大模型应用开发 / 系统课时
构建带记忆的对话链
构建带记忆的对话链
本课将把会话历史接入 LangChain 对话链,使模型在同一会话中记住前文,并通过会话标识隔离不同用户。完成后,你将得到一个可运行的多轮问答程序,并理解内存存储与生产持久化的边界。
学习目标
- 理解对话链、历史存储和会话标识的职责
- 使用
RunnableWithMessageHistory保存并注入历史消息 - 验证同一会话连续、不同会话隔离的效果
对话记忆如何接入链
普通模型调用只处理当前输入,本身不会自动读取上一轮内容。带记忆的对话链需要在调用前按 session_id 取出历史消息,将历史与本轮问题一起交给模型,再把本轮输入和回答写回对应历史。

这里的关键不是把历史写进全局提示词,而是让历史存储独立于模型和链。这样既能按用户隔离,也能在后续替换为 Redis、PostgreSQL 等持久化实现。
实现最小多轮对话
准备 Python 3.10 及以上环境,安装 langchain、langchain-openai,并设置 OPENAI_API_KEY。下面示例使用内存字典保存历史,程序重启后数据会丢失。
python
import os
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_openai import ChatOpenAI
history_store: dict[str, InMemoryChatMessageHistory] = {}
def get_history(session_id: str) -> InMemoryChatMessageHistory:
# 每个会话标识对应一份独立历史,避免用户之间串话。
if session_id not in history_store:
history_store[session_id] = InMemoryChatMessageHistory()
return history_store[session_id]
prompt = ChatPromptTemplate.from_messages(
[
("system", "你是简洁的学习助手,只根据已知对话回答。"),
MessagesPlaceholder(variable_name="history"),
("human", "{input}"),
]
)
model = ChatOpenAI(
model=os.getenv("OPENAI_MODEL", "gpt-5.4-mini"),
temperature=0,
)
conversation = RunnableWithMessageHistory(
prompt | model,
get_history,
input_messages_key="input",
history_messages_key="history",
)
config = {"configurable": {"session_id": "user-001"}}
first = conversation.invoke(
{"input": "我正在学习 Python 后端开发。"},
config=config,
)
second = conversation.invoke(
{"input": "我刚才说自己在学什么?"},
config=config,
)
print("第一轮:", first.text)
print("第二轮:", second.text)预期输出如下,模型措辞可能不同,但第二轮必须正确引用第一轮信息。
text
第一轮:<确认用户正在学习 Python 后端开发>
第二轮:<回答“你正在学习 Python 后端开发”>验证隔离与控制历史
将 session_id 改为 user-002 后再询问“我刚才说自己在学什么”,新会话不应知道 user-001 的内容。这是最直接的串话检查。
生产环境还要处理三个边界:会话标识必须由可信身份生成;历史过长时应裁剪或摘要;敏感字段不应未经脱敏直接进入模型上下文。内存字典只适合本地演示,多实例部署应改用共享且可持久化的存储。
按自己的节奏,确认真正理解。