LangChain教程：InMemoryChatMessageHistory和RunnableWithMessageHistory临时记忆-马育民老师

# 介绍

这两个组件是 LangChain 中实现**对话记忆（上下文）** 的核心：

- `InMemoryChatMessageHistory`：**内存级别的对话历史存储**，将对话记录临时存在内存中，程序重启后丢失，适合测试/临时场景；

- `RunnableWithMessageHistory`：**包装器**，将普通的 Runnable 链（如 Prompt+LLM）包装为 **带对话历史** 的链，自动管理对话上下文的传入和存储。

# 用法

### 定义提示词模板类

```
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个温柔的小学数学老师，回答问题时用“亲”、“小朋友”，并且简短回答问题，回答问题不要用markdown格式"),
    ("placeholder", "{chat_history}"),
    ("human", "计算过程：{msg}")
])
```

### 提示词模板类和模型 链

```
model = ChatTongyi(model="qwen3-max")

chain = prompt | model
```

### 定义保存历史序列

```
chat_history = {}
```

### 用户对话ID

```
SESSION_ID = "user_小明"  # 可理解为「用户ID」或「对话ID」
```

### 定义获取历史消息函数

根据用户对话ID获取历史消息

```
def get_session_history(session_id: str) -> InMemoryChatMessageHistory:
    """
    根据 session_id 获取对话历史：
    - 若不存在，创建新的 InMemoryChatMessageHistory 实例
    - 若存在，返回已有实例
    """
    if session_id not in chat_history:
        # 初始化内存对话历史容器
        chat_history[session_id] = InMemoryChatMessageHistory()
    return chat_history[session_id]
```

### 创建 RunnableWithMessageHistory 对象

```
chain_with_history = RunnableWithMessageHistory(
    chain, # 提示词模板类、模型 链
    get_session_history=get_session_history,  # 告诉链如何获取对话历史
    input_messages_key="msg",  # 用户当前输入的变量名（对应Prompt中的{input}）
    history_messages_key="chat_history"  # 对话历史的变量名（对应Prompt中的{chat_history}）
)
```

对应关系如下图：

[![](https://www.malaoshi.top/upload/0/0/1GW2r1nMRBaq.png)](https://www.malaoshi.top/upload/0/0/1GW2r1nMRBaq.png)

### 调用大模型

```
res = chain_with_history.stream({
        "msg": question,  # 传入问题
        "chat_history": chat_history  # 传入历史序列
    },
    # 关键：传入 config 指定 session_id，关联对话历史
    config={
        "configurable": {
            "session_id": SESSION_ID
        }
    }
)
```

### 查看历史对话（可选）

```
print("\n===== 查看对话历史 =====")
history = get_session_history(SESSION_ID)
for msg in history.messages:
    print(f"{msg.type.upper()}: {msg.content}")
print("\n===== 查看对话历史结束 =====\n\n\n")
```

# 传统方式

详见：[LangChain教程：ChatPromptTemplate聊天大模型提示词模板类](https://www.malaoshi.top/show_1GW2qP679mBk.html "LangChain教程：ChatPromptTemplate聊天大模型提示词模板类")

使用新方式，可更加合理规范的方式管理历史消息

# 新方式-案例

```

from dotenv import load_dotenv
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_models.tongyi import ChatTongyi

# 加载环境变量（需配置 OPENAI_API_KEY）
load_dotenv()

# 1. 初始化 LLM 和 Prompt（关键：添加 MessagesPlaceholder 接收对话历史）
model = ChatTongyi(model="qwen3-max")

# Prompt 中通过  占位符接收对话历史
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个温柔的小学数学老师，回答问题时用“亲”、“小朋友”，并且简短回答问题，回答问题不要用markdown格式"),
    ("placeholder", "{chat_history}"),
    ("human", "计算过程：{msg}")
])

# 2. 构建基础链（Prompt + LLM）
chain = prompt | model

# 3. 定义「获取对话历史」的函数（给不同用户分配不同的历史容器）
# 用字典存储不同 session_id 对应的对话历史（模拟多用户）
chat_history = {}

def get_history(session_id: str) -> InMemoryChatMessageHistory:
    """
    根据 session_id 获取对话历史：
    - 若不存在，创建新的 InMemoryChatMessageHistory 实例
    - 若存在，返回已有实例
    """
    if session_id not in chat_history:
        # 初始化内存对话历史容器
        chat_history[session_id] = InMemoryChatMessageHistory()
    return chat_history[session_id]

# 4. 用 RunnableWithMessageHistory 包装基础链
# 核心：关联「对话历史获取函数」和「历史变量名」
chain_his = RunnableWithMessageHistory(
    chain,
    get_session_history=get_history,  # 告诉链如何获取对话历史
    history_messages_key="chat_history",  # 对话历史的变量名（对应Prompt中的{chat_history}）
    input_messages_key="msg",  # 用户当前输入的变量名（对应Prompt中的{input}）
)

# 用户对话ID（同一个 session_id 共享历史）
SESSION_ID = "user_小明"  # 可理解为「用户ID」或「对话ID」

while True:
    """
    第一次提问：3x+5=20，x 等于多少？
    第二次提问：5x-8=72，x 等于多少？
    第三次提问：把x=10代入上面公式，等于多少？
    """
    question = input("请输入：")
    # 调用stream向模型提问，返回 generator类型
    res = chain_his.stream({
            "msg": question,  # 传入问题
            "chat_history": chat_history  # 传入历史序列
        },
        # 关键：传入 config 指定 session_id，关联对话历史
        config={
            "configurable": {
                "session_id": SESSION_ID
            }
        }
    )
    print("\n----AI回答-------\n")
    # 流式输出
    for chunk in res:
        print(chunk.content, end="", flush=True)
    print("\n----AI回答结束-------\n")

# 查看内存中的对话历史（验证存储）
    print("\n===== 查看对话历史 =====")
    history = get_history(SESSION_ID)
    for msg in history.messages:
        print(f"{msg.type.upper()}: {msg.content}")
    print("\n===== 查看对话历史结束 =====\n\n\n")

```

# 与传统方式对比

仅用 `ChatPromptTemplate` 只能 **被动接收** 你手动传入的历史，而搭配这两个组件能实现 **自动管理** 对话历史，大幅降低开发成本、提升代码健壮性。

| 特性 | 仅用 ChatPromptTemplate | InMemoryChatMessageHistory + RunnableWithMessageHistory |
|------|-------------------------|---------------------------------------------------------|
| **历史管理方式** | 手动管理：需自己编写代码保存历史、拼接历史、注入到 Prompt 中，每一步都要手动控制 | 自动管理：链会自动读取对应用户的历史、注入到 Prompt、保存新的对话记录，无需手动干预 |
| **多用户隔离** | 需自己编写多用户历史隔离逻辑（如字典存储、session_id 映射），容易出错 | 内置多用户隔离：通过 `session_id` 自动为不同用户分配独立的历史容器，逻辑封装在底层 |
| **代码复杂度** | 高：需要手动处理「保存历史→读取历史→注入Prompt→更新历史」全流程 | 低：只需定义「获取历史的函数」，其余逻辑由 LangChain 封装，代码量减少 50%+ |
| **流式调用兼容** | 手动处理流式输出时，无法自动将流式回复保存到历史，需额外编写拼接逻辑 | 自动兼容流式调用：流式输出的每一段内容会自动整合并保存到历史中 |
| **扩展性** | 差：若要切换历史存储方式（如从内存到 Redis），需重写全部历史管理代码 | 好：只需修改 `get_session_history` 函数的返回值（如替换为 RedisChatMessageHistory），核心业务逻辑无需改动 |

原文出处：http://malaoshi.top/show_1GW2r1dAVcdC.html