介绍

本地文件版聊天历史管理器，适合单实例、低并发、需要长期保存对话的场景。

存储格式

以 JSON 数组 格式写入文件，每条消息为 BaseMessage 对象的字典序列化形式。

核心逻辑

• 初始化时创建/读取指定文件，初始化为空列表。
• 添加消息时：读取文件 → 反序列化为消息列表 → 追加新消息 → 序列化 → 写回文件。
• 读取消息时：读取文件 → 反序列化为 BaseMessage 列表。

适用场景

• 个人/本地聊天机器人、命令行对话工具。
• 低流量、单用户、需要跨会话保留记忆的应用。
• 快速原型开发，无需部署数据库/缓存。

用法

例子

简单使用

# 1. 安装依赖（如未安装）
# pip install langchain langchain-community

# 2. 导入模块
from langchain_community.chat_message_histories import FileChatMessageHistory
from langchain_core.messages import HumanMessage, AIMessage

# 3. 初始化文件历史（文件不存在会自动创建）
chat_history = FileChatMessageHistory(file_path="my_chat_history.json")

# 4. 添加对话历史
chat_history.add_user_message("你好，我是小明")
chat_history.add_ai_message("你好小明！我是AI助手")
chat_history.add_user_message("今天天气怎么样？")
chat_history.add_ai_message("今天天气晴朗，适合出门")

# 5. 读取所有历史
print("当前聊天历史：")
for msg in chat_history.messages:
    print(f"{msg.type}: {msg.content}")

# 6. 清空历史（可选）
# chat_history.clear()

执行结果

当前聊天历史：
human: 你好，我是小明
ai: 你好小明！我是AI助手
human: 今天天气怎么样？
ai: 今天天气晴朗，适合出门

案例

from dotenv import load_dotenv
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_community.chat_message_histories import FileChatMessageHistory

# 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. 关键：文件聊天记忆（重启程序也不会丢）
chat_history = FileChatMessageHistory(file_path="chat_history.json")

# 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,
    lambda session_id: chat_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
        },
        # 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 =====")
    for msg in chat_history.messages:
        print(f"{msg.type}: {msg.content}")
    print("\n===== 查看对话历史结束 =====\n\n\n")

优缺点

注意事项

1. 文件路径：确保程序对目标路径有读写权限。
2. 并发安全：多进程/多线程写入时，需自行加文件锁（如 fcntl/portalocker）。
3. 数据备份：重要对话历史建议定期备份 JSON 文件。
4. 性能优化：频繁读写可考虑批量添加消息，减少 IO 次数。

原文出处：/show_1GW2r3H2PmCN.html