你的 AI 为什么总答非所问？缺的不是智商，是“记忆系统”

用 LangChain 实现有记忆的多轮对话：给 AI 配一个"数字笔记本"

大模型像一位健忘的天才------聪明但记不住事。而 LangChain，就是它的专属笔记本和秘书。

在构建聊天机器人时，我们常遇到一个尴尬场景：

你刚告诉 AI "我叫田晨枫"，下一秒问"我叫什么"，它却一脸茫然。

这不是它笨，而是大模型天生"无状态" ------每次对话都像第一次见面。

要让它记住你，我们需要一套机制：记录、携带、更新你的对话历史。

LangChain 正是为此而生。下面，我们通过代码 + 比喻，一步步搭建这个"记忆系统"。

---

一、问题演示：没有笔记本的"健忘天才"

const model = new ChatDeepSeek({
    model:'deepseek-chat',
    temperature:0,
});

const res = await model.invoke('我叫田晨枫，喜欢吃鸡腿饭')
console.log(res.content);

console.log('---------------');

const res2 = await model.invoke('我叫什么名字')
console.log(res2.content);

🧠 大模型：没有笔记本的演讲者

想象一位演讲者站在台上：

• 第一次上台说："我是田晨枫。"
• 下台后，没人给他发讲稿。
• 第二次上台，他只能凭空回忆："刚才我说啥了？"

大模型就是这样------每次调用都是全新开始，除非你主动把"讲稿"（历史）塞给它。

---

二、手动维护历史：你自己当秘书

let chatHistory = [];

chatHistory.push(new HumanMessage('我叫田晨枫...'));
const aiReply = await model.invoke(chatHistory);
chatHistory.push(aiReply);

// 下次再调用时带上整个 chatHistory

📝 你亲自当秘书

• 你拿个小本本（chatHistory 数组）
• 每次用户说话，你记下来
• 每次 AI 回答，你也记下来
• 下次提问前，把整本笔记递给 AI

✅ 能工作，但：

• 多用户？你得准备多个本子，并贴上标签（user_a, user_b...）
• 聊100轮？本子越来越厚，AI 看得眼花（Token 爆炸）

太累了！我们需要一个自动化的秘书。

---

三、LangChain 登场：给 AI 配一个智能秘书

LangChain 的 RunnableWithMessageHistory 就是这位秘书。我们来配置它：

步骤 1：设计"对话模板"------规定怎么读笔记

import { ChatDeepSeek } from '@langchain/deepseek';
import{ChatPromptTemplate} from '@langchain/core/prompts';
// 带上历史记录的可运行对象
import { RunnableWithMessageHistory } from '@langchain/core/runnables';
// 内存中的对话历史记录
import { InMemoryChatMessageHistory } from '@langchain/core/chat_history';
import'dotenv/config';

const prompt = ChatPromptTemplate.fromMessages([
  ['system', '你是一个有记忆的助手'],
  ['placeholder', '{history}'], // ← 秘书在这里插入笔记内容
  ['human', '{input}']
]);

📖 会议议程模板

就像一场会议的固定流程：

1. 主持人开场（system）
2. 回顾上次会议纪要（{history}）
3. 讨论新议题（{input}）

{history} 就是预留的"纪要插入位"。

---

步骤 2：组装基础工作流

const runnable =prompt
.pipe((input) =>{ //debug 节点
    console.log(">>> 最终传给模型的信息（Prompt 内存）");
     console.log(input);
     return input;
})
.pipe(model);

这里我们手动添加了一个用于debug的节点，实际上它只是用来查看我们最终传给大模型的是什么。

它等价于下面这段代码

const runnable = prompt.pipe(model);

⚙️ 核心工作台

这是 AI 的"办公桌"：

• 左边放议程模板（prompt）
• 右边连着大脑（model）
  但还没配秘书，所以不会自动填纪要。

---

步骤 3：准备"笔记本"------历史存储

const messageHistory = new InMemoryChatMessageHistory();

📓 一个空白笔记本

这是秘书用来记对话的本子。

目前是"通用本子"------所有用户共用（后面我们会升级为每人一本）。

---

步骤 4：雇佣"智能秘书"------RunnableWithMessageHistory

const chain = new RunnableWithMessageHistory({
  runnable,                  // ← 把办公桌交给秘书
  getMessageHistory: async () => messageHistory, // ← 告诉秘书去哪拿笔记本
  inputMessagesKey: 'input',     // ← 用户当前说的话叫 "input"
  historyMessagesKey: 'history'  // ← 笔记内容注入到模板的 "history" 位置
});

👨‍💼 正式聘用秘书

你对秘书说：

• "这是你的工作台（runnable）"
• "笔记本在这儿（messageHistory）"
• "用户当前问题叫 input，上次的笔记叫 history，按模板填好就行"

这里就是对runable进行了重新包装:

• getMessageHistory告诉它应该调用哪个历史对话(每段对话会有对话id，我们这里使用了同一个历史对话)
• inputMessagesKey用来记录当前用户说的话
• historyMessagesKey 将历史对话插入到对应位置 对于我们设定的模板你就理解了:

const prompt = ChatPromptTemplate.fromMessages([
  ['system', '你是一个有记忆的助手'],
  ['placeholder', '{history}'], // ← 插入的历史对话
  ['human', '{input}']//<- 用户输入
]);

而当我们反复提问时就会变成这样

[
  SystemMessage("你是一个有记忆的助手"),
  //对应的历史对话插入
  HumanMessage("我叫田晨枫，喜欢吃鸡腿饭"),
  AIMessage("好的，田晨枫！..."),
  //用户的提问
  HumanMessage("我叫什么名字")
]

从此，你只需说"问 AI 一个问题" ，秘书会自动：

1. 打开笔记本，读取历史
2. 按模板整理成完整议程
3. 交给 AI 处理
4. 把新对话记回笔记本

---

步骤 5：使用------你只需提问题！

await chain.invoke({ input: '我叫田晨枫...' });
await chain.invoke({ input: '我叫什么名字？' }); // ✅ 正确回答！

💬老板只管下指令**

你作为老板，只需说："帮我问 AI 我叫什么？"

秘书默默完成所有幕后工作，你甚至不用知道笔记本的存在。

---

四、升级：给每位用户配专属笔记本（多会话支持）

之前的笔记本是公用的。现在，我们让秘书管理多个带标签的笔记本：

const sessionStore = new Map(); // ← 一个文件柜，每个抽屉贴了标签

const getMessageHistory = async (sessionId) => {
  if (!sessionStore.has(sessionId)) {
    // 如果没这个用户的笔记本，就新建一本
    sessionStore.set(sessionId, new InMemoryChatMessageHistory());
  }
  return sessionStore.get(sessionId); // ← 返回对应笔记本
};

// 调用时指定用户 ID
await chain.invoke(
  { input: '我叫张三' },
  { configurable: { sessionId: 'user_zhang' } } // ← "请用张三的笔记本！"
);

🗂️ 带标签的文件柜

• 文件柜（sessionStore）里有很多抽屉
• 每个抽屉贴着用户 ID 标签（sessionId）
• 秘书根据你提供的标签，取出对应的笔记本
• 张三和李四的对话完全隔离，互不干扰

---

五、防止笔记本太厚：自动清理旧记录

聊得越多，笔记本越厚。长期下去：

• AI 阅读困难（上下文太长）
• 成本飙升（Token 按字数计费）

解决方案：让秘书定期清理旧页

const MAX_MESSAGES = 6; // 只保留最近 3 轮对话（6 条消息）

const getMessageHistory = async (sessionId) => {
  let history = sessionStore.get(sessionId) || new InMemoryChatMessageHistory();
  
  const messages = await history.getMessages();
  if (messages.length > MAX_MESSAGES) {
    // 清空笔记本，只抄写最后几页
    await history.clear();
    for (const msg of messages.slice(-MAX_MESSAGES)) {
      await history.addMessage(msg);
    }
  }
  
  sessionStore.set(sessionId, history);
  return history;
};

✂️ 秘书的"精简笔记"习惯

秘书有个规矩：

• 笔记本超过 6 页，就撕掉前面的
• 只保留最近 3 轮对话（足够理解上下文）
• 既节省空间，又不影响工作

---

六、总结：LangChain 的记忆系统全景图

组件	比喻	作用
ChatPromptTemplate	会议议程模板	规定如何组织上下文
{history} 占位符	"上次会议纪要"位置	历史消息插入点
InMemoryChatMessageHistory	笔记本	存储对话记录
getMessageHistory	文件柜管理员	根据用户 ID 分发笔记本
RunnableWithMessageHistory	智能秘书	自动读写笔记、组装请求
sessionId	用户标签	区分不同用户的笔记本

---

大模型本身没有记忆，就像一位才华横溢却健忘的演讲者------每次登台都像初次见面。

而 LangChain 并没有改变模型的本质，而是在它身边搭建了一套完整的记忆支持系统：

• 用模板定义记忆格式（Prompt）
• 用存储承载记忆内容（MessageHistory）
• 用会话机制隔离记忆边界（sessionId）
• 用自动包装实现记忆流转（RunnableWithMessageHistory）

更重要的是，这套系统是可插拔、可扩展、可控制的 ：

你可以轻松替换内存存储为 Redis，可以加入自动摘要压缩长对话，也可以设定最大轮数防止 Token 膨胀。

真正的"AI 记忆"，从来不是模型自己记住什么，而是我们为它构建了一个恰到好处的记忆环境。

LangChain 提供的，正是这样一套让记忆变得简单、可靠又高效的工程化方案。