如何添加消息历史记录
本指南假设您熟悉以下概念：
本指南之前涵盖了RunnableWithMessageHistory抽象。您可以在v0.2文档中访问此版本的指南。
自LangChain的v0.3版本发布以来，我们建议LangChain用户利用LangGraph持久化将memory集成到新的LangChain应用中。
如果你的代码已经依赖于RunnableWithMessageHistory或BaseChatMessageHistory，你不需要做任何更改。我们不打算在不久的将来弃用此功能，因为它适用于简单的聊天应用程序，并且任何使用RunnableWithMessageHistory的代码将继续按预期工作。
请参阅如何迁移到LangGraph Memory了解更多详情。
在构建聊天机器人时，将对话状态传入和传出链是至关重要的。LangGraph 实现了一个内置的持久化层，允许链状态自动持久化到内存中，或者外部后端如 SQLite、Postgres 或 Redis。详细信息可以在 LangGraph 的 持久化文档 中找到。
在本指南中，我们演示了如何通过将任意LangChain可运行对象包装在一个最小的LangGraph应用程序中来为其添加持久性。这使我们能够持久化消息历史记录和链状态的其他元素，从而简化多轮应用程序的开发。它还支持多线程，使单个应用程序能够分别与多个用户进行交互。
设置
让我们初始化一个聊天模型：
pip install -qU langchain-openai
import getpass
import os
if not os.environ.get("OPENAI_API_KEY"):
os.environ["OPENAI_API_KEY"] = getpass.getpass("Enter API key for OpenAI: ")
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini")
示例：消息输入
向聊天模型添加内存提供了一个简单的示例。聊天模型接受消息列表作为输入并输出一条消息。LangGraph 包含一个内置的 MessagesState，我们可以用于此目的。
下面，我们：
- 将图形状态定义为一组消息列表；
- 向图中添加一个调用聊天模型的单个节点；
- 使用内存检查点编译图形，以在运行之间存储消息。
LangGraph应用程序的输出是其状态。这可以是任何Python类型，但在这种情况下，它通常是一个与您的可运行对象模式匹配的TypedDict。
from langchain_core.messages import HumanMessage
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import START, MessagesState, StateGraph
# Define a new graph
workflow = StateGraph(state_schema=MessagesState)
# Define the function that calls the model
def call_model(state: MessagesState):
response = llm.invoke(state["messages"])
# Update message history with response:
return {"messages": response}
# Define the (single) node in the graph
workflow.add_edge(START, "model")
workflow.add_node("model", call_model)
# Add memory
memory = MemorySaver()
app = workflow.compile(checkpointer=memory)
当我们运行应用程序时，我们传入一个配置dict，它指定了一个thread_id。此ID用于区分对话线程（例如，不同用户之间的对话）。
config = {"configurable": {"thread_id": "abc123"}}
然后我们可以调用应用程序：
query = "Hi! I'm Bob."
input_messages = [HumanMessage(query)]
output = app.invoke({"messages": input_messages}, config)
output["messages"][-1].pretty_print() # output contains all messages in state
==================================[1m Ai Message [0m==================================
It's nice to meet you, Bob! I'm Claude, an AI assistant created by Anthropic. How can I help you today?
query = "What's my name?"
input_messages = [HumanMessage(query)]
output = app.invoke({"messages": input_messages}, config)
output["messages"][-1].pretty_print()
==================================[1m Ai Message [0m==================================
Your name is Bob, as you introduced yourself at the beginning of our conversation.
请注意，状态是针对不同线程分开的。如果我们向一个具有新thread_id的线程发出相同的查询，模型表示它不知道答案：
query = "What's my name?"
config = {"configurable": {"thread_id": "abc234"}}
input_messages = [HumanMessage(query)]
output = app.invoke({"messages": input_messages}, config)
output["messages"][-1].pretty_print()
==================================[1m Ai Message [0m==================================
I'm afraid I don't actually know your name. As an AI assistant, I don't have personal information about you unless you provide it to me directly.
示例：字典输入
LangChain 可运行对象通常通过单个 dict 参数中的不同键接受多个输入。一个常见的例子是具有多个参数的提示模板。
之前我们的可运行对象是一个聊天模型，在这里我们将一个提示模板和聊天模型链接在一起。
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
prompt = ChatPromptTemplate.from_messages(
[
("system", "Answer in {language}."),
MessagesPlaceholder(variable_name="messages"),
]
)
runnable = prompt | llm
对于这种情况，我们将图状态定义为包括这些参数（除了消息历史记录）。然后我们像以前一样定义一个单节点图。
请注意以下状态：
- 对
messages列表的更新将追加消息； - 对
language字符串的更新将覆盖该字符串。
from typing import Sequence
from langchain_core.messages import BaseMessage
from langgraph.graph.message import add_messages
from typing_extensions import Annotated, TypedDict
class State(TypedDict):
messages: Annotated[Sequence[BaseMessage], add_messages]
language: str
workflow = StateGraph(state_schema=State)
def call_model(state: State):
response = runnable.invoke(state)
# Update message history with response:
return {"messages": [response]}
workflow.add_edge(START, "model")
workflow.add_node("model", call_model)
memory = MemorySaver()
app = workflow.compile(checkpointer=memory)
config = {"configurable": {"thread_id": "abc345"}}
input_dict = {
"messages": [HumanMessage("Hi, I'm Bob.")],
"language": "Spanish",
}
output = app.invoke(input_dict, config)
output["messages"][-1].pretty_print()
==================================[1m Ai Message [0m==================================
¡Hola, Bob! Es un placer conocerte.
管理消息历史
消息历史记录（以及应用程序状态的其他元素）可以通过 .get_state 访问：
state = app.get_state(config).values
print(f'Language: {state["language"]}')
for message in state["messages"]:
message.pretty_print()
Language: Spanish
================================[1m Human Message [0m=================================
Hi, I'm Bob.
==================================[1m Ai Message [0m==================================
¡Hola, Bob! Es un placer conocerte.
我们也可以通过.update_state来更新状态。例如，我们可以手动添加一条新消息：
from langchain_core.messages import HumanMessage
_ = app.update_state(config, {"messages": [HumanMessage("Test")]})
state = app.get_state(config).values
print(f'Language: {state["language"]}')
for message in state["messages"]:
message.pretty_print()
Language: Spanish
================================[1m Human Message [0m=================================
Hi, I'm Bob.
==================================[1m Ai Message [0m==================================
¡Hola, Bob! Es un placer conocerte.
================================[1m Human Message [0m=================================
Test
有关管理状态的详细信息，包括删除消息，请参阅LangGraph文档：