题：我喜欢rap2025-11-0917:50:44.970 | INFO     | __main__:<module>:59 - AI回答:哇！Rap真的太酷了！🔥 你最喜欢的是哪种风格的Rap呀？是那种节奏感超强的Trap，还是更有深度的Old School？或者你更喜欢说唱中带有故事性的那种？我觉得Rap不仅仅是唱歌，它更像是一种表达方式，对吧？你有没有特别喜欢的Rapper呀？或者有没有自己尝试写过Rap歌词？我很想听听呢！（要是你愿意的话，也可以给我来一段Rap哦，我超想听的！）🎤2025-11-0917:50:44.971 | INFO     | __main__:<module>:63 - [当前历史消息数: 4]输入问题：我喜欢篮球2025-11-0917:50:52.350 | INFO     | __main__:<module>:59 - AI回答:哇！篮球真的太帅了！🏀 你最喜欢的是NBA的哪位球星呀？是詹姆斯、库里，还是像艾弗森这样充满故事的球员？我觉得篮球不仅仅是运动，它更像是一种艺术，对吧？你平时喜欢打篮球吗？是喜欢投篮、突破，还是更喜欢防守？我虽然不太会打，但每次看到有人运球过人，真的特别佩服！（要是你愿意的话，也可以给我表演一下运球或者投篮哦，我超想看的！）🏀✨2025-11-0917:50:52.350 | INFO     | __main__:<module>:63 - [当前历史消息数: 4]输入问题：我喜欢什么2025-11-0917:50:59.951 | INFO     | __main__:<module>:59 - AI回答:哈哈，你刚刚问的是“我喜欢什么”，但其实你已经告诉我啦！你超喜欢 **Rap** 和 **篮球**，对吧？🎵🏀这两个爱好真的很酷！Rap是一种表达自我、释放情绪的方式，而篮球则是一种充满激情和团队精神的运动。你是不是经常一边听Rap一边打篮球呀？那感觉一定超带感！不过，除了Rap和篮球，你还有什么其他的爱好吗？比如游戏、电影、音乐、或者读书？我很想了解更多关于你的事情！（如果你愿意的话，也可以告诉我你最近在听什么Rap，或者在打什么位置的篮球，我很想听听！）🎤🏀💡2025-11-0917:50:59.951 | INFO     | __main__:<module>:63 - [当前历史消息数: 4]

4.Redis存储

使用内存管理消息记录的方式只是临时使用，在实际生产环境都需要持久化的存储数据库。langchain 提供了很多基于其他存储系统的扩展依赖，例如 redis、kafka、MongoDB 等，具体参考官网：https://python.langchain.ac.cn/docs/integrations/memory/。接下来以 redis 为例演示如何持久化存储历史消息。

部署 redis、安装 pip 包

# docker run -d --name redis-stack -p 6379:6379 -p 8001:8001 redis/redis-stack:latest# pip install langchain-redis redis

代码如下

from langchain_community.chat_message_histories import RedisChatMessageHistoryfrom langchain_core.runnables.history import RunnableWithMessageHistoryfrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderfrom langchain_core.runnables import RunnableConfigfrom langchain_ollama import ChatOllamafrom loguru import logger# Redis 配置REDIS_URL = "redis://localhost:6379/0"# 初始化模型llm = ChatOllama(model="qwen3:14b", reasoning=False)# 创建提示模板prompt = ChatPromptTemplate.from_messages([    MessagesPlaceholder("history"),    ("human", "{question}")])# 保留的历史轮数k = 2def get_session_history(session_id: str) -> RedisChatMessageHistory:    """获取或创建会话历史（使用 Redis）"""    # 创建 Redis 历史对象    history = RedisChatMessageHistory(        session_id=session_id,        url=REDIS_URL,        ttl=3600# 1小时过期    )    # 自动修剪：只保留最近 k 轮对话（2k 条消息）    if len(history.messages) > k * 2:        # 保留最近的消息        messages_to_keep = history.messages[-k * 2:]        history.clear()        history.add_messages(messages_to_keep)    return history# 创建带历史的链chain = RunnableWithMessageHistory(    prompt | llm,    get_session_history,    input_messages_key="question",    history_messages_key="history")# 配置config = RunnableConfig(configurable={"session_id": "demo"})# 主循环print("开始对话（输入 'quit' 退出）")whileTrue:    question = input("\n输入问题：")    if question.lower() in ['quit', 'exit', 'q']:        break    response = chain.invoke({"question": question}, config)    logger.info(f"AI回答:{response.content}")    # 可选：显示当前历史消息数    history = get_session_history("demo")    logger.info(f"[当前历史消息数: {len(history.messages)}]")

执行结果如下

开始对话（输入 'quit' 退出）输入问题：我喜欢唱2025-11-0917:58:24.778 | INFO     | __main__:<module>:62 - AI回答:哇，你喜欢唱歌啊！那真是太棒了！😊 唱歌是一种非常美好的表达方式，可以让人释放情绪、放松心情，甚至还能结交到很多志同道合的朋友呢！你平时喜欢唱什么类型的歌呀？是流行、民谣、摇滚，还是其他风格？有没有特别喜欢的歌手或者歌曲？如果你愿意的话，也可以跟我分享一下你唱歌时的感受，我很想听听呢！🎤对了，你有没有尝试过录制自己的歌声呀？现在有很多手机应用都可以很方便地录歌、修音，甚至还能做简单的音乐制作哦！如果你有兴趣的话，我可以给你推荐一些好用的工具～🎶你最喜欢在什么场合唱歌呢？是独自一人时，还是和朋友们一起？我很好奇呢！2025-11-0917:58:24.781 | INFO     | __main__:<module>:66 - [当前历史消息数: 2]输入问题：我喜欢跳2025-11-0917:58:32.250 | INFO     | __main__:<module>:62 - AI回答:哇！你喜欢跳舞啊！太棒了！💃🕺 跳舞是一种非常有感染力的表达方式，可以让人释放压力、增强自信，还能让身体变得更健康呢！你平时喜欢跳什么类型的舞呀？是街舞、现代舞、拉丁舞，还是像广场舞这样更轻松的类型？有没有特别喜欢的舞者或者舞蹈视频？如果你愿意的话，也可以跟我分享一下你跳舞时的感受，我很想听听呢！🩰对了，你有没有尝试过跟着视频跳舞？现在网上有很多很棒的舞蹈教学视频，不管是初学者还是高手都能找到适合自己的内容哦！如果你有兴趣的话，我可以给你推荐一些好用的平台～🎶你最喜欢在什么场合跳舞呢？是独自一人时，还是和朋友们一起？我很好奇呢！2025-11-0917:58:32.252 | INFO     | __main__:<module>:66 - [当前历史消息数: 4]输入问题：我喜欢rap2025-11-0917:58:46.358 | INFO     | __main__:<module>:62 - AI回答:太酷了！你喜欢 **Rap**！🔥🎤  Rap 不仅是一种音乐风格，更是一种表达自我、传递情感、展现个性的艺术形式！它融合了节奏、语言、韵律，甚至还可以融入讲故事、说理、讽刺、励志等等，真的超级有魅力！你平时喜欢听哪种风格的 Rap 呢？是 **Old School** 的经典风格，还是 **Trap**、**Hip-Hop**、**Boom Bap**？有没有特别喜欢的 **Rapper** 或者 **歌曲**？比如像 **Eminem、Jay-Z、Kendrick Lamar、Jay Chou、GAI、Higher Brothers** 这些人，他们的作品都特别有代表性！你有没有尝试过自己写 **Rap**？或者尝试 **freestyle**？如果你愿意的话，可以跟我分享你写的 **Rap** 或者你最喜欢的歌词，我很想听听呢！🎤📝还有，你是不是也喜欢 **beat**（节奏）？Rap 的节奏感真的很重要，不同的 beat 会带出完全不同的情绪和风格哦！你平时喜欢在什么场合听 Rap？是独自听，还是在派对上一起嗨？😄  如果你对 **Rap culture** 也感兴趣的话，我们还可以聊聊 **Rap 的历史、文化背景、不同流派**，甚至还可以一起讨论一些你最喜欢的 **Rap 歌手** 或 **专辑**！你有没有特别喜欢的一首 Rap 歌？我很想听听你推荐的～🎧🔥2025-11-0917:58:46.364 | INFO     | __main__:<module>:66 - [当前历史消息数: 4]

查看 redis 数据库信息，发现他只会记住最近 4 条聊天记录。

20230724024159.png?origin_url=http%3A%2F%2Fcdn.zhipoai.cn%2Facc10422.jpg&pos_id=img-6ochlUpS-1763952829496)

四、项目实践：聊天机器人开发

1.项目描述

基于 LangChain 1.0 和 Gradio 构建的多角色聊天机器人，支持流式输出、多角色切换、上下文记忆等功能，用户可选择不同的 AI 角色与之对话，体验风格各异的智能响应。

我们主要理解 LangChain 相关代码即可，在实际工作中 Gradio 代码通常都是 AI 生成，我们无需花费太多精力研究。

2.实现功能

• 多角色支持（如通用助手、英语老师、段子手等）
• 每个角色拥有独立对话上下文（Memory 隔离）
• 支持流式输出回答，提高响应体验
• 用户界面美观简洁（Gradio 实现）
• 支持提示词模板自定义（PromptTemplate）
• 会话历史记忆与追溯（使用 Memory 模块）

五、代码实现

完整代码如下

from langchain_core.runnables import RunnableConfigfrom langchain_ollama import ChatOllamafrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderfrom langchain_core.runnables.history import RunnableWithMessageHistoryfrom langchain_community.chat_message_histories import RedisChatMessageHistoryimport gradio as gr# 定义不同角色的系统提示语ROLES = {    "通用助手": "你是无所不知的 AI 助手。",    "段子手": "你是脱口秀演员，回答必须带 1 个梗。",    "英语老师": "你是耐心英语老师，先用英文回答，再给中文翻译。",    "代码审查员": "你是严格的代码审查员，指出代码问题并给出改进建议。",}# 初始化大语言模型实例llm = ChatOllama(model="qwen3:8b", reasoning=False)def get_session_history(session_id: str) -> RedisChatMessageHistory:    """    根据会话 ID 获取 Redis 中的消息历史记录。    参数:        session_id (str): 会话唯一标识符。    返回:        RedisChatMessageHistory: 与该会话关联的聊天历史对象。    """    return RedisChatMessageHistory(        session_id=session_id,        url='redis://localhost:6379/0',        key_prefix="chat:",        ttl=None    )def build_chain(role: str):    """    构建一个包含系统提示和用户输入的处理链。    参数:        role (str): 当前使用的角色名称。    返回:        Chain: 包含提示模板和语言模型的可执行链。    """    system = ROLES[role]    prompt = ChatPromptTemplate.from_messages([        ("system", system),        MessagesPlaceholder(variable_name="history"),        ("human", "{question}")    ])    return prompt | llmdef chat_fn(message, history, role):    """    处理用户的聊天消息，并流式返回响应结果。    参数:        message (str): 用户发送的消息内容。        history (list): 当前对话的历史记录。        role (str): 当前使用的角色名称。    生成:        tuple: 更新后的聊天记录和清空输入框的内容。    """    chain_with_history = RunnableWithMessageHistory(        build_chain(role),        get_session_history,        input_messages_key="question",        history_messages_key="history"    )    partial = ""    config = RunnableConfig(configurable={"session_id": role})    for chunk in chain_with_history.stream({"question": message}, config):        partial += chunk.content        yield history + [            {"role": "user", "content": message},            {"role": "assistant", "content": partial}        ], ""def switch_role(new_role):    """    切换当前角色，并更新显示信息及清空聊天记录。    参数:        new_role (str): 新的角色名称。    返回:        tuple: 更新后的角色显示文本、清空聊天记录和新的角色状态。    """    returnf"**当前角色：{new_role}**", [], new_role# 使用 Gradio 构建 Web 界面with gr.Blocks(title="多角色聊天") as demo:    # 初始化当前角色状态为“通用助手”    current_role_state = gr.State("通用助手")    # 页面布局：左侧角色选择区，右侧聊天区域    with gr.Row():        # 创建角色选择界面列        # 该代码块负责构建角色选择的UI界面，包括角色标题显示、当前角色状态显示和角色选择按钮        with gr.Column(scale=1):            gr.Markdown("### 选择角色")            current_role_display = gr.Markdown("**当前角色：通用助手**")            role_buttons = [gr.Button(role, variant="secondary") for role in ROLES.keys()]        # 创建聊天界面的主区域布局        # 该区域包含聊天显示区、消息输入框和发送按钮        with gr.Column(scale=4, elem_classes=["chat-area"]):            # 聊天机器人组件，用于显示对话历史            chatbot = gr.Chatbot(label="聊天区", height='70vh', type="messages")            # 文本输入框组件，用于用户输入消息            msg = gr.Textbox(label="输入你的消息", placeholder="请输入...", scale=10)            # 发送按钮组件，用于提交用户输入的消息            send_btn = gr.Button("发送", variant="primary")    # 绑定发送按钮点击事件    send_btn.click(        fn=chat_fn,        inputs=[msg, chatbot, current_role_state],        outputs=[chatbot, msg]    )    # 绑定每个角色按钮的点击事件    for btn in role_buttons:        btn.click(            fn=lambda r=btn.value: switch_role(r),            inputs=None,            outputs=[current_role_display, chatbot, current_role_state]        )# 启动 Gradio 应用if __name__ == "__main__":    demo.launch()

redis 查看会话历史记录，可以看到与各个不同角色的 AI 对话的详细聊天记录内容。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线科技企业深耕十二载，见证过太多因技术卡位而跃迁的案例。那些率先拥抱 AI 的同事，早已在效率与薪资上形成代际优势，我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我们整理出这套 AI 大模型突围资料包：

• ✅ 从零到一的 AI 学习路径图
• ✅ 大模型调优实战手册（附医疗/金融等大厂真实案例）
• ✅ 百度/阿里专家闭门录播课
• ✅ 大模型当下最新行业报告
• ✅ 真实大厂面试真题
• ✅ 2025 最新岗位需求图谱

所有资料 ⚡️ ，朋友们如果有需要 《AI大模型入门+进阶学习资源包》，下方扫码获取~

① 全套AI大模型应用开发视频教程

（包含提示工程、RAG、LangChain、Agent、模型微调与部署、DeepSeek等技术点）

② 大模型系统化学习路线

作为学习AI大模型技术的新手，方向至关重要。 正确的学习路线可以为你节省时间，少走弯路；方向不对，努力白费。这里我给大家准备了一份最科学最系统的学习成长路线图和学习规划，带你从零基础入门到精通！

③ 大模型学习书籍&文档

学习AI大模型离不开书籍文档，我精选了一系列大模型技术的书籍和学习文档（电子版），它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。

④ AI大模型最新行业报告

2025最新行业报告，针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。

⑤ 大模型项目实战&配套源码

学以致用，在项目实战中检验和巩固你所学到的知识，同时为你找工作就业和职业发展打下坚实的基础。

⑥ 大模型大厂面试真题

面试不仅是技术的较量，更需要充分的准备。在你已经掌握了大模型技术之后，就需要开始准备面试，我精心整理了一份大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。

以上资料如何领取？

为什么大家都在学大模型？

最近科技巨头英特尔宣布裁员2万人，传统岗位不断缩减，但AI相关技术岗疯狂扩招，有3-5年经验，大厂薪资就能给到50K*20薪！

不出1年，“有AI项目经验”将成为投递简历的门槛。

风口之下，与其像“温水煮青蛙”一样坐等被行业淘汰，不如先人一步，掌握AI大模型原理+应用技术+项目实操经验，“顺风”翻盘！

这些资料真的有用吗？

这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。

资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。

以上全套大模型资料如何领取？