LangChain聊天机器人教程

🤖 LangChain 聊天机器人教程

欢迎来到 LangChain 聊天机器人的世界！🎉 在这个教程中，我们将学习如何使用 LangChain 构建智能聊天机器人，并探索两种不同的消息存储方式。

📚 项目概述

本教程包含两个核心：

基础聊天功能和模型切换 💬
`消息历史存储（内存 vs 云端）📝

🚀 第一部分：基础聊天功能 (chat.py)

🔧 核心组件

1. 环境配置

python 复制代码

import sys
sys.stdout.reconfigure(encoding='utf-8')  # 确保中文输出正常
from dotenv import load_dotenv
load_dotenv()  # 加载环境变量

2. 模型导入

python 复制代码

from langchain_community.chat_models.moonshot import MoonshotChat
from langchain_community.chat_models import ChatZhipuAI
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage

支持的模型：

🌙 MoonshotChat (Kimi模型)
⚡ ChatZhipuAI (智谱GLM模型)

3. 消息类型详解

消息类型	作用	示例
`SystemMessage`	设定AI角色和行为	"你是一名社交媒体运营专家"
`HumanMessage`	用户输入的消息	"你好，介绍一下如何使用YouTube进行视频创作"
`AIMessage`	AI的回复消息	"您需要确定目标受众和内容主题呀主人~"

4. 完整代码解析

apikey可以设置到同级目录下的.env文件中

python 复制代码

# 构建对话历史
messages = [
    SystemMessage("你是一名社交媒体运营专家"),  # 🎭 设定角色
    HumanMessage("你好，介绍一下如何使用YouTube进行视频创作"),  # 👤 用户问题
    AIMessage("您需要确定目标受众和内容主题呀主人~")  # 🤖 AI回复
]

# 初始化模型并获取回复
llm = ChatZhipuAI(model="GLM-4-FlashX-250414")
result = llm.invoke(messages)
print(f"GLM4-FlashX:{result.content}")

🔄 模型切换示例

python 复制代码

# 方式1：使用Moonshot模型
# llm = MoonshotChat(model="kimi-k2-0711-preview")

# 方式2：使用智谱GLM模型
llm = ChatZhipuAI(model="GLM-4-FlashX-250414")

💾 第二部分：消息历史存储 (history.py)

📋 功能介绍

history.py 文件展示了两种消息存储方式：

内存存储 - 临时存储，程序结束后消失 🧠
云端存储 - 使用 Google Firestore 持久化存储 ☁️

🧠 方式一：内存存储（注释部分）

python 复制代码

# 直接存入内存的方式
messages = []  # 简单的列表存储
system_message = SystemMessage("你是一名社交媒体运营专家")
messages.append(system_message)

# 聊天循环
while True:
    query = input("You:")
    if query.lower() == "exit":
        break
    messages.append(HumanMessage(content=query))  # 添加用户消息
    
    result = model.invoke(messages)
    response = result.content
    messages.append(AIMessage(content=response))  # 添加AI回复
    print(f"AI:{response}")

优点： ✅ 简单快速，无需配置
缺点： ❌ 程序重启后历史消失

☁️ 方式二：云端存储（Firestore）

1. 配置参数

python 复制代码

PROJECT_ID = "..."        # 🏗️ Google Cloud项目ID
SESSION_ID = "user_session_new"       # 👤 用户会话ID
COLLECTION_NAME = "chat_history"      # 📁 Firestore集合名称

2. 初始化Firestore客户端

python 复制代码

print("初始化Firestore客户端...")
client = firestore.Client(project=PROJECT_ID)

print("初始化Firestore聊天记录...")
chat_history = FirestoreChatMessageHistory(
    session_id=SESSION_ID,
    collection=COLLECTION_NAME,
    client=client
)

3. 持久化聊天循环

python 复制代码

print("历史聊天记录:", chat_history.messages)  # 📜 显示历史记录

while True:
    query = input("You:")
    if query.lower() == "exit":
        break
    
    # 🔄 自动保存到Firestore
    chat_history.add_message(HumanMessage(content=query))
    
    result = model.invoke(chat_history.messages)
    response = result.content
    
    # 🔄 自动保存AI回复到Firestore
    chat_history.add_message(AIMessage(content=response))
    print(f"AI:{response}")

print("---Message History---")
print(chat_history.messages)  # 📋 显示完整历史

🆚 两种存储方式对比

特性	内存存储 🧠	Firestore存储 ☁️
持久性	❌ 临时	✅ 永久
配置复杂度	✅ 简单	⚠️ 需要配置
跨会话访问	❌ 不支持	✅ 支持
数据安全	⚠️ 易丢失	✅ 云端备份
性能	✅ 快速	⚠️ 网络延迟
成本	✅ 免费	💰 按使用付费

🛠️ 环境配置指南

1. 安装依赖

bash 复制代码

pip install langchain-community
pip install langchain-google-firestore
pip install google-cloud-firestore
pip install python-dotenv

2. 环境变量配置

创建 .env 文件：

env 复制代码

# API密钥配置
ZHIPU_API_KEY=your_zhipu_api_key
MOONSHOT_API_KEY=your_moonshot_api_key

# Google Cloud配置
GOOGLE_APPLICATION_CREDENTIALS=path/to/your/service-account-key.json

3. Google Firestore 设置

创建 Google Cloud 项目 🏗️
启用 Firestore API 🔧
创建服务账户密钥 🔑
下载 JSON 密钥文件 📄

🎯 实际应用场景

🧠 内存存储适用于：

临时对话测试
原型开发
简单的一次性交互

☁️ Firestore存储适用于：

生产环境应用
需要历史记录的客服系统
多用户聊天应用
长期对话分析

🚀 运行示例

运行基础聊天

bash 复制代码

python chat.py

运行带历史记录的聊天

bash 复制代码

python history.py

🎉 总结

通过这个教程，你学会了：

🔧 LangChain基础使用 - 消息类型、模型调用
🔄 模型切换 - 支持多种AI模型
💾 存储策略 - 内存 vs 云端存储
🛠️ 实际部署 - 环境配置和最佳实践

现在你可以根据自己的需求选择合适的存储方式，构建属于自己的智能聊天机器人了！🎊

💡 小贴士： 在开发阶段建议使用内存存储进行快速测试，在生产环境中使用Firestore确保数据安全和持久性。

🔗 相关资源：

祝你编程愉快！🚀✨