LangChain 入门学习第九篇-多轮对话和上下文记忆
内容提要
本文介绍LangChain多轮RAG问答实现。通过MessagesPlaceholder将历史对话插入Prompt，每轮仍检索当前问题上下文，结合历史消息生成回答。用内存list保存HumanMessage和AIMessage，支持追问。限制是程序结束历史丢失、长对话占用上下文，无摘要压缩。核心公式：多轮对话=历史消息+当前问题+当前检索上下文。
延伸解读
历史消息与检索的职责分工
本文强调多轮对话中历史消息和检索各自承担不同角色：历史消息提供用户上下文，检索提供知识上下文。每一轮都需重新检索当前问题，不能因为有了历史就省略检索。这种设计确保模型既能理解追问的指代，又能获取最新相关知识，是构建多轮RAG系统的关键思路。
内存记忆的局限与演进方向
使用Python list保存对话历史虽然简单直观，但存在明显局限：程序结束即丢失、长对话占用大量上下文、无摘要压缩、无法按用户或会话隔离。文章指出，真实应用需将历史持久化到数据库，并在历史过长时引入摘要机制。这为后续优化指明了方向。
MessagesPlaceholder的作用
MessagesPlaceholder是LangChain中插入历史消息的关键组件，它允许将一组BaseMessage对象动态嵌入Prompt模板。与普通字符串变量不同，它能保留消息的角色（如HumanMessage、AIMessage），使模型能区分对话双方，从而更准确地理解上下文。这是实现多轮对话的基础。
Q&A
LangChain中如何实现多轮对话的上下文记忆？
在LangChain中，可以使用MessagesPlaceholder将历史消息插入Prompt，并用一个list保存HumanMessage和AIMessage。每轮对话时，将历史消息、当前问题和检索到的上下文一起传给模型，从而让模型理解追问的上下文。
多轮RAG中，每一轮都需要检索吗？为什么？
是的，每一轮都需要检索。因为历史消息解决的是用户上下文，而RAG检索解决的是知识上下文。即使有历史，当前问题可能涉及新的知识，所以需要根据当前问题重新检索相关文档片段。
LangChain中MessagesPlaceholder的作用是什么？
MessagesPlaceholder用于在Prompt模板中预留一个位置，用来插入历史消息列表。这样模型在生成回答时可以看到之前的对话内容，从而支持多轮对话。
使用内存list保存对话历史有什么限制？
限制包括：程序结束后历史丢失；长对话会占用越来越多上下文；没有摘要压缩；没有按用户或会话保存。这些限制在真实应用中需要通过数据库或摘要机制来解决。
如何运行LangChain多轮对话的demo？
在code/langchain-demo目录下运行命令：uv run python -m chapter09.memory_rag。也可以传入自定义的第一轮问题，例如：uv run python -m chapter09.memory_rag "FFmpeg 硬解码相关内容有哪些？"，程序会自动追加一个第二轮追问。
多轮对话的核心公式是什么？
多轮对话 = 历史消息 + 当前问题 + 当前检索上下文。即结合历史对话、当前问题和检索到的知识片段来生成回答。
