大模型学习·第42天：LangChain进阶——自定义函数入链与对话记忆

一、RunnableLambda：自定义函数加入Chain

普通函数不能直接用 | 加入链，需要用 RunnableLambda 包装（也可直接传入lambda，会自动转换）。

python 复制代码

from langchain_core.runnables import RunnableLambda

# 函数接收AIMessage，返回dict
my_func = RunnableLambda(lambda ai_msg: {"name": ai_msg.content})

# 直接传lambda也可以，自动转换
chain = first_prompt | model | (lambda ai_msg: {"name": ai_msg.content}) | second_prompt | model | str_parser

两种入链方式 ：封装为 RunnableLambda 对象再入链，或直接将函数入链自动转换。函数在链中接收上一个组件的输出，返回值传给下一个组件。可以在链中用自定义函数做数据格式转换、打印调试信息等。

二、Memory临时会话记忆

RunnableWithMessageHistory 在原链基础上创建带历史记录的新链，InMemoryChatMessageHistory 在内存中存储历史。

python 复制代码

from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_core.chat_history import InMemoryChatMessageHistory

store = {}

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

conversation_chain = RunnableWithMessageHistory(
    base_chain,                            # 被增强的原链
    get_history,                           # 通过session_id获取历史记录对象
    input_messages_key="input",            # 用户输入在模板中的占位符名
    history_messages_key="chat_history"    # 历史记录在模板中的占位符名
)

# 调用时需传入session_id
session_config = {"configurable": {"session_id": "user_001"}}
res = conversation_chain.invoke({"input": "小明有2个猫"}, session_config)

工作流程 ：每次调用时根据 session_id 获取该用户的历史记录，把历史填入模板的 chat_history 位置，模型结合历史回答问题，新的问答自动追加到历史中。不同 session_id 的历史互不影响。InMemoryChatMessageHistory 存在内存中，重启程序后消失，适合临时测试。

三、Memory长期会话记忆：FileChatMessageHistory

继承 BaseChatMessageHistory，重写三个方法，以 session_id 为文件名存到本地。

python 复制代码

from langchain_core.chat_history import BaseChatMessageHistory

class FileChatMessageHistory(BaseChatMessageHistory):
    def __init__(self, session_id, storage_path):
        self.session_id = session_id
        self.file_path = os.path.join(storage_path, session_id)
        os.makedirs(os.path.dirname(self.file_path), exist_ok=True)

    def add_messages(self, messages):
        all_messages = list(self.messages)
        all_messages.extend(messages)
        new_messages = [message_to_dict(m) for m in all_messages]
        with open(self.file_path, "w", encoding="utf-8") as f:
            json.dump(new_messages, f)

    @property
    def messages(self):
        try:
            with open(self.file_path, encoding="utf-8") as f:
                return messages_from_dict(json.load(f))
        except FileNotFoundError:
            return []

    def clear(self):
        with open(self.file_path, "w", encoding="utf-8") as f:
            json.dump([], f)

只需把 get_history 函数换成 return FileChatMessageHistory(session_id, "./chat_history")，历史记录就能持久化到磁盘文件。@property 装饰器让 messages 方法像属性一样访问。

四、两种记忆方案对比

方案	存储位置	重启后	适用场景
`InMemoryChatMessageHistory`	内存	丢失	临时测试
`FileChatMessageHistory`（自实现）	本地文件	保留	持久化存储

核心流程 ：base_chain（原有链）→ RunnableWithMessageHistory（增强为带记忆的链）→ 调用时传 session_config 指定会话ID。

今日核心总结

RunnableLambda：将自定义函数转为Runnable实例入链，lambda可直接传入
临时记忆 ：RunnableWithMessageHistory + InMemoryChatMessageHistory，按session_id隔离
长期记忆 ：继承 BaseChatMessageHistory，实现文件读写，持久化保存
调用格式 ：invoke时传 {"configurable": {"session_id": "xxx"}}，自动关联历史
调试技巧：链中加入自定义函数print信息，原样返回不破坏业务