基于LangChain的带摘要存储对话系统实战-CSDN博客

本文链接：https://blog.csdn.net/qq_30294911/article/details/148856014

构建具备长期记忆能力的智能对话系统，是当今AI应用开发中的核心技术挑战。本文将带您深入探索基于LangChain框架的摘要存储对话系统实现方案，解决传统对话系统面临的上下文丢失和记忆冗余问题。
通过采用ConversationSummaryMemory机制，系统能够将冗长的对话历史智能压缩为简洁摘要，既保留关键上下文信息，又避免token消耗的过度增长。文章将详细剖析LCEL表达式的链式组合机制，展示如何通过RunnablePassthrough实现动态变量注入，确保历史摘要信息在数据处理管道中的正确传递。
实战代码涵盖了从大模型集成到记忆管理的完整技术栈，特别针对变量名一致性和手动上下文保存这两个关键技术细节进行深入解析。为什么LCEL实现需要手动调用save_context方法，而LLMChain却能自动保存？这个看似简单的差异背后，实际反映了两种架构设计理念的根本分歧。
文章还将对比分析LCEL与LLMChain在记忆管理、链式组合和调试监控方面的差异，帮助开发者根据具体场景选择合适的技术方案。

系统概述

在构建智能对话系统时，记忆管理是核心挑战之一。传统的对话系统往往面临上下文丢失或历史信息冗余的问题。本文将深入探讨如何基于LangChain框架构建一套高效的带摘要存储对话系统，通过智能摘要机制实现长期记忆管理。

核心技术架构

系统组件解析

本实战案例采用模块化设计，主要包含以下核心组件：

大模型集成层：负责与通义千问模型的通信接口，处理自然语言理解和生成任务。

记忆管理层：通过ConversationSummaryMemory实现对话历史的智能摘要和存储。

链式处理层：基于LCEL表达式构建灵活的数据处理管道。

提示词模板层：确保输入格式的标准化和上下文信息的有效传递。

完整实现代码

from langchain.memory import ConversationSummaryMemory 
from langchain_openai import ChatOpenAI 
from langchain_core.runnables import RunnablePassthrough 
from langchain_core.output_parsers import StrOutputParser 
from langchain_core.prompts import ChatPromptTemplate 
from langchain.chains import LLMChain

# 初始化大模型配置
llm = ChatOpenAI(
    model_name="qwen-plus",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
    temperature=0.7
)

# 初始化摘要记忆模块
memory = ConversationSummaryMemory(
    llm=llm,
    return_messages=True,
    memory_key="chat_history"  # 确保与提示词模板中的变量名保持一致
)

# 定义提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个智能助手，你的名字是AI小助手。需要基于历史对话回答问题，当前摘要信息：{chat_history}"),
    ("user", "{input}")
])

# 构建LCEL表达式链
chain = (
    RunnablePassthrough.assign(
        chat_history=lambda *_: memory.load_memory_variables({})['chat_history']
    )
    | prompt
    | llm
    | StrOutputParser()
)

# 测试对话序列
user_inputs = [
    "你是敲键盘的小夜猫，现在是一个CSDN的博主，请用中文回答问题",
    "人工智能的定义是什么？",
    "人工智能的起源是什么？",
    "人工智能的发展历程是什么？",
    "人工智能的应用领域有哪些？",
    "人工智能的未来发展趋势是什么？",
    "人工智能的发展前景如何？",
    "人工智能的发展挑战有哪些？",
]

# 执行对话循环
for query in user_inputs:
    response = chain.invoke({"input": query})
    print(f"用户提问：{query}")
    print(f"AI回答：{response}")
    print("-" * 50)
    
    # 手动保存对话上下文（LCEL链式调用必需步骤）
    memory.save_context({"input": query}, {"output": response})
    print(f"当前摘要：{memory.load_memory_variables({})['chat_history']}")
    print("=" * 80)