一、前言

普通单次问答无法保留上下文，用户连续对话时模型不知道历史聊天内容。LangChain内置Memory组件解决上下文记忆问题。本讲区分临时会话记忆与长期持久化记忆两种方案，对比两者适用场景，实现连贯多轮对话，打造具备上下文感知的问答机器人。

二、Memory临时会话记忆

如果想要封装历史记录，除了自行维护历史消息外，也可以借助LangChain内置的历史记录附加功能。

LangChain提供了History功能，帮助模型在有历史记忆的情况下回答。

-基于RunnableWithMessageHistory在原有链的基础上创建带有历史记录功能的新链（新Runnable实例）

-基于InMemoryChatMessageHistory为历史记录提供内存存储（临时用）

from langchain_core.runnables.history import RunnableWithMessageHistory

# 通过RunnalbeWithMessageHistory获取一个新的带有历史记录功能的chain
conversation_chain = RunnableWithMessageHistory(
    some_chain,    # 被附加历史消息的Runnable，通常是chain
    None,    # 获取指定会话ID的历史会话的函数
    input_messages_key="input",    # 声明用户输入消息在模板中的占位
    history_messages_key="chat_history"    # 声明历史消息在模板中的占位符
)

# 获取指定会话ID的历史会话记录函数
chat_history_store = {}    # 存放多个会话ID所对应的历史会话记录
# 函数传入会话ID（字符串类型）
# 函数要求返回BaseChatMessageHistory的子类
# BaseChatMessageHistory类专用于存放某个会话的历史记录
# InMemoryChatMessageHistory是官方自带的基于内存存放历史纪录的类
def get_history(session_id):
    if session_id not in chat_history_store:
        # 返回一个新的实例
        chat_history_store[session_id] = InMemoryChatMessageHistory()
    return chat_history_store[session_id]

from dotenv import load_dotenv
load_dotenv()
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory

llm = ChatTongyi(model="qwen3-max")

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是AI助手，结合历史对话回答问题"),
    MessagesPlaceholder("history"),
    ("human", "{input}")
])

chain = prompt | llm

# 获取会话历史回调函数
def get_history(session_id):
    return FileChatMessageHistory(session_id=session_id)

# 包装带记忆的链
with_history_chain = RunnableWithMessageHistory(
    chain,
    get_history,
    input_messages_key="input",
    history_messages_key="history"
)

# 测试对话，指定会话ID
res1 = with_history_chain.invoke(
    {"input":"我叫小明"},
    config={"configurable":{"session_id":"user_001"}}
)
print(res1.content)

res2 = with_history_chain.invoke(
    {"input":"我叫什么名字？"},
    config={"configurable":{"session_id":"user_001"}}
)
print(res2.content)

三、Memory长期会话记忆

FileChatMessageHistory类实现，核心思路：

-基于文件存储会话记录，以session_id为文件名，不同session_id有不同文件存储消息

继承BaseChatMessageHistory实现如下3个方法：

-add_messages：同步模式，添加消息

-messages：同步模式，获取消息

-clear：同步模式，清除消息

import json
import os
from typing import Sequence
from langchain_core.chat_history import BaseChatMessageHistory
from langchain_core.messages import BaseMessage, message_to_dict, messages_from_dict

# 自定义文件会话历史类
class FileChatMessageHistory(BaseChatMessageHistory):
    def __init__(self, session_id: str, storage_path: str = "./chat_history"):
        self.session_id = session_id
        self.storage_path = storage_path
        os.makedirs(self.storage_path, exist_ok=True)
        self.file_path = os.path.join(self.storage_path, self.session_id)

    @property
    def messages(self) -> list[BaseMessage]:
        """读取文件，获取历史消息"""
        try:
            with open(self.file_path, "r", encoding="utf-8") as f:
                msg_list = json.load(f)
            return messages_from_dict(msg_list)
        except FileNotFoundError:
            return []

    def add_messages(self, messages: Sequence[BaseMessage]) -> None:
        """追加消息到文件"""
        all_msg = self.messages
        all_msg.extend(messages)
        dict_data = [message_to_dict(m) for m in all_msg]
        with open(self.file_path, "w", encoding="utf-8") as f:
            json.dump(dict_data, f, ensure_ascii=False, indent=2)

    def clear(self) -> None:
        """清空当前会话所有消息"""
        if os.path.exists(self.file_path):
            os.remove(self.file_path)

四、结语

本讲解决了大模型”无记忆、断上下文“的问题。区分了临时记忆与持久化记忆的使用场景，实现了连续多轮对话能力。至此我们的模型不再是单次问答机器人，而是具备上下文理解的智能对话体。