AI开发-python-langchain框架（3-18-给会话历史增加id）

LangChain ReAct智能体实战：给会话历史添加ID，实现多会话隔离

在LangChain构建智能体的过程中，多轮对话的上下文管理是提升用户体验的关键。很多开发者在实现ReAct智能体时，会遇到一个常见问题：无法区分不同用户或不同会话的历史记录，导致对话上下文混乱，智能体“记混”对话内容。今天就结合实际开发场景，分享如何给LangChain ReAct智能体的会话历史添加唯一ID，实现会话隔离，让智能体能够精准记住每个会话的上下文，同时无需手动管理历史消息，大幅提升开发效率。一、核心痛点：为什么需要给会话历史加ID？

默认情况下，LangChain的会话历史存储是全局的，如果多个用户同时使用智能体，或者同一用户开启多个会话，所有的对话记录会混在一起。比如用户A和用户B分别与智能体对话，智能体可能会把A的提问和B的回复混淆，导致回答逻辑错乱。更关键的是，在实际部署场景中，我们需要对不同的会话进行区分、追溯甚至持久化存储，而唯一的会话ID就是实现这一切的基础。它就像每个会话的“身份证”，让智能体能够精准识别不同的对话上下文，避免交叉干扰。二、核心实现思路：会话ID与RunnableWithMessageHistory的结合

实现会话历史加ID的核心，在于LangChain中的RunnableWithMessageHistory组件，它能够将智能体执行器与会话历史管理绑定，通过会话ID来关联不同的对话记录，无需手动拼接历史消息，就能实现上下文的自动记忆。整个实现逻辑可以概括为3步，清晰易懂，无需复杂的配置：1. 初始化会话历史存储容器

首先需要创建一个会话历史的存储载体，用于保存当前会话的所有消息（用户提问和智能体回复）。这个载体可以根据实际需求选择，比如本地内存存储（适合测试）、数据库存储（适合生产环境），核心作用是临时或持久化存储对话记录。我们可以借助LangChain提供的会话历史管理工具，快速创建一个轻量的存储容器，无需自行开发复杂的存储逻辑。2. 绑定智能体与会话历史，关联会话ID

这是最关键的一步：通过RunnableWithMessageHistory，将我们已经创建好的ReAct智能体执行器，与会话历史存储容器进行绑定。同时，我们需要定义一个关联规则——通过会话ID来获取对应的会话历史。这里的核心设计是：每个会话对应一个唯一的会话ID，当智能体被调用时，会通过这个ID找到对应的会话历史，将历史消息自动注入到提示词中，让智能体能够“记住”之前的对话内容。值得注意的是，提示词模板中必须预留会话历史的占位符，这是会话历史能够被成功注入的前提，确保智能体在思考和回答时，能够获取到完整的上下文信息。3. 调用智能体时，传入会话ID实现隔离

在测试或实际调用智能体时，我们只需要在调用参数中传入唯一的会话ID，智能体就会自动关联该ID对应的会话历史。无论同一用户多次提问，还是不同用户同时提问，只要会话ID不同，对话历史就会被分开存储和调用，实现完全隔离。而且无需手动添加历史消息，智能体会自动将每次的用户提问和自身回复，保存到对应会话ID的历史容器中，下次调用时直接复用，极大简化了开发流程。三、关键注意点：避免踩坑的3个细节

在实现过程中，有几个细节容易被忽略，直接影响会话ID的作用效果，这里特别提醒大家：

• 会话ID必须唯一：无论是用户ID+会话标识，还是随机生成的唯一字符串，确保每个会话的ID不重复，否则会出现会话历史混乱的问题。
  
• 提示词占位符不可缺失：必须在ReAct提示词模板中预留会话历史的占位符，否则智能体无法获取历史消息，即使绑定了会话ID也无法实现上下文记忆。
  
• 会话历史的存储选择：测试环境可以使用本地内存存储，生产环境建议使用数据库 或缓存（如Redis），避免服务重启后会话历史丢失，同时支持多实例部署时的会话共享。
  

四、实际效果：会话隔离与自动记忆的实现

通过上述方法实现后，我们可以得到两个核心效果，完全解决多会话上下文混乱的问题：1. 会话隔离：不同会话ID对应的对话历史完全独立，比如会话ID为“tiger”的对话，和会话ID为“cat”的对话，智能体不会混淆两者的上下文，各自的对话能够连贯进行。2. 自动记忆：无需手动管理历史消息，智能体每次调用后，会自动将当前对话内容保存到对应会话ID的历史容器中，下次提问时，能够直接复用之前的对话信息，实现自然流畅的多轮对话。五、总结与延伸

给LangChain ReAct智能体的会话历史添加ID，本质上是通过会话ID实现对话上下文的隔离与关联，核心依赖RunnableWithMessageHistory组件的封装能力，无需复杂的代码开发，就能快速实现多会话管理。这种实现方式不仅适用于ReAct智能体，也适用于LangChain中的其他智能体类型，是多用户、多会话场景下的必备技巧。在实际生产环境中，我们还可以基于会话ID，实现会话历史的持久化、查询、清理等扩展功能，进一步提升智能体的实用性和可维护性。如果大家在实现过程中遇到会话历史注入失败、会话ID关联异常等问题，欢迎在评论区交流探讨，一起完善LangChain智能体的开发实践～ 代码实现：

1. from langchain_openai import ChatOpenAI
2. from langchain_core.tools import Tool
3. from langchain.agents import create_react_agent  # 改用 ReAct 智能体
4. from langchain.agents import AgentExecutor
5. from langchain_core.prompts import PromptTemplate  # ReAct 用 PromptTemplate 而非 ChatPromptTemplate
6. from langchain_core.messages import AIMessage, HumanMessage
7. from langchain_community.chat_message_histories import ChatMessageHistory
8. from langchain_core.runnables.history import RunnableWithMessageHistory
10. # 1. 初始化 LLM
11. DEEPSEEK_API_KEY = "123"  # 替换为实际的 API Key
12. llm = ChatOpenAI(
13.     api_key=DEEPSEEK_API_KEY,
14.     base_url="http://172.25.133.51:8085/v1",
15.     model="qwen3.5-27b-awq",
16.     temperature=0.3,
17.     max_tokens=1024,
18. )
20. # 2. 工具函数
21. def huawei_mall_search(query: str) -> str:
22.     """华为商城搜索工具"""
23.     print(f"[DEBUG] 工具被调用！搜索关键词：{query}")
24.     search_results = {
25.         "众测活动": "华为商城众测活动是让用户体验新品并反馈意见的活动。目前有Mate 60系列众测，参与可赢取礼品。",
26.         "手机": "华为商城最新手机：Mate 60系列、P60系列、nova系列等。",
27.         "笔记本": "华为MateBook X Pro、MateBook D系列笔记本电脑。",
28.         "手表": "华为Watch 4、Watch GT系列智能手表。",
29.         "默认": "请在华为商城官网查看详细信息或联系客服。"
30.     }
31.     for keyword in search_results:
32.         if keyword in query:
33.             return f"华为商城搜索结果：{search_results[keyword]}"
34.     return search_results["默认"]
36. # 3. 创建工具
37. huawei_tool = Tool(
38.     name="huawei_mall_search",
39.     description="查询华为商城相关信息，包括产品、活动、政策等",
40.     func=huawei_mall_search,
41. )
42. tools = [huawei_tool]
44. # 4. 定义 ReAct 提示词模板（关键修改！）
45. react_prompt = PromptTemplate.from_template("""
46. Answer the following questions as best you can. You have access to the following tools:
48. {tools}
50. Use the following format:
52. Question: the input question you must answer
53. Thought: you should always think about what to do
54. Action: the action to take, should be one of [{tool_names}]
55. Action Input: the input to the action
56. Observation: the result of the action
57. ... (this Thought/Action/Action Input/Observation can repeat N times)
58. Thought: I now know the final answer
59. Final Answer: the final answer to the original input question
61. Begin!
63. Previous conversation history:
64. {chat_history}
66. Question: {input}
67. Thought: {agent_scratchpad}
68. """)
70. #上面提示词中{chat_history}是记录历史会话记录的不能少
72. # 5. 创建 ReAct 智能体
73. try:
74.     agent = create_react_agent(llm=llm, tools=tools, prompt=react_prompt)
75.     print("Agent 创建成功")
76. except Exception as e:
77.     print(f"创建 Agent 失败: {e}")
78.     exit()
80. # 6. 创建执行器（保持不变）
81. agent_executor = AgentExecutor(
82.     agent=agent,
83.     tools=tools,
84.     verbose=True,
85.     max_iterations=3,
86.     handle_parsing_errors=True,
87.     return_intermediate_steps=True
88. )
90. # 7. 测试（保持不变）
91. print("\n" + "=" * 60)
92. print("测试 Agent 工具调用")
93. print("=" * 60)
98. message_history = ChatMessageHistory()
100. agent_with_chat_history = RunnableWithMessageHistory(
101.     agent_executor,
102.     # 这是必需的，因为在大多数现实场景中，需要会话 ID
103.     # 这里并没有真正使用它，因为我们使用的是一个简单 ChatMessageHistory
104.     lambda session_id: message_history,
105.     input_messages_key="input",
106.     history_messages_key="chat_history",
107. )
109. # 这里我们为 chat_history 传递一个空的消息列表，因为它是聊天中的第一条消息
110. chat1 = agent_with_chat_history.invoke(
111.     {"input": "你好，我是小老虎"},
112.     config={"configurable": {"session_id": "tiger"}},
113. )
115. print(chat1)
116. print('---------------')
117. print('char1最终回复:' + chat1['output'])
119. #这里不用手动写了 也能记住
120. #history = []+[HumanMessage(content=chat1['input']),AIMessage(content=chat1['output'])]
122. chat2 = agent_with_chat_history.invoke(
123.     {"input": "你知道我的名字吗？"},
124.     config={"configurable": {"session_id": "tiger"}},
125. )
128. print(chat2)
129. print('---------------')
130. print('char2最终回复:' + chat2['output'])
133. print("完整会话记录：")
134. for msg in message_history.messages:
135.     print(f"{msg.type}: {msg.content}")

复制代码

结果输出：
Agent 创建成功

============================================================
测试 Agent 工具调用
============================================================


> Entering new AgentExecutor chain...
Parent run 88f54bd0-50e6-4018-9249-ef030d2704fc not found for run 50f303ca-5ec0-4bb7-994b-0570ef8de62f. Treating as a root run.
l.


Thought: 用户只是在打招呼自我介绍，没有提出需要查询华为商城信息的问题。这是一个简单的问候，不需要使用工具。

Final Answer: 你好，小老虎！很高兴认识你！有什么我可以帮助你的吗？比如查询华为商城的产品信息、优惠活动或者相关政策等。

> Finished chain.
{'input': '你好，我是小老虎', 'chat_history': [], 'output': '你好，小老虎！很高兴认识你！有什么我可以帮助你的吗？比如查询华为商城的产品信息、优惠活动或者相关政策等。', 'intermediate_steps': []}
---------------
char1最终回复:你好，小老虎！很高兴认识你！有什么我可以帮助你的吗？比如查询华为商城的产品信息、优惠活动或者相关政策等。


> Entering new AgentExecutor chain...
Parent run 3cb69184-c16f-4f6b-ad16-901cf2580a56 not found for run 0255b5f3-5efe-4925-af16-0f22aa2a2f51. Treating as a root run.
s.


Thought: 根据之前的对话历史，用户在第一条消息中自我介绍为"小老虎"，我已经在回复中确认知道了这个名字。这个问题不需要使用华为商城搜索工具，可以直接从对话历史中回答。

Final Answer: 是的，我知道你的名字！你叫"小老虎"。很高兴认识你！有什么我可以帮助你的吗？

> Finished chain.
{'input': '你知道我的名字吗？', 'chat_history': [HumanMessage(content='你好，我是小老虎'), AIMessage(content='你好，小老虎！很高兴认识你！有什么我可以帮助你的吗？比如查询华为商城的产品信息、优惠活动或者相关政策等。')], 'output': '是的，我知道你的名字！你叫"小老虎"。很高兴认识你！有什么我可以帮助你的吗？', 'intermediate_steps': []}
---------------
char2最终回复:是的，我知道你的名字！你叫"小老虎"。很高兴认识你！有什么我可以帮助你的吗？
完整会话记录：
human: 你好，我是小老虎
ai: 你好，小老虎！很高兴认识你！有什么我可以帮助你的吗？比如查询华为商城的产品信息、优惠活动或者相关政策等。
human: 你知道我的名字吗？
ai: 是的，我知道你的名字！你叫"小老虎"。很高兴认识你！有什么我可以帮助你的吗？
 
 
更多学习资料尽在 老虎网盘资源
来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！