记录下学习agent应用开发的第15天（实现Langchain下的memory）

         （各位访问大哥能否留一些宝贵建议给小弟，没人的话就当个人日常blog ）之前我开发的rag智能体记忆逻辑是把每次问答内容以json文件格式保存，模型回答问题前都要读取这个文件去获取历史会话记录，以此实现记忆功能。今天我的任务是在Langchain框架下实现这个过程，通过使用封装好的组件减少代码量。

        首先引入几个新组件：MessagesPlaceholder（用于在聊天提示模板中动态插入消息内容，专门为消息列表设计）、HumanMessage（表示"用户说的话"的消息对象）、AIMessage（表示"AI 说的话"的消息对象）。

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

        接下来定义prompt模板，和之前一样通过ChatPromptTemplate组件实现。这里把历史会话记录内容和用户文本设为动态插入，system prompt说明设定与规则并静态保留。

template = ChatPromptTemplate.from_messages([
("system", "你是求职助手。回答简洁，不超过两句话。"),
MessagesPlaceholder(variable_name="history"),
("user", "{input}"),
])

        因为本demo只是为了实现Langchain框架下的记忆功能，没有添加额外的功能模块，所以只有template和llm间的chain连接。

chain = template | llm

        创建一个空列表来存历史会话记录，因为创建一个json文件去存储在之前已经实现过了，这里就使用临时内存来存，主要查看结果，不追求长期使用。

history = []

        测试数据问题集，模拟用户连续向ai提问。每个问题都是独立的，只有当ai回答完上一个问题才继续提问，为的是验证ai是否记住前面的聊天内容。

questions = [
"我想找一份 Python 后端的工作。",
"基于我的目标，推荐我学什么技术？",
"这些技术里，哪个最重要？",
]

        将历史记录和当前用户文本拼入prompt模板再发给llm，同时将本次的用户文本和ai回答加到历史会话列表中。

for q in questions:
result = chain.invoke({"history": history, "input": q})
history.append(HumanMessage(content=q))
history.append(AIMessage(content=result.content))

        打印每轮的会话内容和记忆条数，通过两个方面判断memory模块是否正常。

print(f"用户：{q}")
print(f"助手：{result.content}\\n")
print(f" 目前历史记录条数：{len(history)}")

        测试结果如下，可以看到ai确实记住了历史会话内容。

        总结：今天完成了在Langchain框架下实现基础memory模块的任务，同时也更加熟练使用Langchain组件，减少了手搓代码的工作量。我尝试过使用RunnableWithMessageHistory组件（一个包装器，可以让链自动处理历史消息的填充和存储过程）和ChatMessageHistory组件（默认的内存中实现，适合临时对话）去创建历史会话列表，就可以省去手动保存记录（history.append）这段代码，但是测试结果没有实现记忆功能，经查询我了解到，这两个组件已被 LangChain 官方标记为废弃，替代组件在LangGraph中，所以只能手动建表去临时保存。

        第15天就到这吧。