langchain学习笔记（十一）

关于langchain中的memory，即对话历史（message history）

1、

Add message history (memory) | 🦜️🔗 Langchain

RunnableWithMessageHistory，可用于任何的chain中添加对话历史，将以下之一作为输入

（1）一个BaseMessage序列

（2）一个dict，其中一个键的值是一个BaseMessage序列

（3）一个dict，其中一个键的值存储最后一次对话信息，另外一个键的值存储之前的历史对话信息

输出以下之一

（1）一个可以作为AIMessage的content的字符串

（2）一个BaseMessage序列

（3）一个dict，其中一个键的值是一个BaseMessage序列

首先需要一个返回BaseChatMessageHistory实例的可调用函数，这里我们将历史对话存储在内存中，同时langchain也支持将历史对话存储在redis中（RedisChatMessageHistory）更持久的存储，

from langchain_community.chat_message_histories import ChatMessageHistory
def get_session_history(session_id):#一轮对话的内容只存储在一个key/session_idif session_id not in store:store[session_id] = ChatMessageHistory()return store[session_id]

（1）输入是一个BaseMessage序列的示例

from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_core.messages import HumanMessage
with_message_history=RunnableWithMessageHistory(ChatOpenAI(),get_session_history,
)
print(with_message_history.invoke(input=HumanMessage("介绍下王阳明"),config={'configurable':{'session_id':'id123'}}))

（2）输入是一个dict，其中一个键的值是一个BaseMessage序列的示例

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai.chat_models import ChatOpenAI
from langchain_core.messages import HumanMessage
from langchain_core.runnables.history import RunnableWithMessageHistory
model = ChatOpenAI()
prompt = ChatPromptTemplate.from_messages([("system","你是一个助手，擅长能力{ability}。用20个字以内回答",),MessagesPlaceholder(variable_name="history"),("human", "{input}"),]
)
runnable = prompt | model
with_message_history = RunnableWithMessageHistory(runnable,get_session_history,input_messages_key="input",history_messages_key="history",
)
i1=with_message_history.invoke({"ability": "数学", "input": HumanMessage("什么是余弦定理")},config={"configurable": {"session_id": "abc123"}},#历史信息存入session_id
)
print(i1)
i2=with_message_history.invoke({"ability": "math", "input": HumanMessage("重新回答一次")},config={"configurable": {"session_id": "abc123"}},#历史信息存入session_id
)
print(i2)#记忆到了
print(store)

（3）前面的是dict输入message输出，下面是其他的方案

输入message，输出dict

from langchain_core.runnables import RunnableParallel
chain = RunnableParallel({"output_message": ChatOpenAI()})
with_message_history = RunnableWithMessageHistory(chain,get_session_history,output_messages_key="output_message",
)i1=with_message_history.invoke([HumanMessage(content="白雪公主是哪里的人物")],config={"configurable": {"session_id": "baz"}},
)
print(i1)

输入message，输出message：简易实现对话系统

from operator import itemgetter
with_message_history =RunnableWithMessageHistory(itemgetter("input_messages") | ChatOpenAI(),get_session_history,input_messages_key="input_messages",
)
while True:# print(store)query=input('user:')answer=with_message_history.invoke(input={'input_messages':query},config={'configurable':{'session_id':'id123'}})print(answer)

2、对话系统：ConversationBufferMemory

Adding memory | 🦜️🔗 Langchain

from operator import itemgetter
from langchain.memory import ConversationBufferMemory
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables import RunnableLambda, RunnablePassthrough
from langchain_openai import ChatOpenAI
model = ChatOpenAI()
prompt = ChatPromptTemplate.from_messages([("system","你是一个助手，擅长能力{ability}。用20个字以内回答",),MessagesPlaceholder(variable_name="history"),("human", "{input}"),]
)
memory = ConversationBufferMemory(return_messages=True)
chain = (RunnablePassthrough.assign(history=RunnableLambda(memory.load_memory_variables) | itemgetter("history"))| prompt| model
)
while True:import requery = input('user:')response = chain.invoke({"ability": "数学", "input": query})#<class 'langchain_core.messages.ai.AIMessage'>print(response.content)memory.save_context({"input": query}, {"output": response.content})

3、

[Beta] Memory | 🦜️🔗 Langchain