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:

  1. 内存存储 - 临时存储,程序结束后消失 🧠
  2. 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

  1. 创建 Google Cloud 项目 🏗️
  2. 启用 Firestore API 🔧
  3. 创建服务账户密钥 🔑
  4. 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:

  1. 🔧 LangChain基础使用 - 消息类型、模型调用
  2. 🔄 模型切换 - 支持多种AI模型
  3. 💾 存储策略 - 内存 vs 云端存储
  4. 🛠️ 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!🚀✨

相关推荐
打码人的日常分享12 小时前
运维服务方案,运维巡检方案,运维安全保障方案文件
大数据·运维·安全·word·安全架构
半夏陌离14 小时前
SQL 拓展指南:不同数据库差异对比(MySQL/Oracle/SQL Server 基础区别)
大数据·数据库·sql·mysql·oracle·数据库架构
A小弈同学16 小时前
新规则,新游戏:AI时代下的战略重构与商业实践
大数据·人工智能·重构·降本增效·电子合同
字节跳动数据平台17 小时前
一客一策:Data Agent 如何重构大模型时代的智能营销?
大数据·agent
用户Taobaoapi201418 小时前
京东图片搜索相似商品API开发指南
大数据·数据挖掘·数据分析
镭眸18 小时前
因泰立科技:用激光雷达重塑智能工厂物流生态
大数据·人工智能·科技
南山二毛20 小时前
机器人控制器开发(传感器层——奥比大白相机适配)
数码相机·机器人
IT研究室20 小时前
大数据毕业设计选题推荐-基于大数据的贵州茅台股票数据分析系统-Spark-Hadoop-Bigdata
大数据·hadoop·spark·毕业设计·源码·数据可视化·bigdata
Lx35221 小时前
Hadoop异常处理机制:优雅处理失败任务
大数据·hadoop
小嵌同学1 天前
Linux:malloc背后的实现细节
大数据·linux·数据库