引言
在许多问答类应用中，我们希望允许用户进行连续对话，这意味着应用需要某种类型的“记忆”来保存过去的问题和答案，并将其融合到当前的思考中。这篇文章将介绍如何在LangChain中实现这种对话的记忆功能，并详细解释两种主要的方法：链（Chains）和代理（Agents）。
主要内容
链（Chains）
Chains总是会执行检索步骤，即使不需要也会如此。下面我们将通过构建一个基本的问答应用，展示如何使用LangChain中的链来实现这一功能。
依赖安装
首先，我们需要安装一些必要的Python包：
%%capture --no-stderr
%pip install --upgrade --quiet langchain langchain-community langchainhub langchain-chroma bs4
环境变量设置
在使用OpenAI API时，我们需要设置环境变量OPENAI_API_KEY：
import getpass
import os
if not os.environ.get("OPENAI_API_KEY"):
os.environ["OPENAI_API_KEY"] = getpass.getpass()
初始化LLM和其他工具
在本示例中，我们使用OpenAI的嵌入和Chroma向量存储：
from langchain_openai import ChatOpenAI
from langchain_chroma import Chroma
from langchain import hub
from langchain.chains import create_retrieval_chain
from langchain.chains.combine_documents import create_stuff_documents_chain
from langchain_community.document_loaders import WebBaseLoader
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import OpenAIEmbeddings
from langchain_text_splitters import RecursiveCharacterTextSplitter
import bs4
# 初始化LLM
llm = ChatOpenAI(model="gpt-3.5-turbo")
构建问答应用
我们将构建一个简单的问答应用，通过加载博客内容、分块、索引来创建检索器：
# 加载、分块和索引博客内容
loader = WebBaseLoader(
web_paths=("https://lilianweng.github.io/posts/2023-06-23-agent/",),
bs_kwargs=dict(
parse_only=bs4.SoupStrainer(
class_=("post-content", "post-title", "post-header")
)
),
)
docs = loader.load()
text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000, chunk_overlap=200)
splits = text_splitter.split_documents(docs)
vectorstore = Chroma.from_documents(documents=splits, embedding=OpenAIEmbeddings())
retriever = vectorstore.as_retriever()
# 构建问答链
system_prompt = (
"You are an assistant for question-answering tasks. "
"Use the following pieces of retrieved context to answer "
"the question. If you don't know the answer, say that you "
"don't know. Use three sentences maximum and keep the "
"answer concise."
"\n\n"
"{context}"
)
prompt = ChatPromptTemplate.from_messages(
[
("system", system_prompt),
("human", "{input}"),
]
)
question_answer_chain = create_stuff_documents_chain(llm, prompt)
rag_chain = create_retrieval_chain(retriever, question_answer_chain)
常见问题和解决方案
如何处理上下文不明确的问题？
当用户的问题涉及到历史对话内容时，我们需要将这些历史对话信息融入到当前问题中，以便更好地理解和回答。可以使用create_history_aware_retriever来实现上下文感知的检索。
from langchain.chains import create_history_aware_retriever
from langchain_core.prompts import MessagesPlaceholder
contextualize_q_system_prompt = (
"Given a chat history and the latest user question "
"which might reference context in the chat history, "
"formulate a standalone question which can be understood "
"without the chat history. Do NOT answer the question, "
"just reformulate it if needed and otherwise return it as is."
)
contextualize_q_prompt = ChatPromptTemplate.from_messages(
[
("system", contextualize_q_system_prompt),
MessagesPlaceholder("chat_history"),
("human", "{input}"),
]
)
history_aware_retriever = create_history_aware_retriever(
llm, retriever, contextualize_q_prompt
)
代理（Agents）
与Chains不同，Agents可以在执行过程中做出决策，决定是否需要检索步骤。这使得Agents在处理复杂任务时更为灵活。
构建代理
首先，我们需要将检索器转换为LangChain工具：
from langchain.tools.retriever import create_retriever_tool
tool = create_retriever_tool(
retriever,
"blog_post_retriever",
"Searches and returns excerpts from the Autonomous Agents blog post.",
)
tools = [tool]
接下来，我们使用LangGraph来创建代理：
from langgraph.prebuilt import create_react_agent
agent_executor = create_react_agent(llm, tools)
运行和验证
我们可以通过以下示例测试代理的行为：
query = "What is Task Decomposition?"
for s in agent_executor.stream(
{"messages": [HumanMessage(content=query)]},
):
print(s)
print("----")
总结和进一步学习资源
这篇文章介绍了如何在LangChain中构建具有对话记忆的问答系统。通过使用Chains和Agents，可以实现更智能、更灵活的对话系统。此外，还可以通过深入学习LangChain的其他模块，如retrievers和Templates，进一步提升系统的能力。
参考资料
结束语：'如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！' ---END---
