1. 导入必须的包

from typing import TypedDict,List,Union
from langchain_core.messages import HumanMessage,AIMessage
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
from langgraph.graph import StateGraph,START,END

1. from typing import TypedDict, List, Union

   • 导入 Python 类型提示工具，用于定义结构化的数据类型：
     • TypedDict：用于创建具有明确键和值类型的字典结构（如对话状态的定义）。
     • List：标注列表类型，指定列表中元素的类型（如消息列表）。
     • Union：标注 “联合类型”，表示一个变量可以是多种类型中的一种（如消息列表可包含人类消息或 AI 消息）。

2. from langchain_core.messages import HumanMessage, AIMessage

   • 导入 LangChain 核心模块中定义的消息类型：
     • HumanMessage：封装人类用户输入的消息（如用户的提问）。
     • AIMessage：封装 AI 生成的回复消息（如模型返回的回答）。
       这两种类型是构建对话历史的基础，确保消息在流程中被正确识别和处理。

3. from langchain.chat_models import init_chat_model

   • 导入 LangChain 提供的通用聊天模型初始化工具，用于便捷地创建不同厂商的聊天模型实例（如 OpenAI、DeepSeek、Anthropic 等）。
     通过统一的接口初始化模型，简化了不同模型之间的切换成本。

4. from dotenv import load_dotenv

   • 导入 python-dotenv 库的核心函数，用于从 .env 文件中加载环境变量（如 API 密钥、配置参数等），避免敏感信息硬编码在代码中，提升安全性。

5. from langgraph.graph import StateGraph, START, END

   • 导入 LangGraph 框架的核心组件，用于构建状态流转图：
     • StateGraph：状态图构建器，用于定义智能体的流程节点和节点间的连接关系。
     • START/END：系统内置的起始节点和结束节点，标记流程的起点和终点。

2. 加载大模型，定义消息类型

load_dotenv()
llm = init_chat_model("deepseek:deepseek-chat")
class State(TypedDict):
    message:List[Union[HumanMessage,AIMessage]]

1. load_dotenv()

• 作用：调用 python-dotenv 库的核心函数，从项目根目录的 .env 文件中加载环境变量（如 API 密钥、配置参数等）。
• 实际效果：假设 .env 文件中有 DEEPSEEK_API_KEY=your_api_key，执行后会将该密钥注入系统环境变量，供后续模型调用时自动读取，避免在代码中硬编码敏感信息。
• 注意：需确保 .env 文件与脚本在同一目录，或通过 load_dotenv(dotenv_path="路径") 指定文件位置。

2. llm = init_chat_model("deepseek-chat",temperature=0.7 )

• 作用：初始化 DeepSeek 聊天模型实例，用于后续生成 AI 回复。
• 细节说明：
  • init_chat_model 是 LangChain 提供的通用模型初始化工具，支持多种厂商的模型（通过模型名称区分）。
  • 可补充参数如 temperature=0.7 控制回复随机性（0-1 之间，值越高回复越灵活）。
  • 模型会自动从环境变量中读取 DEEPSEEK_API_KEY（由 load_dotenv() 加载），无需手动传入。

3. class State(TypedDict): message:List[Union[HumanMessage,AIMessage]]

• 作用：定义对话系统的状态结构，用于在流程中统一管理对话数据。
• 细节说明：

  3. 定义处理信息函数

  • State(TypedDict)：通过 TypedDict 定义一个结构化字典，明确规定状态中必须包含的字段及类型，确保数据格式一致。
  • message:List[Union[HumanMessage,AIMessage]]：
    • 字段名 message 表示 “对话消息列表”（建议用复数 messages，更符合列表语义）。
    • List[Union[HumanMessage, AIMessage]] 表示该列表可包含两种消息类型：HumanMessage（用户输入）和 AIMessage（AI 回复），完整记录对话历史。
  • 该状态会在 LangGraph 的节点间传递，确保各节点能获取完整的对话上下文。

def process(x:State)->State:
    """该节点处理用户输入的请求"""
    response = llm.invoke(x["message"])
    #将AI回复信息添加到状态字典中
    x["message"].append(AIMessage(content=response.content))
    #打印AI回复的内容
    print(f"\n {response.content}")
    # 打印x中当前的信息
    print("CURRENT STATE:", x["message"])
    return x

1. response = llm.invoke(x["message"])

   • x["message"] 是当前的对话历史（包含用户之前的输入和 AI 的回复），作为完整上下文传递给模型。
   • llm.invoke(...) 调用初始化好的 DeepSeek 模型，生成针对当前上下文的回复（response 包含回复文本 content）。

2. 状态更新机制
   x["message"].append(AIMessage(content=response.content))

   • 将 AI 回复的文本（response.content）包装成 LangChain 标准的 AIMessage 类型（标记为 “AI 发送的消息”）。
   • 把新消息添加到 x["message"] 列表中，更新对话历史。由于列表是可变对象，这一修改会直接反映到整个流程的状态中，确保后续对话能基于完整历史上下文进行。

     3. 核心价值

    这个节点函数通过简洁的逻辑实现了对话系统的核心能力：

•   上下文感知：基于完整的对话历史生成回复，支持多轮对话。
•    状态自动维护：无需手动管理对话历史，通过修改 State 对象实现自动更新。

4. 多轮对话

conversation_history = []
user_input = input("Enter:")
while user_input != 'exit':
    conversation_history.append(HumanMessage(content=user_input))
    result = app.invoke({"message":conversation_history})
    conversation_history=result['message']
    user_input=input('Enter:')

核心优势

• 上下文连贯性：每次调用智能体时都会传入完整的 conversation_history，确保 AI 能基于所有历史消息生成回复（支持多轮对话）。
• 状态自动同步：通过 result['message'] 更新对话历史，保证本地存储的消息与智能体处理后的状态完全一致，避免数据不一致问题。

5. 写入日志文件

# 将对话内容写入日志中
with open("logging.txt","w",encoding="utf-8") as file:
    file.write("Your conversation log:\n")

    for msg in conversation_history:
        if isinstance(msg,HumanMessage):
            file.write(f"you:{msg.content} \n")
        elif isinstance(msg,AIMessage):
            file.write(f"AI:{msg.content} \n\n")
    file.write("End of Conversation")
print("Conversation saved to logging.txt")

​​