🌈在当前人工智能应用开发中，大语言模型（LLM）已成为构建智能助手、客服系统、内容生成器等产品的核心引擎。然而，一个关键的挑战在于：LLM 本质上是无状态的。每一次 API 调用都像是一次“初次见面”——模型无法记住你上一句话说了什么，除非你主动告诉它。
那么，如何让 LLM “记住”用户的历史对话？这正是本文要深入探讨的核心问题。我们将以 LangChain 框架为工具，结合 DeepSeek 大模型，从最基础的无状态调用出发，逐步构建一个具备持久对话记忆能力的智能聊天系统。所有代码均基于真实可运行的示例，并辅以详细原理剖析。
🔌 无状态调用：LLM 的“健忘症”
首先，让我们看看最原始的 LLM 调用方式。以下代码来自 index.js：
import 'dotenv/config';
import { ChatDeepSeek } from "@langchain/deepseek";
const model = new ChatDeepSeek({
model: 'deepseek-chat',
temperature: 0
});
const res = await model.invoke('我叫Jing_Rainbow，喜欢彩虹');
console.log(res.content);
console.log('--------------------');
const res2 = await model.invoke('我叫什么名字');
console.log(res2.content);
这段代码做了两件事：
- 第一次调用告诉模型：“我叫 Jing_Rainbow，喜欢彩虹”。
- 第二次调用问模型：“我叫什么名字？”
但由于每次 invoke 都是独立的 HTTP 请求，模型并不知道两次调用属于同一个用户或同一段对话。因此，第二次调用时，模型没有上下文，只能根据通用知识回答，很可能回复“我不知道”或胡乱猜测。
💡 关键点：LLM 的 API 调用本身不具备会话状态管理能力。每一次请求都是“从零开始”。
这就是典型的“无状态”行为——就像你每次走进一家咖啡店，店员都不记得你上次点了什么。要解决这个问题，我们必须手动维护对话历史，并在每次请求时将历史信息一并发送给模型。
📚 对话历史：让模型“记住”你说过的话
为了让模型具备记忆，我们需要在每次调用时，将之前的对话记录（即 messages 数组）作为上下文传入。例如：
[
{"role": "user", "content": "我叫Jing_Rainbow，喜欢彩虹"},
{"role": "assistant", "content": "很高兴认识你，Jing_Rainbow！彩虹真美。"},
{"role": "user", "content": "我叫什么名字？"}
]
这样，模型就能从上下文中提取“Jing_Rainbow”这个关键信息，并正确回答。
但手动拼接消息不仅繁琐，还容易出错。更严重的是，随着对话轮数增加，消息长度会不断增长，导致 Token 消耗剧增，甚至超出模型的最大上下文窗口（如 DeepSeek 的 32768 tokens）。因此，我们需要一个结构化、可扩展、且能自动管理历史的解决方案。
这就是 LangChain 登场的时机。
🧩 LangChain：构建有记忆的 AI 应用框架
LangChain 是一个专为 LLM 应用开发设计的开源框架，提供了模块化组件，帮助开发者轻松处理提示工程、记忆管理、工具调用等复杂任务。
在 1.js 中，我们使用了 LangChain 的几个核心模块来实现带记忆的对话：
✅ 核心组件解析
1. ChatPromptTemplate：结构化提示模板
const prompt = ChatPromptTemplate.fromMessages([
['system', "你是一个有记忆的助手"],
['placeholder', "{history}"],
['human', "{input}"]
]);
system消息：设定模型角色和行为准则。placeholder：占位符，用于动态插入对话历史。human：当前用户的输入。
这个模板定义了每次发送给模型的完整消息结构。
2. InMemoryChatMessageHistory：内存中的对话历史存储
const messageHistory = new InMemoryChatMessageHistory();
这是一个简单的内存存储，用于保存某一会话（session）的所有消息。虽然只存在于内存中（程序重启即丢失），但对于演示和小型应用足够。
📌 在生产环境中，你可以替换为 Redis、数据库等持久化存储。
3. RunnableWithMessageHistory：带历史记录的可运行链
const chain = new RunnableWithMessageHistory({
runnable,
getMessageHistory: async () => messageHistory,
inputMessagesKey: 'input',
historyMessagesKey: 'history',
});
这个包装器自动完成以下工作：
- 接收用户新输入（
input） - 获取对应会话的历史消息（通过
getMessageHistory） - 将历史 + 新输入注入到 Prompt 模板中
- 调用模型
- 将模型回复追加到历史中（自动）
整个过程对开发者透明，极大简化了记忆管理逻辑。
🧪 实际运行效果对比
让我们分别看 index.js 和 1.js 的输出差异。
❌ index.js（无记忆）输出可能为：
你好！很高兴认识喜欢彩虹的你！🌈
--------------------
我不太确定你的名字，但你可以告诉我吗？
模型在第二次提问时完全“失忆”。
✅ 1.js（有记忆）输出为：
>>> 最终传给模型的信息(Prompt 内存)
{
input: '我叫Jing_Rainbow，喜欢彩虹',
history: []
}
你好！Jing_Rainbow，很高兴认识你！你喜欢彩虹，真是个充满色彩的名字！🌈
--------------------
>>> 最终传给模型的信息(Prompt 内存)
{
input: '我叫什么名字',
history: [
{ role: 'user', content: '我叫Jing_Rainbow，喜欢彩虹' },
{ role: 'ai', content: '你好！Jing_Rainbow，很高兴认识你！你喜欢彩虹，真是个充满色彩的名字！🌈' }
]
}
你的名字是 Jing_Rainbow！😊
可以看到：
- 第一次调用后，历史为空。
- 第二次调用时，
history已包含前一轮的 user 和 ai 消息。 - 模型成功从上下文中提取出名字并准确回答。
此外，代码中还加入了一个调试节点（console.log(">>> 最终传给模型的信息...")），帮助开发者清晰看到实际发送给模型的完整 Prompt，这对调试和优化至关重要。
🔑 环境变量与 API 安全
在 .env 文件中，我们配置了 DeepSeek 的 API 密钥：
DEEPSEEK_API_KEY=sk-xxx
通过 import 'dotenv/config';，该密钥被自动加载到 process.env.DEEPSEEK_API_KEY 中，供 ChatDeepSeek 类使用。
⚠️ 安全提示：
.env文件绝不应提交到版本控制系统（如 Git）。务必将其加入.gitignore。
📖 总结：从无状态到有记忆的演进路径
| 阶段 | 特点 | 问题 | 解决方案 |
|---|---|---|---|
| 原始 API 调用 | 每次独立请求 | 无法跨轮次记忆 | 手动拼接历史消息 |
| 手动维护 messages | 可实现记忆 | 代码冗余、易错、Token 膨胀 | 使用 LangChain 抽象层 |
| LangChain + Memory | 自动管理历史、结构清晰、可扩展 | 内存存储不持久 | 替换为 Redis/DB 存储 |
通过 LangChain 的 RunnableWithMessageHistory + InMemoryChatMessageHistory，我们仅用几十行代码就实现了会话级记忆，且代码结构清晰、易于维护。
🚀 进阶方向
虽然本文使用的是内存存储，但在真实应用中，你可能需要：
- 持久化存储：使用
RedisChatMessageHistory或自定义数据库适配器。 - 会话隔离：通过
sessionId（如'makefriend'）区分不同用户或对话线程。 - Token 压缩：当历史过长时，使用摘要（summarization）或滑动窗口（sliding window）策略裁剪历史。
- 多模态记忆：未来可结合图像、音频等多模态信息构建更丰富的上下文。
🌈 结语
让 LLM 拥有记忆，不仅是技术实现的问题，更是用户体验的关键。一个能记住你偏好的助手，远比一个每次都“重置”的机器人更值得信赖。
通过 LangChain 这样的现代 AI 开发框架，我们得以站在巨人的肩膀上，快速构建出具备上下文感知能力的智能应用。而 DeepSeek 等国产大模型的崛起，也为开发者提供了高性能、低成本的推理选择。
正如用户名字 “Jing_Rainbow” 所象征的那样——记忆让对话如彩虹般绚烂多彩，而非转瞬即逝的雨滴。🌈
代码已验证可运行，环境依赖如下（见
readme.md）：npm init -y # package.json 需设置 "type": "module" pnpm i langchain @langchain/core @langchain/deepseek dotenv
现在，你也可以轻松打造属于自己的“有记忆”AI助手了！
