langchain0.3教程：从0到1打造一个智能聊天机器人

在上一篇文章《大模型开发之langchain0.3（一）：入门篇》 中已经介绍了langchain开发框架的搭建，最后使用langchain实现了HelloWorld的代码案例，本篇文章将从0到1搭建带有记忆功能的聊天机器人。

我们可以使用gradio“画”出类似于chatgpt官网的聊天界面，gradio的特点就是“快”，不用考虑html怎么写，css样式怎么写，该怎样处理按钮的响应。。这一切都被gradio处理完了，我们只需要使用即可。

gradio官网：https://www.gradio.app/

官网首页上列举了几种典型的gradio使用场景，其中一种正是我们想要的chatbot的使用场景：

找到左下方对应的源码链接，复制到我们的项目：

我们安装好最新版本的gradio就可以成功运行以上代码gpt 教程了：

根据上一节内容，将大模型的输出给到gradio即可，完整实现代码如下：

代码运行结果如下所示：

可以看到，响应时间比较长，足足有十秒钟，在这期间看不到中间的过程，只在最后一次性输出了最终内容，对于用户来说很不友好。

接下来将它改造成流式输出。

想要改造流式输出，首先得大模型支持流式输出，再者改造gradio，让它支持流式输出显示。

关于模型的流式输出文档：https://python.langchain.com/docs/how_to/streaming_llm/

关于gradio的流式输出显示文档：https://www.gradio.app/guides/creating-a-chatbot-fast#streaming-chatbots

简单来说，gradio的流式输出很简单，将do_response方法改造成生成器函数即可

而stream方法支持流式输出，使用示例如下所示：

两者结合起来，改造后的流式输出代码如下所示：

这样就实现了流式输出。

但是这个程序还有问题：它没有记忆功能，如下所示

接下来对它继续优化，加上记忆功能

在改造之前，需要先了解几个概念：Chat history、Messages

大模型之所以有记忆功能，是因为每次和大模型对话，都会将历史记录一起送给大模型。

和大模型的交互的过程中，最常见的有三种消息类型：System Message、Human Message、AI Message。

这三种消息被langchain封装成了不同的类以方便使用：SystemMessage、HumanMessage、AIMessage

那如何将对话历史记录告诉大模型呢？

答案在于model.stream方法，stream默认我们只传输了一个字符串，也就是用户的提问消息，实际上它的类型是

的定义如下

Union的意思就是“选择其中之一”的意思，也就是说LanguageModelInput可以是PromptValue、字符串，或者Sequence[MessageLikeRepresentation]任意之一，关键点就在于Sequence[MessageLikeRepresentation]，从字面意思上来看它是一个列表类的对象，MessageLikeRepresentation的定义如下，它支持BaseMessage类型

也就是说，可以传递一个BaseMessage类型的List给stream方法，而SystemMessage、HumanMessage、AIMessage 均是BaseMessage的子类。。。一切清晰明了了，可以用一行代码实现gradio历史记录到BaseMessage列表的转换：

优化后的完整代码如下所示：

运行结果如下：

好了，到此，我们用了不到30行代码实现了一个基本的智能聊天机器人，这个程序还有什么问题需要注意的吗？我们思考一下，每次和大模型交互，都要将所有历史记录传递给大模型，这行的通吗？实际上每种大模型都有输入长度的限制，如果不加以限制的话，会很容易超出大模型能够输入字符的上限，接下来改造下这段代码，限制输入的字符数量。

关于输入长度过长的优化，实际上是一个比较复杂的问题，可以参考以下官方文档：

Context Window的概念：https://python.langchain.com/docs/concepts/chat_models/#context-window

Memory的概念：https://langchain-ai.github.io/langgraph/concepts/memory/

trim_message的详细用法：https://python.langchain.com/docs/how_to/trim_messages/

trim_message在chatbot中的应用案例：https://python.langchain.com/docs/tutorials/chatbot/#managing-conversation-history

总结一下，用户能输入的字符长度实际上是大模型能“记住”的文本长度，如果过长，就会达到”Context Window”的极限，大模型要么删除一部分文本继续处理，要么直接抛出异常，前者会导致处理数据结果不准确，后者则会导致应用程序直接报错。

可以使用trim_message方法解决该问题，它有各种策略截取过长的输入文本，甚至可以自定义策略。比如以下使用方式：

该案例中制定的策略是只允许输入最大300个字符，超出的字符从尾部向前查找删除，而且不允许对消息部分删除（保留问题完整性）。

完整代码如下所示：

运行结果如下：

后台打印的被优化的消息：

可以看到，第三次询问的时候，之前的消息就被删除，不再发送给大模型，这导致大模型忘记了我之前告诉它的我的名字。

最后，欢迎关注我的博客呀：

一枝梅的博客

END.