langchain架构已有记忆功能，本文将简单介绍一下如何构建一个带有记忆功能的机器人
首先导入需要的包

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_community.chat_message_histories import SQLChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

定义llm的基础设置
模型名和apikey

llm = ChatOpenAI(model = ,apikey=)

创建prompt词
MessagesPlaceholder(variable_name=“history”),是占位符，为了导入完整的历史记录

prompt = ChatPromptTemplate(
	[
		("system", "你是一个得力的助手"),
         MessagesPlaceholder(variable_name="history"),
         ("human", "{question}"),
	]
)

创建chain
| 是 LangChain 的“链式操作符”（pipe operator），类似于 Unix 的管道（pipe）。它将 prompt 的输出“管道”到 llm 的输入，形成一个“链”。
这个链的执行流程是：用户输入 → 填充提示模板 → 发送给 LLM 生成回复。目的：简化调用，只需 chain.invoke(input) 就能运行整个流程。如果不链式连接，你需要手动填充提示再调用模型。

chain = prompt| llm

RunnableWithMessageHistory 是 LangChain 的高级 Runnable 类，用于包装普通链（chain），添加历史管理功能。参数：

chain：要包装的链。

lambda session_id: SQLChatMessageHistory(…)：一个 lambda 函数（匿名函数），根据 session_id 创建历史存储器。SQLChatMessageHistory 是存储类，

connection_string=“sqlite:///chat_history.db” 指定使用本地 SQLite 数据库（文件会自动创建在项目根目录）。

input_messages_key=“question”：输入字典中，用户消息的键名（匹配提示模板中的 {question}）。LangChain 会从这个键提取用户消息，并注入到提示模板中。目的：标准化输入格式。简单语法，无需额外解释。

history_messages_key=“history”：历史消息在提示中的占位符键名（匹配 MessagesPlaceholder(“history”)）

	chain_with_history = RunnableWithMessageHistory(
            chain,
            lambda session_id: SQLChatMessageHistory(
                session_id=session_id, connection_string="sqlite:///chat_history.db"
            ),
            input_messages_key="question",
            history_messages_key="history",
        )

至此为止，我们就创建了完整的流程，那么我们接下来怎么了进行交流呢
我们使用invoke方法，由于我们是带有历史记录的，所以需要指定一个config。里面需要包括一个config文件

response = self.chain_with_history.invoke(
            {"question": text},
            config={"configurable": {"session_id": session_id}}
        )
        
        response_text = response.content

参考文档：langchain