上一节我们体验了“手动维护聊天记录”，每次都要：
- 把用户发言添加到
history - 把模型输出添加到
history - 每轮都手动调用
getMessages()构造上下文
await history.addMessage(new HumanMessage(input));
await history.addMessage(fullRes);
虽然原理简单，但实际开发中太过繁琐。尤其在构建多轮对话 Agent 时，这种手动维护非常不优雅。所以这一节，我们引入 LangChain.js 提供的“自动加记忆”工具 —— RunnableWithMessageHistory。
快速上手
前面我们有介绍过 Runnable 相关的接口，例如
- RunnableLambda
- RunnableMap
- RunnableSequence
- RunnablePassthrough
这里的 RunnableWithMessageHistory 也属于 Runnable 家族的一员。在实例化的时候，接收一个配置对象：
new RunnableWithMessageHistory({runnable: baseChain, // 原始链getMessageHistory: (sessionId) => chatHistory, // 指定聊天记录inputMessagesKey: "input", // 用户输入字段名historyMessagesKey: "chat_history", // Prompt 中历史记录占位符
});
配置对象通常需要配置这几个参数：
- runnable：需要被包裹的 chain，可以是任意 chain
- getMessageHistory(sessionId)：传入会话 ID，返回一个
BaseChatMessageHistory实例 - inputMessagesKey：本轮用户消息在哪个 key，调用后会被追加进历史。
- historyMessagesKey：历史注入到输入对象这个 key，下游用
new MessagesPlaceholder("<同名>")接住。 - outputMessagesKey：：当链输出是对象时，指定对象里哪一个字段是消息（否则默认把顶层输出当消息）。
课堂演示
快速上手示例
import { ChatMessageHistory } from "@langchain/classic/memory";
import { StringOutputParser } from "@langchain/core/output_parsers";
import {ChatPromptTemplate,HumanMessagePromptTemplate,MessagesPlaceholder,SystemMessagePromptTemplate,
} from "@langchain/core/prompts";
import { RunnableWithMessageHistory } from "@langchain/core/runnables";
import { ChatOllama } from "@langchain/ollama";const pt = ChatPromptTemplate.fromMessages([SystemMessagePromptTemplate.fromTemplate("你是一个健谈的中文 AI 助手，请结合上下文尽可能详细地使用中文回答用户问题。"),new MessagesPlaceholder("history"),HumanMessagePromptTemplate.fromTemplate("{input}"),
]);const model = new ChatOllama({model: "llama3",temperature: 0.7,
});const parser = new StringOutputParser();const chain = pt.pipe(model).pipe(parser);const store = new Map();const withHistoryChain = new RunnableWithMessageHistory({runnable: chain,getMessageHistory: (sessionId) => {if (!store.has(sessionId)) {store.set(sessionId, new ChatMessageHistory());}return store.get(sessionId);},inputMessagesKey: "input",historyMessagesKey: "history",
});const config = {configurable: {sessionId: "1234567890",},
};await withHistoryChain.invoke({input: "Hello, what is Rustlang?",},config
);const res = await withHistoryChain.invoke({input: "what did we just talk about?",},config
);console.log(res);stream() 方法，方法签名如下：
stream(input: Input,options?: RunnableConfig
): AsyncGenerator<StreamEvent<Output>>
1. 输入参数 (input)
类型：Input
与 invoke() 方法保持一致：
- 如果是 LLM：可以传字符串、
BaseMessage、BaseMessage[] - 如果是 Chain / Runnable：则是该 Chain 约定的输入对象（例如
{ input: "..." }） - 如果是 Embeddings：通常是字符串或字符串数组
换句话说，input 的类型由具体的 Runnable 实例 决定。
2. 配置参数
类型：RunnableConfig（可选）
常见字段包括：
configurable：运行时传入的上下文配置（例如用户 ID、对话 ID，用于内存/持久化关联）。tags：给运行标记，用于调试、Tracing。metadata：附加元信息，方便日志或监控。callbacks：传入回调函数（如handleLLMNewToken等），可用于实时处理 token。maxConcurrency：并发控制。timeout：超时设置。
import { ChatMessageHistory } from "@langchain/classic/memory";
import {ChatPromptTemplate,HumanMessagePromptTemplate,MessagesPlaceholder,SystemMessagePromptTemplate,
} from "@langchain/core/prompts";
import { ChatOllama } from "@langchain/ollama";
import readline from "readline-sync";
import { HumanMessage, AIMessage } from "@langchain/core/messages";// 1. 模型
const model = new ChatOllama({model: "llama3",temperature: 0.7,
});// 2. 提示词
const pt = ChatPromptTemplate.fromMessages([SystemMessagePromptTemplate.fromTemplate("你是一个健谈的中文 AI 助手，请结合上下文尽可能详细地使用中文回答用户问题。"), // 系统提示词new MessagesPlaceholder("history"), // 会话的历史记录，一开始是一个占位符HumanMessagePromptTemplate.fromTemplate("{input}"), // 用户输入的内容
]);// 3. 存储会话历史
const history = new ChatMessageHistory();// 4. 创建一个chain
const chain = pt.pipe(model);async function chatLoop() {console.log("开始会话，输入内容后回车；输入 /clear 清空历史，/exit 退出。");while (true) {const input = readline.question("用户：").trim();if (!input) continue;if (input === "/exit") {console.log("拜拜");break;}if (input === "/clear") {await history.clear();console.log("历史记录已清空");continue;}let fullRes = ""; // 记录完整的信息try {const values = {input, // 用户本次的输入history: await history.getMessages(), // 获取之前会话记录};const stream = chain.streamEvents(values, { version: "v2" });process.stdout.write("助理：");for await (const event of stream) {if (event.event === "on_chat_model_stream") {process.stdout.write(event.data?.chunk?.content || "");}}console.log("\n");} catch (err) {console.error("调用大模型失败☹️", err);}// 将本轮会话记录到历史里面await history.addMessage(new HumanMessage(input));await history.addMessage(new AIMessage(fullRes));}
}
chatLoop();实战案例
把上节课的对话练习改为 RunnableWithMessageHistory
import { ChatMessageHistory } from "@langchain/classic/memory";
import {ChatPromptTemplate,HumanMessagePromptTemplate,MessagesPlaceholder,SystemMessagePromptTemplate,
} from "@langchain/core/prompts";
import { ChatOllama } from "@langchain/ollama";
import readline from "readline-sync";
import { RunnableWithMessageHistory } from "@langchain/core/runnables";
import { StringOutputParser } from "@langchain/core/output_parsers";// 1. 模型
const model = new ChatOllama({model: "llama3",temperature: 0.7,
});// 2. 提示词
const pt = ChatPromptTemplate.fromMessages([SystemMessagePromptTemplate.fromTemplate("你是一个健谈的中文 AI 助手，请结合上下文尽可能详细地使用中文回答用户问题。"), // 系统提示词new MessagesPlaceholder("history"), // 会话的历史记录，一开始是一个占位符HumanMessagePromptTemplate.fromTemplate("{input}"), // 用户输入的内容
]);// 3. 存储会话历史
const history = new ChatMessageHistory();const parser = new StringOutputParser();// 4. 创建一个chain
const chain = pt.pipe(model).pipe(parser);const store = new Map();const withHistoryChain = new RunnableWithMessageHistory({runnable: chain,getMessageHistory: (sessionId) => {if (!store.has(sessionId)) {store.set(sessionId, new ChatMessageHistory());}return store.get(sessionId);},inputMessagesKey: "input",historyMessagesKey: "history",
});const config = {configurable: {sessionId: "1234567890",},
};async function chatLoop() {console.log("开始会话，输入内容后回车；输入 /clear 清空历史，/exit 退出。");while (true) {const input = readline.question("用户：").trim();if (!input) continue;if (input === "/exit") {console.log("拜拜");break;}if (input === "/clear") {const { sessionId } = config.configurable;store.set(sessionId, new ChatMessageHistory());console.log("历史记录已清空");continue;}try {const stream = await withHistoryChain.stream({ input }, config);process.stdout.write("助理：");for await (const chunk of stream) {process.stdout.write(chunk);}console.log("\n");} catch (err) {console.error("调用大模型失败☹️", err);}}
}
chatLoop();-EOF-
