引言

在现代AI应用中，能够记住对话历史的聊天系统变得越来越重要。无论是客服机器人、个人助手还是技术咨询系统，上下文记忆能力都是提升用户体验的关键。本文将介绍如何使用DeepSeek API和LangChain框架，构建一个具有记忆功能的对话系统。

技术栈概览

我们主要使用以下工具：

• DeepSeek API：国内领先的大语言模型服务
• LangChain：用于构建基于LLM的应用程序的框架
• 内存存储：简单的对话历史记录方式

环境准备

首先确保已安装必要的Python库：

pip install langchain-openai langchain-core

代码解析

1. 初始化DeepSeek模型

model = ChatOpenAI(
    model_name="deepseek-chat",
    openai_api_key=os.getenv("DEEPSEEK_API_KEY"), # 需要你提前准备好 api key
    openai_api_base="https://api.deepseek.com/v1"
)

这里我们配置了DeepSeek的聊天模型，API密钥从环境变量获取，确保安全性。

2. 构建对话模板

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级技术专家"), # 随便啦
    MessagesPlaceholder(variable_name="history"),
    ("user", "{input}")
])

这个模板定义了对话结构：

1. 系统角色设定：将AI设为"世界级技术专家"
2. 历史消息占位符：用于插入之前的对话
3. 用户输入：最新的用户消息

3. 创建可运行链

runnable = prompt | model

使用LangChain的管道操作符(|)将提示模板和模型连接起来，形成一个可执行的链。

4. 实现对话历史存储

store = {}

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

我们使用内存中的字典来存储不同会话的历史记录，每个会话ID对应一个独立的历史记录。

5. 添加历史记录功能

with_message_history = RunnableWithMessageHistory(
    runnable=runnable,
    get_session_history=get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)

RunnableWithMessageHistory包装器为我们的链添加了历史记录功能，自动管理对话上下文的存储和检索。

6. 测试对话系统

# 第一次对话
response = with_message_history.invoke(
    {
        "session_id": "123",
        "input": "我是 Bob",
    },
    config={"configurable": {"session_id": "123"}}
)

# 第二次对话，测试记忆功能
response1 = with_message_history.invoke(
    {
        "session_id": "123",
        "input": "你知道我的名字吗？",
    },
    config={"configurable": {"session_id": "123"}}
)

print(response1.content)

应用场景

这种带记忆的对话系统可用于：

• 个性化客服：记住用户偏好和历史问题
• 教育辅导：跟踪学习进度和之前的错误
• 技术咨询：保持复杂问题的上下文
• 心理辅导：建立连续的对话关系

进阶优化

1. 持久化存储：将内存存储替换为数据库，如Redis或MongoDB
2. 记忆窗口：限制记忆的对话轮数，避免上下文过长
3. 记忆摘要：对长对话生成摘要而非存储全部内容
4. 多模态记忆：扩展支持图像、文件等更多类型的记忆

完整代码

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI
from langchain_core.chat_history import BaseChatMessageHistory, InMemoryChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory
import os

# 初始化DeepSeek模型
model = ChatOpenAI(
    model_name="deepseek-chat",
    openai_api_key=os.getenv("DEEPSEEK_API_KEY"),
    openai_api_base="https://api.deepseek.com/v1"
)

# 构建对话模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是世界级技术专家"),
    MessagesPlaceholder(variable_name="history"),
    ("user", "{input}")
])

# 创建可运行链
runnable = prompt | model

# 实现对话历史存储
store = {}

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

# 添加历史记录功能
with_message_history = RunnableWithMessageHistory(
    runnable=runnable,
    get_session_history=get_session_history,
    input_messages_key="input",
    history_messages_key="history",
)

# 测试对话
response = with_message_history.invoke(
    {"session_id": "123", "input": "我是 Bob"},
    config={"configurable": {"session_id": "123"}}
)

response1 = with_message_history.invoke(
    {"session_id": "123", "input": "你知道我的名字吗？"},
    config={"configurable": {"session_id": "123"}}
)

print(response1.content)

结语

通过DeepSeek API和LangChain框架，我们轻松构建了一个具有记忆功能的对话系统。这种架构不仅适用于简单的聊天应用，还可以扩展为复杂的企业级解决方案。随着DeepSeek模型的不断升级，开发者可以期待更强大的上下文理解和记忆能力。

希望这篇技术博客能帮助你快速上手构建带记忆的AI对话系统！