1. 代码功能简要说明

该代码基于LangChain框架整合OpenAI的gpt-4-turbo模型，实现带会话历史的多语言聊天机器人：

• 核心能力1：通过ChatMessageHistory和RunnableWithMessageHistory管理会话历史，按session_id区分不同用户，模型能记住上下文（如记住用户名字并回答相关问题）；
• 核心能力2：支持参数化多语言响应（通过language变量指定回答语言）；
• 核心能力3：支持两种调用方式——一次性调用（invoke）返回完整响应、流式调用（stream）逐token返回响应（模拟实时对话效果）；
• 基础设计：通过字典store存储所有用户的会话历史，实现简单的会话持久化（内存级，重启后丢失）。

2. 带逐行详细注释的完整代码

# 导入os库：1.配置网络代理（解决国内访问OpenAI API的网络限制） 2.配置LangChain环境变量
import os

# 导入ChatMessageHistory：LangChain的会话历史管理类，用于存储单个用户的聊天记录（消息列表）
from langchain_community.chat_message_histories import ChatMessageHistory
# 导入HumanMessage：LangChain的用户消息类型，标识用户发送的内容
from langchain_core.messages import HumanMessage
# 导入提示模板相关：ChatPromptTemplate（创建提示模板）、MessagesPlaceholder（会话历史占位符）
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 导入RunnableWithMessageHistory：将普通链包装为“带会话历史的链”，核心实现上下文关联
from langchain_core.runnables import RunnableWithMessageHistory
# 导入LangChain封装的OpenAI聊天模型：适配LangChain生态的gpt-4-turbo调用入口
from langchain_openai import ChatOpenAI
# 导入LangServe路由函数：（本代码未实际部署，仅导入，预留扩展为Web服务的能力）
from langserve import add_routes

# 配置HTTP代理：127.0.0.1:7890是代理工具的本地端口，确保API请求访问OpenAI服务器
os.environ['http_proxy'] = '127.0.0.1:7890'
# 配置HTTPS代理：OpenAI/LangChain API基于HTTPS，需配置该代理确保请求正常
os.environ['https_proxy'] = '127.0.0.1:7890'

# 开启LangChain Tracing V2：追踪链的执行过程（包括会话历史、模型调用、响应时间），便于调试
os.environ["LANGCHAIN_TRACING_V2"] = "true"
# 配置LangChain项目名称：追踪数据归类到该项目，便于管理不同应用
os.environ["LANGCHAIN_PROJECT"] = "LangchainDemo"
# 配置LangChain API Key：认证LangChain Smith服务（追踪功能必需），替换为自己的密钥
os.environ["LANGCHAIN_API_KEY"] = ''

# ===================== 核心步骤1：初始化OpenAI聊天模型 =====================
# 聊天机器人案例
# 创建ChatOpenAI模型实例：指定gpt-4-turbo模型，适配LangChain调用规范
model = ChatOpenAI(model='gpt-4-turbo')

# ===================== 核心步骤2：定义带会话历史占位符的提示模板 =====================
# 定义提示模板：包含系统指令+会话历史占位符（关键：支持上下文关联）
prompt_template = ChatPromptTemplate.from_messages([
    # system角色：系统指令，指定助手行为+多语言参数（{language}是动态变量）
    ('system', '你是一个乐于助人的助手。用{language}尽你所能回答所有问题。'),
    # 会话历史占位符：变量名my_msg，执行时会自动填充该session_id的历史聊天记录
    # 作用：让模型能看到之前的对话，实现上下文关联（如记住用户名字）
    MessagesPlaceholder(variable_name='my_msg')
])

# ===================== 核心步骤3：构建基础链（提示模板→模型） =====================
# 得到链：管道符|串联提示模板和模型，执行逻辑：填充模板变量→调用模型
chain = prompt_template | model

# ===================== 核心步骤4：初始化会话历史存储 =====================
# 保存聊天的历史记录：字典store用于存储所有用户的会话历史
# key：session_id（会话唯一标识，区分不同用户）；value：ChatMessageHistory对象（存储该用户的历史消息）
store = {}  

# ===================== 核心步骤5：定义会话历史获取函数 =====================
# 此函数预期将接收一个session_id并返回一个消息历史记录对象（LangChain要求的固定格式）
def get_session_history(session_id: str):
    # 如果session_id不在store中（新用户），创建新的ChatMessageHistory对象并存入store
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    # 返回该session_id对应的会话历史对象（无论新老用户）
    return store[session_id]

# ===================== 核心步骤6：包装链为“带会话历史的链” =====================
do_message = RunnableWithMessageHistory(
    chain,  # 基础链（提示模板+模型）
    get_session_history,  # 会话历史获取函数（告诉链如何获取/创建会话历史）
    input_messages_key='my_msg'  # 输入消息的key：与提示模板中的MessagesPlaceholder变量名一致，指定新消息存入哪个位置
)

# ===================== 核心步骤7：测试带会话历史的聊天（invoke方式，完整响应） =====================
# 配置会话ID：config字典指定当前会话的唯一标识（zs1234），区分不同用户的聊天记录
config = {'configurable': {'session_id': 'zs1234'}}  

# 第一轮对话：用户打招呼并告知名字
resp1 = do_message.invoke(
    # 输入参数：my_msg是新发送的用户消息，language指定回答语言为中文
    {
        'my_msg': [HumanMessage(content='你好啊！ 我是LaoXiao')],
        'language': '中文'
    },
    config=config  # 传入会话配置，关联到session_id=zs1234的历史
)

# 优化print：添加轮次说明，清晰展示第一轮对话的输入和输出
print('=== 第一轮对话（session_id=zs1234） ===')
print(f'用户输入：你好啊！ 我是LaoXiao')
print(f'助手回复：{resp1.content}')

# 第二轮对话：用户询问自己的名字（测试上下文关联）
resp2 = do_message.invoke(
    {
        'my_msg': [HumanMessage(content='请问：我的名字是什么？')],
        'language': '中文'
    },
    config=config  # 复用zs1234的会话配置，链会读取该session的历史记录
)

# 优化print：展示第二轮对话，验证模型记住了用户名字
print('\n=== 第二轮对话（session_id=zs1234） ===')
print(f'用户输入：请问：我的名字是什么？')
print(f'助手回复：{resp2.content}')

# ===================== 核心步骤8：测试流式响应（stream方式，逐token返回） =====================
# 新的会话配置：session_id=lis2323（新用户，与zs1234的历史隔离）
config = {'configurable': {'session_id': 'lis2323'}}  
print('\n=== 第三轮对话（session_id=lis2323，流式响应） ===')
print(f'用户输入：请给我讲一个笑话？')
print(f'助手回复（流式）：', end='')
# 流式调用：stream方法逐token返回响应，模拟实时聊天效果
for resp in do_message.stream(
    # 输入参数：用户请求讲笑话，回答语言为英文
    {'my_msg': [HumanMessage(content='请给我讲一个笑话？')], 'language': 'English'},
    config=config  # 关联到session_id=lis2323的历史
):
    # 每一次resp都是一个token，end='-'表示不换行，用-分隔token（演示流式效果）
    # 实际场景可改为end=''，直接拼接成完整句子
    print(resp.content, end='-')
# 补充换行，优化排版
print('\n')

3. 无任何注释的代码版本

import os

from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.messages import HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables import RunnableWithMessageHistory
from langchain_openai import ChatOpenAI
from langserve import add_routes

os.environ['http_proxy'] = '127.0.0.1:7890'
os.environ['https_proxy'] = '127.0.0.1:7890'

os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_PROJECT"] = "LangchainDemo"
os.environ["LANGCHAIN_API_KEY"] = ''

model = ChatOpenAI(model='gpt-4-turbo')

prompt_template = ChatPromptTemplate.from_messages([
    ('system', '你是一个乐于助人的助手。用{language}尽你所能回答所有问题。'),
    MessagesPlaceholder(variable_name='my_msg')
])

chain = prompt_template | model

store = {}

def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

do_message = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key='my_msg'
)

config = {'configurable': {'session_id': 'zs1234'}}

resp1 = do_message.invoke(
    {
        'my_msg': [HumanMessage(content='你好啊！ 我是LaoXiao')],
        'language': '中文'
    },
    config=config
)

print('=== 第一轮对话（session_id=zs1234） ===')
print(f'用户输入：你好啊！ 我是LaoXiao')
print(f'助手回复：{resp1.content}')

resp2 = do_message.invoke(
    {
        'my_msg': [HumanMessage(content='请问：我的名字是什么？')],
        'language': '中文'
    },
    config=config
)

print('\n=== 第二轮对话（session_id=zs1234） ===')
print(f'用户输入：请问：我的名字是什么？')
print(f'助手回复：{resp2.content}')

config = {'configurable': {'session_id': 'lis2323'}}
print('\n=== 第三轮对话（session_id=lis2323，流式响应） ===')
print(f'用户输入：请给我讲一个笑话？')
print(f'助手回复（流式）：', end='')
for resp in do_message.stream({'my_msg': [HumanMessage(content='请给我讲一个笑话？')], 'language': 'English'},
                              config=config):
    print(resp.content, end='-')
print('\n')

4. 核心知识点详解（系统梳理+表格）

4.1 核心概念梳理（小白友好版）

4.2 核心组件用法对照表

4.3 会话历史工作流程（可视化）

5. Print函数优化与说明

5.1 优化对比与核心改进

5.2 输出示例（参考）

=== 第一轮对话（session_id=zs1234） ===
用户输入：你好啊！ 我是LaoXiao
助手回复：你好呀LaoXiao！很高兴认识你，有什么我能帮忙的吗？

=== 第二轮对话（session_id=zs1234） ===
用户输入：请问：我的名字是什么？
助手回复：你的名字是LaoXiao呀😊

=== 第三轮对话（session_id=lis2323，流式响应） ===
用户输入：请给我讲一个笑话？
助手回复（流式）：Why-did-the-scarecrow-win-an-award?-Because-he-was-outstanding-in-his-field!-

• 流式输出说明：end='-'让每个token之间用-分隔，直观展示“逐token返回”的特点；实际应用中可改为end=''，直接拼接成完整句子（无分隔符）。

5.3 关键说明

• resp.content：无论invoke还是stream，每个响应对象的content字段都是当前生成的文本（invoke返回完整文本，stream返回单个token文本）；
• 会话隔离性：zs1234和lis2323的会话历史完全隔离，lis2323的对话不会影响zs1234的历史，反之亦然；
• 历史记录持久化：本案例的store是内存字典，重启程序后所有历史记录丢失，生产环境需替换为Redis/数据库。

总结（关键点回顾）

1. 核心能力：LangChain通过RunnableWithMessageHistory+ChatMessageHistory实现会话历史管理，session_id是区分不同用户的核心；
2. 关键组件：MessagesPlaceholder是提示模板中关联历史的核心，需与input_messages_key保持一致；
3. 调用方式：
   • invoke：一次性获取完整响应，适合短文本；
   • stream：逐token返回，适合实时对话/长文本；
4. 实用技巧：
   • 内存存储的会话历史仅适合测试，生产环境需用Redis/数据库持久化；
   • 会话历史会增加提示词长度，需注意模型的上下文窗口限制（gpt-4-turbo为128k token）；
   • 可通过ChatMessageHistory.clear()清空指定session_id的历史记录。