模拟机器人

1、完成聊天上下文保存。
2、完成上下文基于sqlite保存。
3、剪辑历史记录和摘要信息（历史记录清空，保留最近两条）

04-多模态机器人案例/03-修剪历史上下文摘要.py

@@ -0,0 +1,122 @@
+from langchain_community.chat_message_histories import SQLChatMessageHistory
+from langchain_core.chat_history import InMemoryChatMessageHistory
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+from langchain_core.runnables import RunnableWithMessageHistory, RunnablePassthrough
+from langchain_openai import ChatOpenAI
+
+
+from env_util import DASHSCOPE_API_KEY, DASHSCOPE_BASE_URL
+
+# 0、llm~~
+llm = ChatOpenAI(
+    model = "qwen-plus",
+    base_url=DASHSCOPE_BASE_URL,
+    api_key=DASHSCOPE_API_KEY,
+    temperature=0.8,
+);
+
+# ===============================================================================================
+
+# 1、定义专门做聊天的提示词模板
+prompt = ChatPromptTemplate.from_messages([
+    ('system', '你是一个乐于助人的助手。尽你所能回答所有问题。提供的聊天历史包含与你对话用户的相关信息。'), # 系统提示词
+    MessagesPlaceholder(variable_name='chat_history', optional=True), #消息占位符
+    ('human', '{input}') #用户提示词，input用户传的问题
+])
+
+chain = prompt | llm;
+
+# ===============================================================================================
+# 2、存储聊天记录： 存的谁？存的第10行的内容（存到哪里？内存、关系型数据库或者redis数据库）
+
+store = {}
+
+def get_session_history(session_id: str):
+    """从关系型数据库的历史消息列表中 返回当前会话 的所有历史消息"""
+    #  SQLChatMessageHistory是langchain提供的
+    return SQLChatMessageHistory(
+        session_id=session_id,
+        # 这里url换为自己的数据库即可
+        connection_string='sqlite:///chat_history.db',
+    )
+
+
+
+# ===============================================================================================
+# 3、创建带历史记录功能的处理链，帮我自动存储历史记录
+
+chain_with_message_history = RunnableWithMessageHistory(
+    chain, # 基础执行链
+    get_session_history, # 指定工厂函数，返回指定session_id的聊天记录
+    input_messages_key='input', # 指定用户输入的消息的key
+    history_messages_key='chat_history', # 历史消息记录的key
+)
+
+# ===============================================================================================
+#4、剪辑和摘要历史上下文消息
+# 比如：保留最近的前2条消息（随意指定条数），把之前的所有消息形成摘要
+# 定义summarize_messages函数，把当前用户的这次输入传进来
+def summarize_messages(current_input):
+    """剪辑和摘要上下午，历史记录"""
+    # 从current_input取出session_id
+    session_id = current_input['config']["configurable"]["session_id"]
+
+    if not session_id:
+        raise ValueError("必须通过config参数提供session_id")
+
+    # 获取当前会话ID的所有历史聊天记录
+    chat_history = get_session_history(session_id)
+    # 从历史聊天记录取出message这个聊天列表（是个数组，里面是一条一条消息，包括AiMessage，toolmessage，humanmessage，systemmessage。。）
+    stored_messages = chat_history.messages
+
+    # 如果stored_messages长度太短，只有两条以内聊天记录，不需要摘要
+    if len(stored_messages) <= 2:  # 保留最近2条消息的阈值
+        return False
+
+    # 超过2条再剪辑
+    # 剪辑消息列表
+    last_two_messages = stored_messages[-2:]  # 保留的最后2条消息
+    messages_to_summarize = stored_messages[:-2]  # 需要进行摘要的消息列表（最后2条之前的记录）
+
+    # 构建摘要：就是让大模型去帮你构建摘要，帮你做这件事情，在这里需要再调用大模型
+    # 所以先构建提示词模版
+    summarization_prompt = ChatPromptTemplate.from_messages([
+        ("system", "请将以下对话历史压缩为一条保留关键信息的摘要消息。"),
+        ("placeholder", "{chat_history}"),
+        ("human", "请生成包含上述对话核心内容的摘要，保留重要事实和决策。")
+    ])
+    # 组成链调用大模型
+    summarization_chain = summarization_prompt | llm
+    # 大模型会帮你生成摘要(AIMessage) ——》需要生成摘要的是messages_to_summarize，last_two_messages不需要生成摘要
+    summary_message = summarization_chain.invoke({'chat_history': messages_to_summarize})
+
+    # 重建历史记录：清空历史聊天记录 + 添加摘要 + 最后2条原始消息
+    chat_history.clear()
+    chat_history.add_message(summary_message)
+    for msg in last_two_messages:
+        chat_history.add_message(msg)
+
+    return True
+
+
+# 最终的链 （需要LCEL完成）
+# RunnablePassthrough 默认会将输入数据原样传递到下游，通过管道传给下一个组件chain_with_message_history
+# 同时.assign() 方法允许在保留原始输入的同时，通过指定键值对（如 messages_summarized=summarize_messages）向输入字典中添加新字段
+final_chain = (RunnablePassthrough.assign(messages_summarized=summarize_messages) | chain_with_message_history)
+
+# ===============================================================================================
+#5、 测试
+result1 = final_chain.invoke({'input': '你好，我是郑金维！',
+                              "config": {"configurable": {"session_id": "user123"}}},
+                                             config={"configurable": {"session_id": "user123"}})
+print(result1)
+
+result2 = final_chain.invoke({'input': '我的名字叫什么?',
+                              "config": {"configurable": {"session_id": "user123"}}},
+                                             config={"configurable": {"session_id": "user123"}})
+print(result2)
+
+result3 = final_chain.invoke({'input': '历史上，和我同名的人有哪些？',
+                              "config": {"configurable": {"session_id": "user123"}}},
+                                            config={"configurable": {"session_id": "user123"}})
+print(result3)