短期记忆中ChatMessageHistory()、 InMemoryChatMessageHistory()区别

这两个类在功能上几乎完全一样 （都是将聊天记录存储在程序的内存 RAM 中），它们的核心区别在于所属的代码库 和LangChain 的发展趋势。

简而言之：InMemoryChatMessageHistory 是新版推荐用法，ChatMessageHistory 是旧版遗留用法。

详细对比表

特性	ChatMessageHistory	InMemoryChatMessageHistory
所属库	langchain_community	langchain_core
存储位置	内存	内存
持久化	不支持（程序结束数据丢失）	不支持（程序结束数据丢失）
导入路径	from langchain_community.chat_message_histories import ChatMessageHistory	from langchain_core.chat_history import InMemoryChatMessageHistory
API 接口	.add_message(), .messages	.add_message(), .messages
推荐程度	较低（逐渐被替代）	高（LangChain 官方推荐）

1. ChatMessageHistory (旧版/社区版)

• 来源 ：属于 langchain_community 包。
• 背景 ：这是 LangChain 早期版本中广泛使用的类。LangChain 以前把很多通用实现放在 community 里。
• 缺点 ：为了使用这一个简单的内存存储功能，你可能需要安装整个 langchain-community 库（虽然你通常已经安装了），这在架构上不够轻量。

2. InMemoryChatMessageHistory (新版/核心版)

• 来源 ：属于 langchain_core 包。
• 背景 ：随着 LangChain 架构的升级，官方将最核心、最基础的接口和实现移动到了 langchain-core 中。
• 优点 ：
  • 更加轻量，不依赖社区包。
  • 命名更清晰（InMemory 明确表示是在内存中）。
  • 官方现在的文档和教程主要推荐使用这个。

代码替换演示

如果你现在的代码是这样的（旧写法）：

from langchain_community.chat_message_histories import ChatMessageHistory

store = {}

def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()  # 旧版
    return store[session_id]

建议修改为（新写法）：

from langchain_core.chat_history import InMemoryChatMessageHistory  # 注意引入的变化

store = {}

def get_session_history(session_id: str):
    if session_id not in store:
        # 使用新版，功能完全一样
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]

什么时候用哪个？

1. 在新项目中 ：直接使用 InMemoryChatMessageHistory。这是未来的标准。
2. 在旧项目维护中 ：如果你的代码已经在用 ChatMessageHistory 并且工作正常，不需要急着改。两者在功能上没有区别，不会影响运行结果。
3. 关于持久化 ：
   • 如果你需要聊天记录保存到数据库（如 Redis, PostgreSQL, SQLLite），这两个类都不能用。
   • 你需要使用 langchain_community 中的具体实现，例如 RedisChatMessageHistory 或 PostgresChatMessageHistory。

总结

• 功能：没区别。
• 趋势 ：用 InMemoryChatMessageHistory (from langchain_core)。

示例：

from langchain_ollama import ChatOllama
from langchain_core.tools import tool
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_core.chat_history import InMemoryChatMessageHistory


# ================== 工具定义 ==================
@tool
def get_weather(city: str):
    """获取指定城市的天气。输入必须是城市名称（如 "北京"）。"""
    weather = {"北京": "晴天30度", "成都": "晴天32度"}
    return weather.get(city.strip(), f"{city}天气未知")


@tool
def calculate_expression(expression: str):
    """计算数学表达式，例如 '30 * 9 / 5 + 32'。仅支持基本算术运算。"""
    try:
        # 注意：eval 有安全风险，生产环境请用 simpleeval
        result = eval(expression)
        return str(result)
    except Exception as e:
        return f"计算错误: {e}"


# ================== LLM 与 Agent ==================
# 使用支持 function calling 的模型
model = ChatOllama(model="qwen3:8b", base_url="http://localhost:11434", temperature=0.2)

tools = [get_weather, calculate_expression]

# 构建 prompt（必须包含 agent_scratchpad）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个智能助手，可以调用工具回答问题。请利用对话历史理解上下文。"),
    MessagesPlaceholder("chat_history"),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad")  # 必需：记录工具调用过程
])

# 创建 Tool-Calling Agent
agent = create_tool_calling_agent(model, tools, prompt)

# 创建执行器（不传 memory！）
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    verbose=True,
    handle_parsing_errors=True,
    max_iterations=3
)

# ================== 添加会话记忆 ==================
store = {}


def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = InMemoryChatMessageHistory()
    return store[session_id]


# 包装成带历史的 Runnable
agent_with_memory = RunnableWithMessageHistory(
    runnable=agent_executor,
    get_session_history=get_session_history,
    input_messages_key="input",
    history_messages_key="chat_history",
    # 注意：Tool-Calling Agent 不直接使用 chat_history，但 RunnableWithMessageHistory 会自动注入 Human/AI 消息
)

# ================== 测试多轮对话 ==================
if __name__ == "__main__":
    session_id = "user_abc"

    result0 = agent_with_memory.invoke(
        {"input": "北京天气如何?如果温度是30度，转成华氏度是多少?"},
        # {"input": "北京天气如何?"},
        config={"configurable": {"session_id": session_id}}
    )
    print(result0["output"])

    # # 第一轮：问天气
    # result1 = agent_with_memory.invoke(
    #     {"input": "北京天气怎么样？"},
    #     config={"configurable": {"session_id": session_id}}
    # )
    # print("第一轮:", result1["output"])
    #
    # # 第二轮：基于上文问温度转换（依赖"30度"来自上文）
    # result2 = agent_with_memory.invoke(
    #     {"input": "那30摄氏度等于多少华氏度？"},
    #     config={"configurable": {"session_id": session_id}}
    # )
    # print("第二轮:", result2["output"])