AI探索实践14 - Typescript开发AI应用6：将对话历史记录添加到上下文_messagesplaceholder

大家好，我是feng，欢迎关注公众号和我一起探索。如果文章对你有所启发，请为我点赞、转发！

一、重点回顾

上文《AI探索实践13 - Typescript开发AI应用5：抓取网页、文档分割、向量存储与检索链语义检索的使用 【推荐】》我们对抓取网页、文档加载、分割文档、嵌入、从向量数据库检索等关键的概念进行了一一了解。

在用户和大模型的对话过程中，为了更好的帮助大模型提供准确的回答，除了加载第三方文档数据之外，还有一个重要的内容：用户和大模型的对话历史记录。因为有些问题必须结合之前的问答记录结合RAG，才能得到更准确的回答。

本文介绍如何将对话的历史记录，加入到整个链中，以更好地辅助大模型应答。

二、消息对象类型

在LangChain中，有专门的类代表消息对象。在@langchain/core/messages中，有3个主要的消息类型：

1. AIMessage: 代表大模型消息

2. HumanMessage：代表用户的消息

3. SystemMessage：代表系统消息

有了这3种类型的消息，就能够让我们灵活定义链中的逻辑。

三、自定义历史记录

注：本文代码基于上一篇代码基础上进行编写。

3.1 创建对话历史记录数组

const chatHistory = [
  new HumanMessage('你好，我是张山'),
  new AIMessage('你好，张山。有什么可以帮到你？'),
  new HumanMessage('What is LCEL ?'),
  new AIMessage('LCEL stands fro Langchain Expression Language'),
  new HumanMessage('What does LCEL stand for?'),
  new AIMessage('Langchain Expression Language'),
];

我们可以轻松构建一个消息对象，只需要将内容作为构造参数即可。上面的代码，构建了一个包含6条件消息记录的数组。

3.2 调整提示语模板

在提示语模板中，增加历史记录变量：

const prompt = ChatPromptTemplate.fromTemplate(`
  回答用户的问题。
  Context：{context}
  历史记录: {chat_history}
  问题：{input}。
`);

虽然在模板中，我们定义了一个 chat_history 的变量，但是我们在调用链时，并不能直接将上面定义的消息数组： chatHistory 传入链中。这是因为 chatHistory 是一个数组，而提示语模板中 chat_history 变量，需要的是一个字符串类型。我们需要进行一个转换的处理。LangChain中，@langchain/core/prompts中的MessagesPlaceholder类负载处理这种逻辑。

要使用额外的逻辑处理，那么原有基于字符串类型的模板就不适用了，需要修改提示语模板为消息模板：

  // MessagesPlaceholder 的作用就是接收一个消息对象数组，并将它转化为字符串
  const prompt = ChatPromptTemplate.fromMessages([
    ['system', '根据接下来的上下文: {context} 回答用户提出的问题。'],
    new MessagesPlaceholder('chat_history'),
    ['user', '{input}'],
  ]);

 

四、将历史记录传入链

const response = await chain.invoke({
  //input: 'what is it?',
  input: '我的名字叫什么?',
  chat_history: chatHistory,
  //input: '密码是多少',
  //context: docs,
});
 
console.log(response);
 

最后，我们传入变量，并将写好的历史记录数组传入链中即可。

运行链，观察输出结果：

可以看到，对话历史记录数组连同抓取的网页内容，一起打印出来。在调用链时，我们提出的问题是：我的名字叫什么？这个问题和抓取网页的内容完全不相干，但是由于有对话的历史记录的存在，大模型得以准确地回答。

五、总结

在实际的应用开发中，我们往往会将历史记录存入数据库中。当用户开启历史会话时，从数据库中读取历史记录后，显示在页面上。每当用户提出对话时，将历史记录数组转为模板中的变量作为上下文，一起提交给大模型。

由于大模型每次对话对于token长度的处理能力有所限制，我们应该在页面上引导用户在不同的问题，使用新的会话。这样不至于由于历史记录过长，超出token长度限制，或上下文内容重复导致大模型错误或者幻觉类的回答。