(LangChain实战13)：LangChain 自定义实现对话记忆功能，超详细入门版

在使用 LangChain 开发对话机器人时，记忆功能是核心需求之一， 让机器人能记住之前的对话内容，实现上下文连贯的交互。本文不使用 LangChain 封装好的记忆组件，而是通过自定义列表存储历史消息 + 消息占位符的方式，从零实现基础的对话记忆功能，代码简单易懂，适合入门学习。

核心实现思路

实现自定义对话记忆的核心逻辑只有 3 步，非常清晰：

1. 定义一个列表，专门用于存储每一轮的用户消息（HumanMessage）和 AI 回复消息（AIMessage）；
2. 在构建对话提示模板时，使用MessagesPlaceholder消息占位符，预留历史对话的位置；
3. 每一轮对话完成后，将当前的用户消息和 AI 回复消息追加到历史列表中，下一轮调用模型时将历史列表传入占位符，实现上下文关联。

环境准备

首先需要安装本次开发所需的依赖库，执行以下命令即可：

pip install langchain-core langchain-openai python-dotenv

• langchain-core：LangChain 的核心库，提供提示模板、消息类型等基础组件；
• langchain-openai：对接 OpenAI / 兼容 OpenAI 接口的大模型（如深度求索 DeepSeek）；
• python-dotenv：加载.env 文件中的环境变量，保护 API_KEY 等敏感信息。

同时需要在项目根目录创建.env文件，配置大模型的基础地址和 API_KEY（以 DeepSeek 为例，其他兼容 OpenAI 接口的模型配置方式一致）：

# .env文件内容
OPENAI_BASE_URL=https://api.deepseek.com
OPENAI_API_KEY=你的DeepSeek_API_KEY

代码分步拆解讲解

下面我们逐段讲解代码的实现逻辑，每一步都标注核心作用，确保能看懂每一行代码的意义。

第一步：导入所需模块和类

import os
from dotenv import load_dotenv
from langchain_core.messages import AIMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI

• os + load_dotenv：加载系统环境变量和.env 文件中的自定义环境变量；
• AIMessage/HumanMessage：LangChain 的核心消息类，分别用于表示 AI 的回复和用户的提问，是实现对话记忆的基础数据类型；
• ChatPromptTemplate/MessagesPlaceholder：构建对话式提示模板，MessagesPlaceholder是实现历史消息插入的核心占位符；
• ChatOpenAI：对接 OpenAI 兼容接口的大模型客户端，用于调用大模型生成回复。

第二步：加载环境变量并初始化大模型

# 加载.env文件中的环境变量
load_dotenv()

# 构建大模型实例
llm = ChatOpenAI(
    model="deepseek-chat",  # 要调用的模型名称（DeepSeek对话模型）
    base_url=os.getenv('OPENAI_BASE_URL'),  # 从环境变量读取模型基础地址
    api_key=os.getenv('OPENAI_API_KEY'),    # 从环境变量读取API_KEY
)

• load_dotenv()：执行后即可通过os.getenv()获取.env 文件中的配置，避免硬编码敏感信息；
• ChatOpenAI初始化：这里以 DeepSeek 模型为例，其他如智谱、百川等兼容 OpenAI 接口的模型，只需修改model和base_url即可，核心参数不变。

第三步：定义历史消息列表，作为记忆载体

# 定义空列表，用于存储所有历史对话消息，实现记忆的核心载体
history = []

这是自定义记忆的核心容器，后续每一轮的HumanMessage和AIMessage都会追加到这个列表中，列表的内容就是完整的对话历史。

第四步：自定义函数实现对话 + 记忆核心逻辑

这部分是整个代码的核心，我们拆成模板构建、链构建、模型调用、历史存储4 个小部分讲解：

# 自定义实现记忆功能的函数，接收用户提问，返回AI带上下文的回复
def user_defined(msg: str) -> str:
    # 1. 构建对话提示模板，包含系统提示、历史消息占位符、用户当前问题
    chat_prompt_template = ChatPromptTemplate.from_messages([
        ("system", "你是一个AI助手,你的名字叫{name}"),       # 系统角色定义
        MessagesPlaceholder(variable_name="history"),     # 历史消息占位符，关键！
        ("human", "{question}"),                          # 用户当前问题
    ])

    # 2. 构建LangChain的链，实现「提示模板→大模型」的流水线调用
    chain = chat_prompt_template | llm

    # 3. 打印历史记录（方便调试查看），调用模型生成回复
    for e in history:
        print("历史记录:", e)
    response = chain.invoke({
        "name": "小智",        # 给AI助手命名
        "history": history,   # 将历史消息列表传入占位符
        "question": msg       # 传入用户当前的提问
    })

    # 4. 将本轮消息追加到历史列表，实现记忆持久化
    history.append(HumanMessage(content=msg))            # 追加用户消息
    history.append(AIMessage(content=response.content))  # 追加AI回复消息

    # 返回AI的回复内容
    return response.content

关键知识点讲解：

1. MessagesPlaceholder(variable_name="history")：必须指定唯一的变量名，后续调用invoke时，通过该变量名将历史消息列表传入，实现历史消息的动态插入；
2. 链的构建chat_prompt_template | llm：LangChain 的管道符语法，等价于将提示模板的输出作为大模型的输入，简化了调用逻辑；
3. HumanMessage/AIMessage：必须用这两个类封装消息，因为MessagesPlaceholder只接收LangChain 的消息类实例作为输入，直接传字符串会报错；
4. 历史追加逻辑：每一轮对话完成后，先存用户消息，再存 AI 回复，保证历史列表的消息顺序和实际对话一致。

第五步：主函数实现交互式对话

if __name__ == '__main__':
    # 无限循环实现持续对话
    while True:
        input_message = input("请输入问题: ")
        # 定义退出条件，输入指定字符则退出程序
        if input_message.lower() in ['退出', 'exit', 'quit', 'q']:
            print("再见！")
            break
        # 调用自定义函数，获取AI带上下文的回复
        output_message = user_defined(input_message)
        # 打印AI回复
        print(output_message)

• 无限循环while True：实现持续的对话交互，直到用户输入退出指令；
• 退出条件判断：兼容中文和英文退出指令，提升使用体验；
• 调用user_defined函数：将用户输入传入，获取并打印 AI 的回复。

完整代码

将以上所有部分整合，就是完整的自定义记忆功能代码，可直接复制使用（记得修改.env 文件中的 API_KEY）：

import os

from dotenv import load_dotenv
from langchain_core.messages import AIMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI

# 加载env环境变量
load_dotenv()

# 构建模型
llm = ChatOpenAI(
    model="deepseek-chat",
    base_url=os.getenv('OPENAI_BASE_URL'),
    api_key=os.getenv('OPENAI_API_KEY'),
)

# 历史消息列表，作为记忆载体
history = []


# 自定义实现记忆功能
def user_defined(msg: str) -> str:
    # 定义消息模版，包含系统提示、历史占位符、用户问题
    chat_prompt_template = ChatPromptTemplate.from_messages([
        ("system", "你是一个AI助手,你的名字叫{name}"),
        MessagesPlaceholder(variable_name="history"),
        ("human", "{question}"),
    ])

    # 构建管道链，实现提示模板到模型的调用
    chain = chat_prompt_template | llm
    # 打印历史记录，方便调试查看上下文
    for e in history:
        print("历史记录:", e)
    # 调用模型，传入参数（助手名、历史消息、当前问题）
    response = chain.invoke({"name": "小智", "history": history, "question": msg})
    # 将本轮的用户消息和AI回复存入历史列表，实现记忆
    history.append(HumanMessage(content=msg))
    history.append(AIMessage(content=response.content))
    # 返回AI回复内容
    return response.content


if __name__ == '__main__':
    # 交互式对话循环
    while True:
        input_message = input("请输入问题: ")
        # 退出条件判断
        if input_message.lower() in ['退出', 'exit', 'quit', 'q']:
            print("再见！")
            break
        # 调用自定义函数获取回复并打印
        output_message = user_defined(input_message)
        print(output_message)

运行结果展示

直接运行上述代码，按照提示输入问题，即可看到带上下文记忆的对话效果，以下是实际运行的完整输出：

E:\pythonWorkSpace\pythonProject1\.venv1\Scripts\python.exe "E:\pythonWorkSpace\LangChain\(12)LangChain中的Memory记忆.py" 
请输入问题: 我是Bruk,你好
你好，Bruk！很高兴认识你！我是小智，有什么可以帮你的吗？ 😊
请输入问题: 你知道我是谁吗?
历史记录: content='我是Bruk,你好' additional_kwargs={} response_metadata={}
历史记录: content='你好，Bruk！很高兴认识你！我是小智，有什么可以帮你的吗？ 😊' additional_kwargs={} response_metadata={} tool_calls=[] invalid_tool_calls=[]
根据我们的对话记录，我知道你叫Bruk，这是我们第一次交流时你告诉我的名字。除此之外，我还不了解其他关于你的信息。如果你愿意分享更多，我会很乐意倾听并更好地帮助你！ 😊
请输入问题: 

结果分析：

1. 第一次输入我是Bruk,你好，历史列表为空，模型直接回复初次问候；
2. 第二次输入你知道我是谁吗?，程序先打印了历史列表中的两条消息（用户消息 + AI 回复），模型通过传入的历史列表，准确识别出用户的名字是 Bruk，实现了上下文记忆。
   

核心要点总结

本文通过自定义代码实现 LangChain 的对话记忆功能，核心要点只需记住 3 点：

1. 用列表作为历史消息的载体，存储HumanMessage和AIMessage实例；
2. 用MessagesPlaceholder在提示模板中预留历史消息的位置，并指定唯一变量名；
3. 每轮对话后追加消息到历史列表，下一轮调用模型时将列表传入占位符，实现上下文关联。

这种方式是 LangChain 记忆功能的底层实现逻辑，理解后再学习 LangChain 封装好的ConversationBufferMemory等记忆组件，会更加轻松。