首页 > 分享 > 【第三周】RAG与Agent实战22：临时会话记忆 —— 让AI拥有“短期记忆”

【第三周】RAG与Agent实战22：临时会话记忆 —— 让AI拥有“短期记忆”

萌宠菠菠乐园
2026-03-22 09:02

在前面构建的 Chain 都是“无状态”的。也就是说，你问它“小明有几只猫”，它回答“2只”；紧接着你问“那总共有几个宠物？”，它会一脸茫然，因为它根本不记得上一句说了什么。

大模型本身是无状态的（Stateless），每次请求对它来说都是全新的开始。要想实现像微信聊天那样有来有往的多轮对话（Multi-turn Conversation），我们需要引入**历史记录（Message History）**机制。

今天，我们就来学习 LangChain 提供的“记忆外挂”：RunnableWithMessageHistory。

核心概念：如何给链加上记忆？

LangChain 并没有修改底层的 Model 或 Prompt，而是采用了一种装饰器模式（Wrapper Pattern）。

基础链 (Base Chain)：负责处理单次的“提示词 -> 模型 -> 输出”逻辑。记忆包装器 (History Wrapper)：RunnableWithMessageHistory。它在基础链的外面包了一层，负责：读取：在发送请求前，从存储中读取历史对话。注入：将历史对话插入到 Prompt 的特定位置。保存：在收到回复后，将新的问答对存入存储。关键组件组件作用类比RunnableWithMessageHistory核心包装类，赋予 Chain 记忆能力给手机装上“录音笔”和“回放机”InMemoryChatMessageHistory内存存储器，临时存放对话记录手机的 RAM（断电/重启后数据丢失）MessagesPlaceholderPrompt 中的占位符，告诉 AI 历史放哪里剧本里的“[此处插入前情提要]”session_id会话标识，区分不同用户的记忆不同的“聊天记录文件夹”

实战代码：构建一个有记忆的聊天机器人

我们将构建一个简单的场景：

用户说：“小明有2只猫”。用户说：“小刚有1只狗”。用户问：“共有几个宠物？”目标：AI 能结合前两句的信息，回答出“3个”。完整代码实现

from langchain_community.chat_models.tongyi import ChatTongyi from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables.history import RunnableWithMessageHistory from langchain_core.chat_history import InMemoryChatMessageHistory # --------------------------------------------------------- # 1. 初始化模型与基础组件 # --------------------------------------------------------- model = ChatTongyi(model="qwen-plus") str_parser = StrOutputParser() # --------------------------------------------------------- # 2. 定义带有“记忆插槽”的提示词 # --------------------------------------------------------- # 注意：这里使用了 ChatPromptTemplate 而不是普通的 PromptTemplate prompt = ChatPromptTemplate.from_messages([ ("system", "你需要根据会话历史回应用户问题。对话历史："), # 这是一个占位符，历史消息会被自动填充到这里 MessagesPlaceholder("chat_history"), ("human", "请回答如下问题：{input}") ]) # 调试函数：打印最终发送给模型的完整 Prompt，方便观察历史是否注入 def print_prompt(full_prompt): print("n" + "="*20 + " 当前完整Prompt " + "="*20) print(full_prompt.to_string()) print("="*50 + "n") return full_prompt # 构建基础链（此时还没有记忆功能） base_chain = prompt | print_prompt | model | str_parser # --------------------------------------------------------- # 3. 设置记忆存储 (Memory Store) # --------------------------------------------------------- # 用一个字典模拟数据库，key是session_id，value是历史对象 store = {} def get_history(session_id): """ 根据 session_id 获取对应的历史记录对象。如果不存在，则创建一个新的 InMemoryChatMessageHistory。 """ if session_id not in store: store[session_id] = InMemoryChatMessageHistory() return store[session_id] # --------------------------------------------------------- # 4. 创建带记忆的增强链 # --------------------------------------------------------- conversation_chain = RunnableWithMessageHistory( base_chain, # 被增强的原有 chain get_history, # 获取历史记录的函数 input_messages_key="input", # 用户当前输入在 dict 中的 key history_messages_key="chat_history" # 历史记录在 Prompt 中的占位符 key ) # --------------------------------------------------------- # 5. 执行多轮对话 # --------------------------------------------------------- if __name__ == "__main__": # 配置 Session ID，告诉系统这是哪个用户在说话 # 必须通过 config 参数传递，这是 LangChain 的标准做法 session_config = { "configurable": { "session_id": "user_001" } } print("️ 第一轮：告知事实") res = conversation_chain.invoke({"input": "小明有2只猫"}, config=session_config) print(f"AI: {res}n") print("️ 第二轮：告知更多事实") res = conversation_chain.invoke({"input": "小刚有1只狗"}, config=session_config) print(f"AI: {res}n") print("️ 第三轮：基于历史提问") res = conversation_chain.invoke({"input": "他们一共有几个宠物？"}, config=session_config) print(f"AI: {res}n")

python

运行

123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081

在这里插入图片描述

⚙️ 运行流程深度解析 1. 第一次调用 (input: “小明有2只猫”) 读取历史：get_history("user_001") 发现是新的，返回空的历史列表 []。组装 Prompt：

System: 你需要根据会话历史... Human: 请回答如下问题：小明有2只猫

text

12 (注意：此时 chat_history 是空的)AI 回复：AI 确认收到了信息（例如：“好的，我知道了，小明有2只猫。”）。保存历史：系统将 Human: 小明有2只猫和 AI: ... 存入 store["user_001"]。 2. 第二次调用 (input: “小刚有1只狗”) 读取历史：从 store 中取出上一轮的对话。组装 Prompt：

System: 你需要根据会话历史... Human: 小明有2只猫 AI: 好的，我知道了... Human: 请回答如下问题：小刚有1只狗

text

1234 (注意：历史消息被自动插入了！)保存历史：将新的一轮对话追加进去。 3. 第三次调用 (input: “他们一共有几个宠物？”) 读取历史：取出前两轮的所有对话。组装 Prompt：包含了“2只猫”和“1只狗”的完整上下文。AI 回复：AI 根据上下文推理出 “2 + 1 = 3”，回答 “他们一共有3个宠物”。

关键点详解

1. 为什么需要 config 参数？

你会发现 invoke 时多了一个 config=session_config。
这是 LangChain 的设计哲学：将“运行时配置”与“业务数据”分离。

{"input": "..."} 是业务数据。{"configurable": {"session_id": "..."}} 是运行环境配置。
这样设计的好处是，同一个 Chain 对象可以服务于成千上万个不同的用户，只需要在调用时传入不同的 session_id 即可，无需为每个用户创建一个新的 Chain 对象。 2. InMemoryChatMessageHistory 的局限性

代码中使用的是内存存储。这意味着：

✅ 优点：速度快，无需配置数据库，适合测试和本地演示。❌ 缺点：一旦程序重启或服务器宕机，所有聊天记录瞬间消失。 生产环境方案：在实际项目中，我们会使用 RedisChatMessageHistory 或 PostgresChatMessageHistory，将记录持久化到数据库中。 3. MessagesPlaceholder 的作用

它不仅仅是一个字符串替换。它是一个智能组件，知道如何将 BaseMessage 列表（历史对象）正确地格式化为模型能理解的 Message 结构。

总结

本节课我们实现了 AI 的“短期记忆”：

RunnableWithMessageHistory：学会了如何使用这个包装器，零代码修改基础逻辑，直接赋予 Chain 记忆能力。存储管理：理解了 get_history 函数的作用，它是连接 Chain 和存储介质的桥梁。会话隔离：掌握了通过 session_id 和 config 来区分不同用户聊天的技术。

现在，你的 AI 已经可以进行连续对话了！但这还不够，它的记忆仅限于当前窗口（内存）。