LangChain对话历史管理与工具调用实战指南

1. 对话历史管理 (Memory)

1.1 状态管理与 Prompt 结合

在构建大模型应用时，对话历史管理是核心挑战之一。传统方法使用ConversationChain和ConversationBufferMemory，但LangChain 0.1之后更推荐使用RunnableWithMessageHistory。这个方案的优势在于：

1. 完美契合LCEL（LangChain Expression Language）语法
2. 支持灵活的后端存储方案
3. 与Prompt模板无缝集成

实际开发中，我们通常需要结合ChatPromptTemplate来构建完整的对话流程。关键点在于：

• 使用MessagesPlaceholder预留历史消息插入位置
• 通过session_id区分不同用户的对话上下文
• 将记忆功能封装为可复用的组件

这里有个重要细节：生产环境中建议使用RedisChatMessageHistory而非InMemoryChatMessageHistory，因为：

1. 支持分布式部署
2. 具备持久化能力
3. 可以设置TTL自动清理过期会话

1.2 关键技巧：消息裁剪 (Trim Messages)

随着对话轮次增加，上下文窗口限制和API成本会成为突出问题。trim_messages工具提供了几种实用策略：

1. 按Token数量裁剪（max_tokens参数）
2. 按消息数量裁剪（max_messages参数）
3. 混合裁剪策略（结合count和last等选项）

实际应用中需要注意：

• 始终保留SystemMessage（include_system=True）
• 确保裁剪后以HumanMessage开头（start_on="human"）
• 根据模型上下文窗口调整max_tokens值

提示：token_counter参数可以传入自定义的token计数函数，当使用非OpenAI模型时特别有用。

2. 工具调用 (Tool Calling)

2.1 定义工具：文档与类型提示是灵魂

工具定义的质量直接影响模型调用效果。最佳实践包括：

1. 使用Google风格或Numpy风格的Docstring
2. 为所有参数添加类型提示
3. 对复杂参数使用Pydanti