一、核心技术知识点梳理
1、什么是“存储系统”？内存和外部存储的区别？（聊天记录存哪里）
（1）存储系统：就是“保存数据的地方”，比如我们电脑的“文件夹”（本地存储）、U盘（外部存储），还有示例中用到的 Redis、MongoDB（都是“数据库”，专门用来高效保存和读取数据）。
（2）内存（临时存储）：相当于电脑的“临时记事本”，用来存放正在使用的数据。比如我们打开一个文档，文档内容会暂时存在内存里，一旦关闭文档、重启电脑，内存里的内容就没了（对应 LangChain 中的InMemoryChatMessageHistory）。
（3）外部存储（持久化存储）：相当于电脑的“硬盘”“U盘”，用来永久保存数据。比如我们把文档保存到硬盘，即使重启电脑，文档还在（对应 LangChain 中的 Redis、MongoDB、PostgreSQL 等）。
✅ 简单理解：保存聊天记录，用“内存”就是“临时记住”，重启就忘；用“外部存储”就是“永久记住”，下次打开还能看到之前的聊天内容。
2、保存聊天记录的核心意义
聊天机器人保存聊天记录，就像我们和朋友聊天时“记住之前说过的话”，核心作用有两个，非常好理解：
1、实现“多轮对话”：比如你问机器人“你是谁？”，机器人回答“我是你的AI助手”；然后你说“请重复一次”，机器人能记住上一句的回答，重复“我是你的AI助手”。如果不保存聊天记录，机器人会忘记上一句，不知道你让它“重复什么”。
2、实现“聊天记录检索”：比如你和机器人聊了很多内容，后面想回顾“你之前说的某个知识点”，机器人可以通过保存的聊天记录，快速找到并回复你，不用你重新输入。
简单说：不保存聊天记录，机器人就是“健忘症”；保存了，机器人就是“有记忆的朋友”。
二、LangChain 中聊天记录保存的核心类体系
LangChain 为了让我们“快速保存聊天记录”，提供了现成的“类模板”，我们只要拿来用就好。核心分为“父类”和“子类”，就像“动物”（父类）和“猫、狗”（子类）——猫和狗都有动物的基本特征（会呼吸、会动），还多了自己的专属特征（猫会抓老鼠、狗会叫）。
1. 父类：BaseChatMessageHistory（所有保存方式的“基础模板”）
这个类是 LangChain 专门设计的“聊天记录保存基础模板”，它定义了所有保存方式都要有的“基本功能”，比如：
- 添加用户消息（比如“你是谁？”）
- 添加AI消息（比如“我是你的AI助手”）
- 获取所有历史消息（查看之前的聊天记录）
- 清空消息（删除所有聊天记录）
✅ 简单理解：这个父类就像“所有存储聊天记录工具的通用模板”，后续不管是“内存保存”“Redis保存”“MongoDB保存”，都是在这个模板的基础上，增加了自己的“专属功能”（比如 Redis 保存能“永久存储”，内存保存只能“临时存储”）。
⚠️ 注意：这个父类只是“模板”，不能直接用（就像“动物”这个模板，不能直接拿来当宠物），我们需要用它的“子类”（具体的保存工具）。
2. 默认实现：InMemoryChatMessageHistory（内存存储）
这是 LangChain 默认提供的“聊天记录保存工具”，是BaseChatMessageHistory的“子类”，专门用来“临时保存聊天记录”，优点是：不用安装任何额外依赖，拿来就能用，适合入门调试（比如测试聊天逻辑）。
（1）核心用法（完整代码示例+逐行拆解+运行流程）
# 第一步：导入“内存保存聊天记录”的工具（从LangChain的核心模块里拿） # langchain_core.chat_history 是LangChain专门存放“聊天记录相关工具”的地方 # InMemoryChatMessageHistory 就是我们要用到的“内存保存工具” from langchain_core.chat_history import InMemoryChatMessageHistory # 第二步：实例化工具（造一个能保存聊天记录的“容器”） # history 就是这个“容器”的名字，我们后续所有的聊天记录操作，都通过这个“容器”来做 # InMemoryChatMessageHistory() 就是“用内存保存模板，造一个具体的容器” history = InMemoryChatMessageHistory() # 第三步：第一轮聊天（完整流程：用户发消息 → 机器人回应 → 保存回应） # 1. 给“容器”添加用户消息（就是我们说的话） # add_user_message() 是“容器”的功能，专门用来添加用户说的话 history.add_user_message("你是谁？") # 括号里就是用户说的内容 # 2. 调用大模型（机器人的大脑），让它根据历史消息（目前只有用户的“你是谁？”）生成回应 # llm 是我们之前配置好的“大模型对象”（后面会讲怎么配置，这里先知道它是“大脑”即可） # llm.invoke() 是“大脑”的功能，专门用来接收指令、生成回应 # history.messages 是“容器”里的所有历史消息（目前只有用户的消息） aimessage = llm.invoke(history.messages) # 让大脑根据用户消息，生成回应，并存到aimessage里 # 3. 打印AI的回应（看看机器人说了什么） print(aimessage.content) # aimessage.content 就是机器人回应的具体内容 # 4. 把机器人的回应，也保存到“容器”里（这样“容器”里就有用户和机器人的消息了） history.add_message(aimessage) # add_message() 可以添加任何消息（用户/AI） # 第四步：第二轮聊天（依赖上一轮的聊天记录，体现“有记忆”） # 1. 给“容器”添加用户的第二次消息（“请重复一次”） history.add_user_message("请重复一次") # 此时“容器”里已有：用户1、AI1的消息 # 2. 再次调用大模型，此时大脑会读取“容器”里的所有历史消息（用户1、AI1） # 所以大脑知道，用户让“重复”的是上一轮AI说的话 aimessage2 = llm.invoke(history.messages) # 3. 打印第二轮AI的回应（应该是重复上一轮的回答） print(aimessage2.content) # 4. 把第二轮AI的回应，也保存到“容器”里 history.add_message(aimessage2) # 第五步：可选操作（打印所有历史聊天记录，看看“容器”里存了什么，方便调试） # 注释掉的代码，取消注释（删除前面的#）就能运行 # print("Chat History:") # 打印“聊天记录”这几个字，方便区分 # for message in history.messages: # 循环遍历“容器”里的所有消息 # # 打印消息类型（是用户发的，还是AI发的）和消息内容 # # type(message).__name__ 能显示消息类型（比如HumanMessage=用户，AIMessage=AI） # print(f"{type(message).__name__}: {message.content}")（2）代码运行流程
1、准备阶段：导入工具 → 造一个“内存容器”（history），此时容器是空的；
2、第一轮聊天：
- 给容器加用户消息：“你是谁？”（容器里现在有1条消息：用户1）；
- 调用大模型：大脑读取容器里的用户1消息，生成回应（比如“我是你的AI助手”），存到aimessage里；
- 打印回应：在屏幕上显示AI说的话；
- 保存AI回应：把aimessage（AI1）加到容器里（容器里现在有2条消息：用户1、AI1）；
3、第二轮聊天：
- 给容器加用户消息：“请重复一次”（容器里现在有3条消息：用户1、AI1、用户2）；
- 调用大模型：大脑读取容器里的3条消息，知道用户2是让重复AI1的话，所以生成重复的回应，存到aimessage2里；
- 打印回应：在屏幕上显示AI重复的话；
- 保存AI回应：把aimessage2（AI2）加到容器里（容器里现在有4条消息：用户1、AI1、用户2、AI2）；
4、可选操作：打印容器里的所有消息，能清晰看到每一条聊天记录的类型和内容。
（3）局限性
这种“内存存储”的方式，最大的问题就是“临时存储”，就像我们在纸上写东西，一擦就没了：
- 只要你关闭运行代码的窗口、重启电脑，或者重新运行代码，这个“history容器”就会被重新创建，里面的所有聊天记录都会消失；
- 适合场景：调试代码（比如测试聊天逻辑对不对），不适合真正的使用（比如做一个能长期用的聊天机器人，用户下次打开还能看到之前的聊天记录）。
三、持久化存储：基于外部存储系统的扩展实现
既然内存存储“重启就忘”，那我们就用“外部存储系统”（比如 Redis、MongoDB）来保存聊天记录，实现“持久化存储”——不管你重启电脑、关闭窗口，聊天记录都能一直保存，下次打开还能读取。
LangChain 非常贴心，针对不同的外部存储系统，都提供了对应的“保存工具”（都是BaseChatMessageHistory的子类），而且用法和“内存存储”几乎一样，只要替换一下“容器”（history）的实现类，核心聊天逻辑完全不用改，也能轻松切换。
1. 目前支持的主流外部存储系统（了解即可，重点学Redis）
LangChain 支持很多外部存储系统，结合官方文档（https://python.langchain.com/docs/integrations/memory/），主流的有：
- Redis：高性能、操作简单，适合入门，适合高频访问的场景（比如聊天机器人）；
- MongoDB：适合存储结构化/半结构化的聊天记录，支持复杂查询（比如按时间筛选聊天记录）；
- PostgreSQL：适合需要“事务支持”的场景（比如多个人同时聊天，确保聊天记录不混乱），数据一致性高；
- MySQL：和 PostgreSQL 类似，也是关系型数据库，适合有数据库基础的。
✅ 建议：先学 Redis，操作最简单，容易上手，学会后再学其他存储系统，逻辑都差不多。
2. 重点示例：基于 Redis 实现聊天记录持久化（手把手教学）
Redis 是一款“高性能的键值对存储系统”，可以理解为“一个专门用来快速保存和读取数据的工具”，我们用它来保存聊天记录，既能实现“永久存储”，又能快速读取，非常适合聊天机器人。
下面从“前置准备”到“代码运行”，逐步拆解，跟着做就能成功。
（1）前置准备（3步，缺一不可，必做）
第一步：安装 Redis 服务（相当于“安装一个能永久保存数据的容器”）
第二步：安装 Redis 相关依赖包（让 Python 代码能“认识”Redis）
第三步：准备 API 密钥（大模型的“通行证”）
（2）完整代码实现（兼容新版 LangChain + 逐行拆解 + 运行流程）
# 第一步：导入所需模块（不用记，直接复制即可，后面解释每个模块的作用） # 1. 导入 Redis 聊天记录保存工具（LangChain 专门为 Redis 设计的工具） from langchain_community.chat_message_histories import RedisChatMessageHistory # 2. 导入 OpenAI 风格的大模型调用工具（用来调用阿里云百炼、OpenAI 等大模型） from langchain_openai import ChatOpenAI # 3. 导入加载 API 密钥的函数（自己写的，用来读取保存好的 API 密钥，避免硬编码） # 注意：如果你没有这个函数，可以自己简单写一个，后面会补充示例 from config.load_key import load_key # 第二步：实例化 Redis 聊天记录容器（造一个能永久保存聊天记录的“容器”） # history 就是这个容器的名字，和内存存储的容器名字一样，后续操作也一样 history = RedisChatMessageHistory( session_id="Test", # 会话ID（非常重要！） # 作用：区分不同用户、不同会话的聊天记录，比如用户A的会话ID是"UserA"，用户B的是"UserB" # 这样不同用户的聊天记录不会混乱，下次打开时，输入相同的session_id，就能加载之前的记录 url="redis://127.0.0.1:6380/0" # Redis 连接地址（重点看这里） # 解析：redis:// 是 Redis 的连接协议，127.0.0.1 是本地IP（自己电脑的IP），6380是Redis端口（如果你的Redis是默认端口6379，就改成6379） # 0 是 Redis 的数据库索引（Redis 有多个数据库，我们用第0个即可，不用改） ) # 第三步：配置大模型（机器人的大脑，重点看注释，可直接替换成自己的大模型） llm = ChatOpenAI( model="qwen-plus", # 大模型名称：阿里云百炼的“通义千问增强版”，基础版用"qwen-turbo"（更便宜） base_url="https://dashscope.aliyuncs.com/compatible-mode/v1", # 阿里云百炼的API接口地址（固定不变，不用改） openai_api_key=load_key("BAILIAN_API_KEY"), # 加载 API 密钥（从配置文件读取，避免硬编码） # 补充：如果没有load_key函数，可直接替换成自己的API密钥，比如： # openai_api_key="你的API密钥字符串"（注意：不要泄露给别人） temperature=0.0 # 温度参数（必看） # 作用：控制AI回应的随机性，0表示完全不随机（回应最稳定，每次回答都一样） # 1表示完全随机（回应可能不一样），建议设为0，方便调试 ) # 第四步：核心聊天逻辑（和内存存储的逻辑完全一样！不用改任何代码） # 第一轮聊天 history.add_user_message("你是谁？") # 给Redis容器添加用户消息 # 调用大模型：大脑读取Redis容器里的历史消息（首次为空），生成回应 aimessage = llm.invoke(history.messages) print("AI：", aimessage.content) # 打印AI回应 history.add_message(aimessage) # 把AI回应保存到Redis（永久保存） # 第二轮聊天（依赖上一轮的历史记录，体现“永久记忆”） history.add_user_message("请重复一次") # 给Redis容器添加第二次用户消息 # 调用大模型：大脑读取Redis容器里的所有历史消息（用户1、AI1），生成重复回应 aimessage2 = llm.invoke(history.messages) print("AI：", aimessage2.content) # 打印AI回应 history.add_message(aimessage2) # 把第二次AI回应保存到Redis（永久保存）（3）代码运行流程（逐步理解，知道每一步做了什么）
1、准备阶段：导入工具 → 实例化 Redis 容器（history），此时 Redis 容器是空的（因为是第一次运行）；
2、配置大模型：告诉代码“用哪个大脑”（阿里云百炼 qwen-plus）、“怎么连接大脑”（base_url）、“通行证是什么”（API密钥）；
3、第一轮聊天：
- 给 Redis 容器加用户消息：“你是谁？”（此时 Redis 里会保存这条消息，永久有效）；
- 调用大模型：大脑读取 Redis 容器里的用户1消息，生成回应（比如“我是你的AI助手”），存到 aimessage 里；
- 打印回应：在屏幕上显示 AI 说的话；
- 保存 AI 回应：把 aimessage（AI1）加到 Redis 容器里（此时 Redis 里有2条消息，永久保存）；
4、第二轮聊天：
- 给 Redis 容器加用户消息：“请重复一次”（Redis 里现在有3条消息）；
- 调用大模型：大脑读取 Redis 里的3条消息，知道用户让重复 AI1 的话，生成重复回应；
- 打印回应：显示 AI 重复的话；
- 保存 AI 回应：把 aimessage2（AI2）加到 Redis 里（此时 Redis 里有4条消息，永久保存）；
5、 验证“永久存储”：关闭运行代码的窗口、关闭 Redis 服务（双击 redis-server.exe 打开的黑色窗口），然后重新启动 Redis 服务，重新运行代码（注意：session_id 要和之前一样，还是“Test”），此时代码会自动从 Redis 里加载之前的4条聊天记录，你再输入“请重复一次”，AI 依然能记住上一轮的内容。
四、扩展：自定义存储方式（继承 BaseChatMessageHistory）
如果 LangChain 提供的存储方式（内存、Redis、MongoDB 等）都满足不了你的需求（比如你想把聊天记录保存到本地文件夹的 txt 文件里），LangChain 支持你“自己造一个保存工具”，核心就是“继承 BaseChatMessageHistory 父类，重写它的方法”。
✅ 简单理解：就像“动物”（父类）有“会呼吸”“会动”的方法，你造一个“外星动物”（子类），可以重写“会呼吸”的方法（比如用氧气呼吸改成用氮气呼吸），同时保留“会动”的方法。
具体实现方法：
1、 打开BaseChatMessageHistory的源码（用 Python 开发工具，比如 PyCharm，找到这个类，双击打开）；
2、源码注释里会演示“如何扩展一个基于文件保存消息的实现类”，核心是重写3个方法：
-add_message(self, message)：重写“添加消息”的逻辑（比如把消息写到 txt 文件里）；
-get_messages(self)：重写“获取消息”的逻辑（比如从 txt 文件里读取消息）；
-clear(self)：重写“清空消息”的逻辑（比如删除 txt 文件里的内容）。
五、补充说明（必看，汇总重点）
1、LangChain 生态非常强大，官方文档显示有 1000+ 集成（包括各种大模型、存储系统、工具等），Redis、MongoDB、PostgreSQL 等存储系统都有官方扩展包，不用自己从零开发，安装依赖、替换实现类即可使用。
2、不同存储系统的选择：
3、关于阿里云百炼 API 接口（https://dashscope.aliyuncs.com/compatible-mode/v1）：
4、学习建议：先把“内存存储”和“Redis 存储”的代码练熟，确保能成功运行、看到效果，再学习其他存储系统和自定义存储方式，循序渐进，不要急于求成。
