第一步：创建带历史消息占位符的提示词模板 from langchain_core. promptsimport ChatPromptTemplate, MessagesPlaceholder prompt= ChatPromptTemplate. from_messages( [ SystemMessage( content= "你是3DM的一个技术专家，擅长解决各种Web开发中的技术问题" ) , MessagesPlaceholder( variable_name= "chat_history" ) , ( "human" , "{input}" ) , # 使用元组格式，这是更简洁的方式 ] ) 第二步：创建大模型实例 from langchain_openaiimport ChatOpenAI llm_qianwen_max= ChatOpenAI( model= "qwen-max-latest" , base_url= "https://dashscope.aliyuncs.com/compatible-mode/v1" , api_key= os. getenv( "DASHSCOPE_API_KEY" ) , streaming= True , ) 第三步：创建消息存储对象，使用dict结构，保存sessionId:ChatMessageHistory from langchain_community. chat_message_historiesimport ChatMessageHistory store= { } def get_session_history ( session_id: str ) - > ChatMessageHistory: if session_idnot in store: store[ session_id] = ChatMessageHistory( ) print ( store) return store[ session_id] 完整代码 """ 使用MessagesPlaceholder让大模型可以收到历史消息 """ import osimport uuidfrom dotenvimport load_dotenvfrom langchain_core. messagesimport HumanMessage, SystemMessagefrom langchain_core. output_parsersimport StrOutputParser load_dotenv( ) """ 第一步：创建带历史消息占位符的提示词模板 """ from langchain_core. promptsimport ChatPromptTemplate, MessagesPlaceholder prompt= ChatPromptTemplate. from_messages( [ SystemMessage( content= "你是3DM的一个技术专家，擅长解决各种Web开发中的技术问题" ) , MessagesPlaceholder( variable_name= "chat_history" ) , ( "human" , "{input}" ) , # 使用元组格式，这是更简洁的方式 ] ) """ 第二步：创建大模型实例 """ from langchain_openaiimport ChatOpenAI llm_qianwen_max= ChatOpenAI( model= "qwen-max-latest" , base_url= "https://dashscope.aliyuncs.com/compatible-mode/v1" , api_key= os. getenv( "DASHSCOPE_API_KEY" ) , streaming= True , ) """ 第三步：创建消息存储对象，使用dict结构，保存sessionId:ChatMessageHistory """ from langchain_community. chat_message_historiesimport ChatMessageHistory store= { } def get_session_history ( session_id: str ) - > ChatMessageHistory: if session_idnot in store: store[ session_id] = ChatMessageHistory( ) print ( store) return store[ session_id] """ 第四步：通过RunnableWithMessageHistory来运行大模型 第四步的写法是为了创建一个带记忆功能的AI助手，通过封装复杂的会话管理逻辑，让你只需关注核心的业务逻辑。这种设计模式在构建对话系统时非常常见和实用。 """ from langchain_core. runnablesimport RunnableWithMessageHistory chain= prompt| llm_qianwen_max| StrOutputParser( ) chain_with_history= RunnableWithMessageHistory( runnable= chain, get_session_history= get_session_history, input_messages_key= "input" , history_messages_key= "chat_history" , ) """ 第五步：构建连续对话 """ def run_conversation ( ) : session_id= uuid. uuid4( ) print ( f"当前会话id { session_id} " ) while True : user_input= input ( "用户：" ) if user_input. lower( ) == "exit" : break response= chain_with_history. invoke( { "input" : user_input} , config= { "configurable" : { "session_id" : session_id} } , ) print ( "助手：" ) for chunkin response: print ( chunk, end= "" ) print ( "\n" ) if __name__== '__main__' : run_conversation( ) 
_java简易酒店管理系统)
