张高兴的大模型开发实战：（三）使用 LangGraph 为对话添加历史记录

张高兴2025-03-25 15:10

目录

在构建聊天机器人时，对话历史记录是提升用户体验的核心功能之一，用户希望机器人能够记住之前的对话内容，从而避免重复提问。LangGraph 是 LangChain 生态中一个工具，通过将应用逻辑组织成有向图（Graph）的形式，可以轻松实现对话历史的管理和复杂的对话流程。本文将通过一个示例，展示如何使用 LangGraph 实现这一功能。

在上一篇博客中提到，链（Chain）在 LangChain 中是一种基本的构建块，用于将多个 LLM 调用和工具调用链接在一起。然而，链在处理复杂、动态的对话流程时存在一些局限性，例如，链通常是线性的，这种线性结构只能按照预定义的顺序执行，限制了在对话中进行动态路由和条件分支的能力。LangGraph 的设计目标是提供一个更灵活、更强大的框架来构建复杂的智能体应用。

LangGraph LangChain
核心设计 循环图结构：支持条件分支、循环和反馈机制，适合复杂多步骤任务。 线性流程（DAG）：以链式结构为主，适合线性任务（如文档检索、文本生成）。
控制能力 高度可控：通过节点（Node）和边（Edge）精细控制流程，支持条件逻辑和动态修改。 中等可控：依赖链式编排，灵活性较低，难以处理复杂循环或动态分支。
持久化与状态管理 内置持久化：支持状态检查点（Checkpoints），可中断/恢复任务，适合长期任务。 基础记忆功能：依赖对话历史记录，但无法持久化复杂状态或跨会话共享。
人在环（Human-in-the-Loop） 深度支持：可在任意节点插入人工审核、干预，适合医疗、金融等需人工决策的场景。 弱支持：需手动集成人工干预逻辑，流程中断后难以恢复。
多代理（Multi-Agent） 原生支持：通过共享状态实现多Agent协作，适合复杂任务拆分与协同。 较弱：需手动协调多个链，难以实现动态任务分配。
错误处理 容错性强：支持失败节点跳转或重试，流程可恢复。 基础重试：依赖单链重试，无法处理复杂流程中的错误传播。
适用场景 复杂多步骤任务、需人工干预的场景（如医疗诊断）、多Agent协作系统、长期任务（如持续对话） 线性任务（文档检索、文本生成）、快速原型开发、简单对话系统
开发复杂度 中等：需定义节点、边和状态，但提供了灵活的编排能力。 低：开箱即用的链式结构，适合快速开发。

基础概念

LangGraph 的核心是 State Graph，它通过状态（State）、节点（Node）和边（Edge）的组合，定义对话的流程和逻辑。每个状态可以保存对话的上下文（如历史消息、总结等），节点定义了在不同状态下如何处理输入和生成输出，边定义了处理流程。

  1. State（状态）
    用于存储对话中的临时数据，例如用户消息、模型响应、总结内容等。例如 class State(MessagesState): messages: str 表示一个状态，其中 messages 字段用于存储对话的具体信息。
  2. Node（节点）
    定义了对话流程中的具体操作，通常是具体的函数，例如调用模型、判断是否需要总结、生成总结等。
  3. Edge（边）
    用于连接不同的节点，定义了节点之间的关系和流程。边可以包含条件逻辑、循环、分支等，用于控制对话流程的走向。

我们来看一个最简单的示例，下图是一个 LangGraph 实现的聊天机器人。

起始节点为 __start__，结束节点为 __end__，chatbot 表示调用大模型处理对话。__start__ 节点存储了应用的 State 数据。节点之间带箭头的线段表示边，实线代表普通边 →，虚线代表条件边 ⇢，条件边根据当前的具体条件而选择哪一条边执行，选择不同的边，则到达的节点不同。

环境搭建与配置

在上一篇博客创建的 Python 虚拟环境中执行以下命令，安装需要的包：

shell 复制代码 
pip install langgraph langgraph-checkpoint-postgres psycopg[binary,pool]

将对话历史存储至内存

在开始之前，先构建一个图，实现一个最简单的聊天机器人。

python 复制代码 
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain_ollama import ChatOllama

class State(TypedDict):
    """存储对话状态信息"""
    messages: Annotated[list, add_messages]

def chatbot(state: State):
    """调用模型处理对话"""
    return {"messages": [llm.invoke(state["messages"])]}

llm = ChatOllama(model="qwen2.5:1.5b")

# 创建图
graph_builder = StateGraph(State)
graph_builder.add_node("chatbot", chatbot)  # 添加节点
graph_builder.add_edge(START, "chatbot")    # 添加边
graph_builder.add_edge("chatbot", END)
graph = graph_builder.compile()

使用下面的代码输出图的结构：

python 复制代码 
png = graph.get_graph().draw_mermaid_png()
with open("chatbot.png", "wb") as f:
    f.write(png)

接下来，使用 graph.stream() 方法执行图，即可开始对话。

python 复制代码 
events = graph.stream({"messages": [{"role": "user", "content": "你可以做些什么？"}]})
for event in events:
    last_event = event
print("AI: ", last_event["messages"][-1].content)

下面使用 MemorySaver 将对话历史存储在内存中。

python 复制代码 
from langgraph.checkpoint.memory import MemorySaver

checkpointer = MemorySaver()
# 创建图
# ...
graph = graph_builder.compile(checkpointer=checkpointer)

在对话时要记录对话历史，还需要在 graph.stream() 方法中传入 config 参数，thread_id 用于标识对话的唯一性，不同的对话 thread_id 不同。

python 复制代码 
import uuid

config = {"configurable": {"thread_id": uuid.uuid4().hex}}
events = graph.stream({"messages": [{"role": "user", "content": "你好，我的名字是张三"}]}, config)

最后，我们将对话的代码封装成 stream_graph_updates() 方法，通过对话检测一下历史信息是否被正确保存。

python 复制代码 
def stream_graph_updates(user_input: str, config: dict):
    """对话"""
    events = graph.stream({"messages": [{"role": "user", "content": user_input}]}, config, stream_mode="values")
    for event in events:
        last_event = event
    print("AI: ", last_event["messages"][-1].content)

if __name__ == "__main__":
    config = {"configurable": {"thread_id": uuid.uuid4().hex}}

    while True:
        user_input = input("User: ")    # 用户输入问题进行对话
        if user_input.lower() in ["exit", "quit"]:
            break
        stream_graph_updates(user_input, config)

    print("\nHistory: ")    # 输出对话历史
    for message in graph.get_state(config).values["messages"]:
        if isinstance(message, AIMessage):
            prefix = "AI"
        else:
            prefix = "User"
        print(f"{prefix}: {message.content}")
shell 复制代码 
User: 你好，我的名字是张三
AI:  你好！很高兴认识你。有什么可以帮忙的吗？
User: 我叫什么名字
AI:  你的名字确实是"张三"。很高兴认识你！有什么问题或需要帮助的地方吗？

将对话历史存储至 PostgreSQL

对话历史存储至内存中，当应用关闭时，对话历史也会消失，有时无法满足持久化的需求。LangGraph 提供了一些数据库持久化方式，支持的数据库有 PostgreSQL、MongoDB、Redis。下面使用 PostgreSQL 数据库为例。在开始之前，执行以下命令创建一个 PostgreSQL 数据库：

shell 复制代码 
psql -U postgres -c "CREATE DATABASE llm"

接着，在代码中替换 MemorySaver 为 PostgresSaver，连接并初始化数据库：

python 复制代码 
from psycopg import Connection
from langgraph.checkpoint.postgres import PostgresSaver

DB_URI = "postgresql://postgres:YOUR_PASSW0RD@localhost:5432/llm"   # 记得替换数据库密码

conn = Connection.connect(DB_URI)   # 连接数据库
checkpointer = PostgresSaver(conn)
checkpointer.setup()    # 初始化数据库

使用数据库管理工具查看数据库，可以看到 LangGraph 在数据库初始化时帮我们创建了四张表：checkpoint、checkpoint_blobs、checkpoint_writes、checkpoint_migrations。

完整的程序代码如下：

python 复制代码 
import uuid
from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain_ollama import ChatOllama
from langchain_core.messages import AIMessage, HumanMessage
from psycopg import Connection
from langgraph.checkpoint.postgres import PostgresSaver

class State(TypedDict):
    messages: Annotated[list, add_messages]

def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}

DB_URI = "postgresql://postgres:%40Passw0rd@localhost:5432/llm"

llm = ChatOllama(model="qwen2.5:1.5b")

conn = Connection.connect(DB_URI)
checkpointer = PostgresSaver(conn)
checkpointer.setup()

graph_builder = StateGraph(State)
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)

graph = graph_builder.compile(checkpointer=checkpointer)

def stream_graph_updates(user_input: str, config: dict):
    events = graph.stream({"messages": [{"role": "user", "content": user_input}]}, config, stream_mode="values")
    for event in events:
        last_event = event
    print("AI: ", last_event["messages"][-1].content)

if __name__ == "__main__":
    config = {"configurable": {"thread_id": uuid.uuid4().hex}}

    while True:
        user_input = input("User: ")
        if user_input.lower() in ["exit", "quit"]:
            break
        stream_graph_updates(user_input, config)

    print("\nHistory: ")
    for message in checkpointer.get(config)["channel_values"]["messages"]:
        if isinstance(message, AIMessage):
            prefix = "AI"
        else:
            prefix = "User"
        print(f"{prefix}: {message.content}")

    conn.close()
相关推荐
憨憨睡不醒啊5 分钟前
自从有了Trae，让我实现从 conda 到 uv 的 Python 包管理自由😋😋😋
python·llm·trae
自由鬼6 分钟前
企业在本地部署 Hugging Face后如何微调
人工智能·python·深度学习
没逻辑31 分钟前
深入 Python 性能分析：工具与实战指南
后端·python
带娃的IT创业者31 分钟前
《Python实战进阶》第32集：使用 TensorFlow 构建神经网络
python·神经网络·tensorflow
CodeCraft Studio31 分钟前
Excel处理控件Aspose.Cells指南：如何在不使用 Microsoft Excel 的情况下解锁 Excel 工作表
python·microsoft·excel
这里有鱼汤34 分钟前
一篇文章搞定Python数据分析用到的所有库
后端·python·程序员
这里有鱼汤38 分钟前
Python自动化办公宝典，一篇文章搞定文档处理：PDF、Word、Excel文档全攻略
后端·python·程序员
DoubleKK38 分钟前
python uv 的基础使用
后端·python
qq_3325394544 分钟前
绕过 reCAPTCHA V2/V3：Python、Selenium 指南
javascript·爬虫·python·selenium·算法·网络爬虫
蹦蹦跳跳真可爱5891 小时前
Python----计算机视觉处理（Opencv：图像噪点消除：滤波算法，噪点消除）
人工智能·python·opencv·计算机视觉
热门推荐
01本地化部署AI知识库：基于Ollama+DeepSeek+AnythingLLM保姆级教程02RAG 实践- Ollama+RagFlow 部署本地知识库03DeepSeek各版本说明与优缺点分析04苍穹外卖面试总结05如何在WPS和Word/Excel中直接使用DeepSeek功能06从零安装 LLaMA-Factory 微调 Qwen 大模型成功及所有的坑07LLaMA-Factory DeepSeek-R1 模型 微调基础教程08本地部署DeepSeek教程（Mac版本）09DeepSeek R1本地化部署 Ollama + Chatbox 打造最强 AI 工具10配置Cuttlefish 虚拟 Android 设备