LangGraph开发-多轮对话问答机器人

发布时间：2026-04-09 22:58:16编辑：123阅读（5）

LangGraph中多轮对话实现方法

将大模型接入到LangGraph工作流程中，并允许动态消息处理以及与模型的交互。

大模型应用都是接受消息列表作为输入，就像LangChain中的ChatModel，需要接收Message对象列表作为输入。这些消息有多种形式，例如HumanMessage(用户输入)或AIMessage(大模型响应)。这种消息格式其实就与我们之前介绍的StateGraph(dict)结构有一些区别。




因此对于消息序列格式的state,一种更简单的方法就是使用LangGraph预构建的add_messages函数，这个更高级的状态所实现的是：对于全新的消息，它会附加到现有列表，同时它也会正确处理现有消息的更新。

代码如下：

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph,START,END
from langgraph.graph.message import add_messages
from langchain_ollama import ChatOllama

class State(TypedDict):
    messages: Annotated[list, add_messages]

graph_builder = StateGraph(State)

model = ChatOllama(
    model="qwen3:8b",
    temperature=0,
    top_p=0.95,
)

def chat_bot(state: State):
    response = model.invoke(state["messages"])
    return {"messages": [response]}

# 添加节点
graph_builder.add_node("chat_bot", chat_bot)

# 添加边
graph_builder.add_edge(START, 'chat_bot')
graph_builder.add_edge( 'chat_bot', END)

graph = graph_builder.compile()

final_state = graph.invoke({"messages": ["你好，你是谁"]})
print(final_state['messages'][-1].content)

with open("graph4.png", "wb") as f:
    f.write(graph.get_graph(xray=True).draw_mermaid_png())

运行结果：

你好！我是通义千问，由通义实验室研发的超大规模语言模型。我能够帮助你回答问题、创作文字、编程、分析数据等等。如果你有任何需要帮助的地方，欢迎随时告诉我！😊




结构图：



这个图的基本逻辑是：第一个节点调用大模型并生成一个输出，该输出是一个AIMessage对象类型，然后，第二个节点直接将前一个节点的AIMessage提取为具体的JSON格式，完成JSON的解析。




langgraph多消息请求：

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph,START,END
from langgraph.graph.message import add_messages
from langchain_ollama import ChatOllama
from langchain_core.messages import AIMessage,HumanMessage

class State(TypedDict):
    messages: Annotated[list, add_messages]

graph_builder = StateGraph(State)

model = ChatOllama(
    model="qwen3:8b",
    temperature=0,
    top_p=0.95,
)

def chat_bot(state: State):
    response = model.invoke(state["messages"])
    return {"messages": [response]}

# 添加节点
graph_builder.add_node("chat_bot", chat_bot)

# 添加边
graph_builder.add_edge(START, 'chat_bot')
graph_builder.add_edge( 'chat_bot', END)

graph = graph_builder.compile()

messages_list = [
    HumanMessage(content="你好，我叫张三，好久不见"),
    AIMessage(content="你好呀，我是CC，一名乐于助人的AI助手，很高兴认识你"),
    HumanMessage(content="你还记得我叫什么名字吗？")
]

final_state = graph.invoke({"messages": messages_list})
print(final_state['messages'][-1].content)

with open("graph4.png", "wb") as f:
    f.write(graph.get_graph(xray=True).draw_mermaid_png())

运行结果

当然记得！你叫张三，上次见面已经很久了，真是想念啊！最近过得怎么样呀？有什么我可以帮你的吗？




langgraph多轮对话输入请求

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph,START,END
from langgraph.graph.message import add_messages
from langchain_ollama import ChatOllama
from langchain_core.messages import AIMessage,HumanMessage

class State(TypedDict):
    messages: Annotated[list, add_messages]

graph_builder = StateGraph(State)

model = ChatOllama(
    model="qwen3:8b",
    temperature=0,
    top_p=0.95,
)

def chat_bot(state: State):
    response = model.invoke(state["messages"])
    return {"messages": [response]}

# 添加节点
graph_builder.add_node("chat_bot", chat_bot)

# 添加边
graph_builder.add_edge(START, 'chat_bot')
graph_builder.add_edge( 'chat_bot', END)

graph = graph_builder.compile()

messages_list = [
]

while True:
    try:
        user_input = input("用户提问：")
        if user_input.lower() in ['exit']:
            print("退出，下次再见!")
            break
        messages_list.append(HumanMessage(content=user_input))
        final_state = graph.invoke({"messages": messages_list})
        print("小智：", final_state["messages"][-1].content)
        messages_list.append(final_state["messages"][-1])
        messages_list = messages_list[-50:]
    except:
        break

运行结果:

用户提问：我是张三

小智： 哦，张三啊！很高兴认识你！今天有什么想聊的吗？或者需要帮忙的？我在这里陪着你呢~

用户提问：你能做什么

小智： 我是一个大型语言模型，可以帮你做很多事情！以下是一些我擅长的领域：




1. **知识问答**：解答各种学科、文化、科技等方面的问题。

2. **创作辅助**：帮你写故事、诗歌、剧本、邮件、文案等。

3. **逻辑推理**：解决数学题、编程问题、谜题等需要逻辑思考的任务。

4. **多语言翻译**：支持中英日韩等多国语言的互译。

5. **学习辅导**：提供学习建议、知识点总结、考试复习等帮助。

6. **日常对话**：陪你聊天、分享观点、讨论感兴趣的话题。

7. **代码生成**：根据需求生成或解释编程代码（如Python、Java等）。

8. **娱乐互动**：玩文字游戏、猜谜、讲故事等。




如果你有具体需求，可以告诉我，我会尽力帮你！ 😊

用户提问：我叫什么

小智： 你叫张三！😊 之前你已经告诉我了，我这边都记着呢~ 有什么需要帮忙的吗？或者想聊点什么？

用户提问：exit

退出，下次再见!




借助MemorySaver高效搭建多轮对话机器人

MemorySaver的核心功能

1 短期记忆（线程级记忆）MemorySaver为每个thread_id保存和恢复对话状态(State)，实现在同一会话中历史上下文记忆。

2 状态持久化   在每个节点运行后，State会自动存储；再次调用时，如果使用相同的thread_id，MemorySaver会恢复此前保存的状态，无需手动传递历史信息。

3 多会话隔离    通过不同的thread_id可实现会话隔离，允许多个用户并发交互且各自的对话互不干扰。

4 图状态快照与恢复   不仅包括对话历史，还保存整个工作流状态，可用于错误恢复、时间旅行、断点续跑、Human-in-the-loop等高级场景。

示例代码:

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph,START,END
from langgraph.graph.message import add_messages
from langchain_ollama import ChatOllama
from langgraph.checkpoint.memory import MemorySaver

# 定义状态类（会自动合并messages）
class State(TypedDict):
    messages: Annotated[list, add_messages]

# 初始化模型
model = ChatOllama(
    model="qwen3:8b",
    temperature=0,
    top_p=0.95,
)

# 定义聊天节点
def chatbot(state: State) -> State:
    reply = model.invoke(state["messages"])
    return {'messages': [reply]}

# 构建带MemorySaver的图
builder = StateGraph(State)
builder.add_node('chatbot', chatbot)
builder.add_edge(START, 'chatbot')
builder.add_edge('chatbot', END)
memory = MemorySaver()
graph = builder.compile(checkpointer=memory)

# 运行多轮对话，使用相同thread_id实现记忆
thread_config = {"configurable":{"thread_id":"session_10"}}

# 第一轮对话
state1 = graph.invoke({"messages":[{"role":"user", "content":"我叫张三"}]}, config=thread_config)
print(state1["messages"][-1].content)

# 第二轮对话
state2 = graph.invoke({"messages":[{"role":"user", "content":"我叫什么"}]}, config=thread_config)
print(state2["messages"][-1].content)

# 使用不同的thread_id，会开启全新对话
state3 = graph.invoke({"messages":[{"role":"user", "content":"我叫什么"}]}, 
config={"configurable":{"thread_id":"session_2"}})
print(state3["messages"][-1].content)

# 查看记忆
latest = graph.get_state(thread_config)
print(latest.values['messages']) # 包含全部轮次对话

运行结果:

你好，张三！很高兴认识你。有什么我可以帮你的吗？是想讨论某个话题，还是需要解决某个问题？随时告诉我哦！ 😊

你叫张三！😊 有什么我可以帮你的吗？

你好！我是通义千问，你可以叫我Qwen。有什么问题或需要帮助的地方吗？😊

[HumanMessage(content='我叫张三', additional_kwargs={}, response_metadata={}, id='e0301ee9-3630-41d5-a177-0ebb241bc923'), AIMessage(content='你好，张三！很高兴认识你。有什么我可以帮你的吗？是想讨论某个话题，还是需要解决某个问题？随时告诉我哦！ 😊', additional_kwargs={}, response_metadata={'model': 'qwen3:8b', 'created_at': '2026-04-09T14:55:36.262431513Z', 'done': True, 'done_reason': 'stop', 'total_duration': 7435033223, 'load_duration': 3240815798, 'prompt_eval_count': 14, 'prompt_eval_duration': 37374857, 'eval_count': 169, 'eval_duration': 4069471189, 'logprobs': None, 'model_name': 'qwen3:8b', 'model_provider': 'ollama'}, id='lc_run--019d72bd-bd4c-79a1-bf8c-2abd404751c3-0', tool_calls=[], invalid_tool_calls=[], usage_metadata={'input_tokens': 14, 'output_tokens': 169, 'total_tokens': 183}), HumanMessage(content='我叫什么', additional_kwargs={}, response_metadata={}, id='df1a725d-ddbc-4d1b-8ca1-eb0850d1f26c'), AIMessage(content='你叫张三！😊 有什么我可以帮你的吗？', additional_kwargs={}, response_metadata={'model': 'qwen3:8b', 'created_at': '2026-04-09T14:55:41.274219069Z', 'done': True, 'done_reason': 'stop', 'total_duration': 5006213719, 'load_duration': 82059554, 'prompt_eval_count': 60, 'prompt_eval_duration': 50574398, 'eval_count': 201, 'eval_duration': 4812387113, 'logprobs': None, 'model_name': 'qwen3:8b', 'model_provider': 'ollama'}, id='lc_run--019d72bd-d824-77b2-84c4-4e7b4c34b6f3-0', tool_calls=[], invalid_tool_calls=[], usage_metadata={'input_tokens': 60, 'output_tokens': 201, 'total_tokens': 261})]

关键字：