15天学会AI应用开发（十六）LangChain实现对话记忆功能

​模型本身是无状态的，也就是不具备记忆功能，单次对话无法留存上下文信息，多轮交互中会遗忘历史对话内容。用户之所以感觉AI工具拥有记忆，是因为AI工具给大模型封装了一层记忆。

LangChain作为主流的大模型应用开发框架，内置完善的记忆模块（Memory模块），能够高效管理对话历史记录，让AI实现逻辑连贯的多轮对话，接下来就介绍如何使用LangChain实现对话记忆功能。

一、记忆功能用到的组件说明

LangChain实现对话记忆功能要掌握下列三个核心组件，需三者配合才能完成上下文管理全流程：

1、对话历史存储组件

以ChatMessageHistory为核心，基于内存临时存储对话记录，无需安装额外的数据库，适合开发者快速编码和测试。对话数据仅在应用程序运行期间留存，重启应用程序后会清空对话数据，可满足AI应用的轻量化对话场景需求。

2、记忆绑定核心组件

RunnableWithMessageHistory是对话记忆架构的核心组件，可包装LangChain的任意执行链，自动实现对话历史记录的读取、拼接和更新，能够支持多个会话数据的相互隔离，解决了传统组件存在的多会话冲突问题。

3、提示词模板组件

聊天提示词模板ChatPromptTemplate用于规范向大模型输入的提示词格式，它固定采用“系统指令+历史对话+当前提问”的结构，让大模型能够精准识别上下文信息，保证当前用户的对话记忆功能逻辑统一，不会胡说八道。

二、实现记忆功能的环境准备

ChatMessageHistory组件来自于langchain_community，而RunnableWithMessageHistory和ChatPromptTemplate来自于langchain-core，故需提前安装相关的langchain包。
在命令行窗口执行下面命令，即可安装LangChain及其用到的Ollama插件，以及记忆功能需要的langchain_community：

pip install langchain langchain-core langchain-ollama langchain_community

确保本地已经通过Ollama下载了离线大模型，比如在命令行窗口执行下面命令，即可下载大模型qwen2:1.5b：

ollama pull qwen2:1.5b

等待大模型下载完毕，在命令行窗口执行下面命令，即可启动Ollama并加载大模型：

ollama serve

三、AI记忆对话的编码实战

在Python代码开头添加下面的导包语句，表示引入ChatMessageHistory、RunnableWithMessageHistory、ChatPromptTemplate三个组件，以及LangChain的大模型工具OllamaLLM：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_ollama import OllamaLLM

在OllamaLLM的构造方法中填写model参数，指定当前引用的离线大模型名称，如下：

# 连接本地离线大模型（Ollama）
llm = OllamaLLM(model="qwen2:1.5b")

然后编写下面的LangChain调用代码，先利用ChatPromptTemplate构造给history变量占位的提示词模板，接着往ChatMessageHistory组件存储对话历史，再通过RunnableWithMessageHistory在封装执行链时带入历史数据，示例代码如下：

# 1、对话模板（留一个位置放历史）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是友好助手，记住前面的对话。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}")
])

# 2、内存存储历史（多用户可按 session_id 分）
store = {}

# 获取指定会话的历史记录
def get_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

# 3、带记忆的执行链
chain = prompt | llm
chain_with_mem = RunnableWithMessageHistory(
    chain,
    get_history,
    input_messages_key="input",
    history_messages_key="history"
)

# 4、测试对话
print("=== 带记忆AI聊天（输入 退出 结束）===")
while True:
    user_input = input("你：")
    if user_input in ["退出", "exit", "quit"]:
        print("对话结束")
        break

    # 调用模型（传入历史）
    response = chain_with_mem.invoke({"input": user_input}, config={"configurable": {"session_id": "session_001"}})
    print(f"AI：{response}\n")

运行上面的Python代码，根据提示先后输入问题内容“你叫什么名字？”、“不对，你叫小明”、“你叫什么名字？”，输出日志结果如下：

=== 带记忆AI聊天（输入 退出 结束）===
你：你叫什么名字？
AI：我叫小冰。

你：不对，你叫小明
AI：抱歉，我记错了。

你：你叫什么名字？
AI：小冰

你：不对，你叫小明
AI：抱歉，我记错了。请问有什么我能帮助您的吗？

你：你叫什么名字？
AI：小明

由日志信息发现，AI应用一开始回答“我叫小冰”，后来被改名后回答自己叫“小明”。可见通过使用LangChain的记忆组件，初步实现了简单的AI对话记忆功能。

本系列的AI应用开发文章目录为《15天学会AI应用开发全目录（零基础小白，零Token消耗）》。​