【langchain】3分钟构建一个上下文聊天机器人
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