【零基础入门 LLM 开发 · Day 13】：LangChain 的对话记忆——Message 对象版

【零基础入门 LLM 开发 · Day 13】：LangChain 的对话记忆------Message 对象版

和 Day 6 是什么关系？

原理一模一样：还是那个"历史列表 + 全量发送"的套路。区别只是------

Day 6（原生 SDK）：历史是字典列表 [{"role": "user", ...}, ...]
今天（LangChain）：历史是对象列表 [HumanMessage(...), AIMessage(...), ...]

框架没变魔术，只是给了你更体面的写法。

完整代码

python 复制代码

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage

load_dotenv()

llm = ChatOpenAI(
    model=os.getenv("YUMC_MODEL_NAME"),
    api_key=os.getenv("YUMC_MODEL_API_KEY"),
    base_url=os.getenv("YUMC_MODEL_BASE_URL"),
)

# 历史列表：用 SystemMessage 开场定人设
history = [SystemMessage(content="你是一个友好的AI助手，请记住用户告诉你的所有事情。")]


def chat(user_input):
    # 1. 把用户的新问题加到历史中
    history.append(HumanMessage(content=user_input))
    # 2. 把整个历史发给大模型
    response = llm.invoke(history)
    # 3. 把大模型的回复也加到历史中
    history.append(AIMessage(content=response.content))
    return response.content


print("-----多轮对话测试-----")
print("你：", "我叫小明，我最喜欢吃火锅。")
print("AI:", chat("我叫小明，我最喜欢吃火锅。"))

print("你：", "你还记得我叫什么名字嘛？我最爱吃什么？")
print("AI:", chat("你还记得我叫什么名字嘛？我最爱吃什么？"))

三种消息对象对照表

LangChain 对象	等价的原生字典	谁在说话
`SystemMessage`	`{"role": "system", ...}`	导演（人设/规矩）
`HumanMessage`	`{"role": "user", ...}`	用户
`AIMessage`	`{"role": "assistant", ...}`	AI

llm.invoke() 既接受字符串（单轮快速调用），也接受消息列表（多轮记忆），今天用的是后者。

这次代码比 Day 6 好在哪？

封装成 chat() 函数：记忆逻辑收进一个函数，调用方不用关心实现细节；
类型化的消息对象 ：HumanMessage(content=...) 比 {"role": "user", "content": ...} 少打字、有补全、拼错角色名会立刻报错（字典写错 role 只会静默失败）；
为后续铺路：Day 14 的链式调用、Day 17 的 Agent 消息管理，都基于这套对象体系。

运行效果

复制代码

-----多轮对话测试-----
你： 我叫小明，我最喜欢吃火锅。
AI: 你好小明！火锅爱好者你好呀，你最喜欢哪种锅底呢？
你： 你还记得我叫什么名字嘛？我最爱吃什么？
AI: 当然记得，你叫小明，你最喜欢吃火锅。

今日踩坑点

漏了第 3 步 append AIMessage：Day 6 的老坑，换了框架照样栽。症状：AI 只记得你说的，不记得自己答过的。
history 是全局变量：练习阶段无所谓；真实项目里每个用户/每个会话要独立一份历史（或交给 LangGraph 的 checkpointer 这类组件管理）。
把字符串直接 append 进历史 ：history.append("你好") 会报错，历史里只能放消息对象。

今日小练习

必做：把 chat() 改造成 while True 交互循环（参考 Day 6 的 quit 逻辑），并结合 Day 12 的 .stream() 做流式回复。
进阶：写一个 trim_history(max_rounds=5) 函数，保留 SystemMessage + 最近 5 轮，控制历史长度。

明日预告

Day 14：让 AI 的输出从"人话"变成"机器能用的 JSON"------结构化输出，提测数据提取、API 联动的第一步。这里埋着本系列最大的一个语法坑。

附录：完整练习代码

memoryTest.py

python 复制代码

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage

load_dotenv()

llm = ChatOpenAI(
    model=os.getenv("YUMC_MODEL_NAME"),
    api_key=os.getenv("YUMC_MODEL_API_KEY"),
    base_url=os.getenv("YUMC_MODEL_BASE_URL"),
)

history = [SystemMessage(content="你是一个友好的AI助手，请记住用户告诉你的所有事情。")]


def chat(user_input):
    # 1.把用户的新问题加到历史中
    history.append(HumanMessage(content=user_input))
    # 2.把整个历史发给大模型
    response = llm.invoke(history)

    # 3. 把大模型的回复也加到历史中
    history.append(AIMessage(content=response.content))

    return response.content


print("-----多轮对话测试-----")
print("你：", "我叫小明，我最喜欢吃火锅。")
print("AI:", chat("我叫小明，我最喜欢吃火锅。"))

print("你：", "你还记得我叫什么名字嘛？我最爱吃什么？")
print("AI:", chat("你还记得我叫什么名字嘛？我最爱吃什么？"))