langchain从入门到精通（十）——ChatMessageHistory 组件

1. BaseChatMessageHistory

把 记忆功能 集成到 LLM 应用中，会设计到两个核心问题：存储的历史信息是什么？如何检索与处理历史信息？

图上可以划分成两部分，黄色 的部分为检索历史信息，红色的部分为存储历史信息的逻辑，可以看到，一个记忆类是由 历史消息的存储 与 记忆的处理逻辑 两个部分组成的，在 LangChain 中，也是类似的思路。
LangChain 封装了一个管理历史信息的基类——BaseChatMessageHistory
这是一个抽象类。用于管理历史消息，涵盖了对消息的多种管理：添加消息、清空历史消息、查看历史消息列表、查看历史消息文本等。

BaseChatMessageHistory 是所有聊天历史实现的基类，定义了聊天历史应支持的基本操作，比如：

• 添加消息（用户消息、AI 消息）
• 获取消息历史
• 清除历史记录
  并且所有扩展的消息历史组件均继承 BaseChatMessageHistory（包括自定义消息历史组件）。BaseChatMessageHistory 及子类如下，其中 InMemoryChatMessageHistory 是 langchain_core 包中内置对话消息历史类，可以将对话消息存储到临时内存中，而其他第三方集成的聊天消息历史组件均通过 langchain_community 包进行导入。

类名	描述
ChatMessageHistory	默认的内存中实现，适合临时对话
RedisChatMessageHistory	使用 Redis 存储对话，适合多用户或持久化
PostgresChatMessageHistory	使用 PostgreSQL 存储对话
MongoDBChatMessageHistory	使用 MongoDB 存储对话
ZepChatMessageHistory	使用 Zep 作为聊天历史存储

第三方 ChatMessageHistory 组件集成：
https://python.langchain.com/v0.2/docs/integrations/memory/

2. 聊天消息历史组件实现记忆功能

FileChatMessageHistory 会将对话历史存储到本地的文件中，可以使用这个记忆组件结合原生的 OpenAI SDK 来实现在命令行界面实现带有记忆功能的对话功能，并且关闭某次对话后，下次运行代码，读取到对应的文件时，仍然可以记忆之前对话的内容。
实现代码

import dotenv
from langchain_community.chat_message_histories import FileChatMessageHistory
from langchain_core.messages import HumanMessage, AIMessage
from openai import OpenAI

dotenv.load_dotenv()

# 1.创建客户端&记忆
client = OpenAI()
chat_history = FileChatMessageHistory("./memory.txt")

# 2.循环对话
while True:
    # 3.获取用户的输入
    query = input("Human: ")

    # 4.检测用户是否退出对话
    if query == "q":
        exit(0)

    # 5.发起聊天对话
    print("AI: ", flush=True, end="")
    system_prompt = (
        "你是由OpenAI开发的ChatGPT聊天机器人，可以根据对应的上下文回复用户信息，上下文里存放的是人类和您交互。\n\n"
        f"\n{chat_history}\n\n\n"
    )
    response = client.chat.completions.create(
        model='gpt-3.5-turbo-16k',
        messages=[
            {"role": "system", "content": system_prompt},
            {"role": "user", "content": query}
        ],
        stream=True,
    )
    ai_content = ""
    for chunk in response:
        content = chunk.choices[0].delta.content
        if content is None:
            break
        ai_content += content
        print(content, flush=True, end="")
    chat_history.add_messages([HumanMessage(query), AIMessage(ai_content)])
    print("")

LangChain 的记忆机制就是：自动保存对话历史，并在每次调用 LLM 时，把历史对话拼接进 prompt 中。

LangChain 记忆模块的核心组件：

组件	作用
Memory	抽象基类，定义记忆的接口
ConversationBufferMemory	最常用的内存型记忆，保存全部对话历史
ConversationSummaryMemory	使用 LLM 对历史对话进行摘要，节省上下文长度
ChatMessageHistory	聊天历史的具体实现（内存、Redis、Postgres 等）
BaseChatMessageHistory	聊天历史的抽象接口