从“你是谁？”到“xx喜欢白兰地”，看 LangChain 如何让大模型拥有“金鱼记忆”之外的超能力！
🤖 开场白：LLM 的“失忆症”
你有没有试过这样和大模型聊天？
你：我叫xx，喜欢喝白兰地。
AI：好的，xx！
你（5秒后） ：我叫什么名字？
AI：……抱歉，我不知道。
是不是有种被“渣AI”抛弃的感觉？明明上一秒还在深情对视，下一秒它就一脸茫然：“这位朋友，我们认识吗？”
原因很简单——大模型的 API 调用是无状态的，就像每次 HTTP 请求都是一次全新的邂逅。它没有记忆，也没有感情（至少目前没有 😢）。
但别急！今天我们就来聊聊：如何给大模型装上“记忆外挂”？
答案就是——LangChain 的 RunnableWithMessageHistory！
🧠 为什么需要“记忆”？
在真实应用场景中，用户可不会只问一个问题就走人。他们可能会：
- 先自我介绍
- 然后问天气
- 接着让你推荐白兰地
- 最后再问：“我刚才说喜欢什么酒来着？”
如果 AI 每次都从零开始，用户体验会像坐过山车——刺激，但晕。
所以，我们需要一种机制：把对话历史“喂”给模型，让它知道上下文。
最朴素的做法？把所有历史消息拼成一个超长数组，每次调用都带上。
const messages = [
{ role: 'user', content: '我叫xx，喜欢喝白兰地' },
{ role: 'assistant', content: '好的，xx！' },
{ role: 'user', content: '你知道我是谁吗？' }
]
听起来不错？但问题来了——
滚雪球式增长的 Token，钱包扛得住吗？
一次对话还好，十轮、二十轮之后，光历史就占了 3000 个 token，模型还没回答正事，账单先爆了 💸。
于是，聪明的开发者们开始思考：能不能只记住“有用”的信息？能不能自动管理历史？
LangChain 说：交给我！
🛠️ LangChain 登场：让记忆变得优雅
LangChain 不仅是一个工具链，更像是一位贴心的“对话管家”。它提供了 RunnableWithMessageHistory 这个神器，帮你自动管理对话历史，还能无缝集成到你的 LLM 调用流程中。
来看一段魔法代码（基于 DeepSeek + LangChain）：
import { ChatDeepSeek } from '@langchain/deepseek';
import { ChatPromptTemplate } from '@langchain/core/prompts';
import { RunnableWithMessageHistory } from '@langchain/core/runnables';
import { InMemoryChatMessageHistory } from '@langchain/core/chat_history';
// 1. 初始化模型
const model = new ChatDeepSeek({ model: 'deepseek-chat', temperature: 0 });
// 2. 定义 Prompt 模板（注意 placeholder）
const prompt = ChatPromptTemplate.fromMessages([
['system', "你是一个有记忆的助手"],
['placeholder', "{history}"], // ← 历史将在这里插入
['human', "{input}"]
]);
// 3. 构建可运行链
const runnable = prompt.pipe(model);
// 4. 创建内存中的历史存储
const messageHistory = new InMemoryChatMessageHistory();
// 5. 包装成带记忆的链
const chain = new RunnableWithMessageHistory({
runnable,
getMessageHistory: async () => messageHistory,
inputMessagesKey: 'input',
historyMessagesKey: 'history',
});
然后，你就可以愉快地对话了：
await chain.invoke({ input: '我叫xx，喜欢喝白兰地' }, { configurable: { sessionId: 'makefriend' } });
await chain.invoke({ input: '我叫什么名字？' }, { configurable: { sessionId: 'makefriend' } });
结果？
“你叫xx，喜欢喝白兰地。”
🎉 成功！AI 终于记得你了！
🔍 背后发生了什么？
LangChain 在背后做了三件关键事：
- 自动记录：每次调用后，自动把用户的输入和 AI 的回复存入
messageHistory。 - 智能注入：在下一次调用时，把历史消息作为
{history}插入到 Prompt 中。 - 会话隔离：通过
sessionId（比如'makefriend'），支持多用户、多会话并行，互不干扰。
就像给每个用户配了一个专属“记忆笔记本”，AI 随时翻阅，绝不混淆。
⚠️ 但…Token 问题解决了吗？
老实说，InMemoryChatMessageHistory 只是把问题“封装”了，并未彻底解决。如果你不做限制，历史还是会无限增长。
不过 LangChain 提供了更多高级方案：
- 窗口记忆（Window Memory） ：只保留最近 N 轮对话。
- 摘要记忆（Summary Memory） ：用 LLM 自己总结历史，压缩成一句话。
- 向量数据库记忆：把关键信息存入向量库，按需检索（适合长期记忆）。
这些，我们下次再聊！（挖个坑，敬请期待 🕳️）
💡 总结：AI 的“记忆”，其实是工程的艺术
- LLM 本身无状态 → 需要外部维护上下文。
- 简单拼接历史 → 可行但低效，Token 成本高。
- LangChain 的
RunnableWithMessageHistory→ 让记忆管理变得模块化、可扩展、易维护。 - 真正的“有记忆 AI” = 合理的历史策略 + 巧妙的 Prompt 设计 + 成本控制。
🎁 彩蛋：对比实验
看看“裸调 API” vs “LangChain 带记忆”的区别：
// 裸调：AI 失忆
const res1 = await model.invoke('我叫xx');
const res2 = await model.invoke('我叫什么？'); // ❌ 不知道！
// LangChain：AI 记得你
await chain.invoke({ input: '我叫xx' });
await chain.invoke({ input: '我叫什么？' }); // ✅ xx！
是不是瞬间觉得 AI 有人情味了？😉
📣 结语
在这个人人都想打造“个性化 AI 助手”的时代，记忆不是奢侈品，而是必需品。而 LangChain，正是那个帮你把“一次性聊天机器人”升级为“懂你的数字伙伴”的桥梁。
下次当你听到 AI 说“我记得你说过……”，请默默感谢背后的工程师——以及 LangChain。
