AI大模型应用开发入门-LangChain开发聊天机器人ChatBot
在大模型应用开发中，状态管理 和 对话追踪 是不可忽视的重要能力，尤其在需要保存上下文、重放对话或进行异步处理时尤为关键。今天我们来演示如何用 LangChain + OpenAI 的 GPT 模型 + PostgreSQL 搭建一个 具备消息存储能力 的聊天机器人。
技术栈
[*]LangChain（LangGraph 模块）
[*]OpenAI GPT-4o-mini（或任意兼容模型）
[*]PostgreSQL（用于状态和消息持久化）
[*]Python 3.10+
目标功能
我们将实现如下能力：
[*]构建一个简单但可扩展的对话工作流
[*]用 PostgreSQL 存储多轮对话状态
[*]支持根据 thread_id 恢复上下文
[*]模型自动裁剪历史消息，保证 Token 数不超限
[*]模拟一个“卡通语气”的 AI 角色进行回复
目录结构
.
├── llm_env.py # 初始化大模型
├── chatbot_base_on_postgres_demo.py# 主对话逻辑初始化 LLM 环境（llm_env.py）
我们用 langchain.chat_models.init_chat_model 来加载 GPT-4o-mini：
from langchain.chat_models import init_chat_model
llm = init_chat_model("gpt-4o-mini", model_provider="openai")你可以替换为任意你有权限使用的模型，比如 gpt-3.5-turbo, gpt-4, claude, mistral，甚至本地模型如 Ollama。
定义对话流程（chatbot_base_on_postgres_demo.py）
导入依赖
from langgraph.graph import START, MessagesState, StateGraph
from langgraph.graph.message import add_messages
from langgraph.checkpoint.postgres import PostgresSaver
from langchain_core.messages import HumanMessage, BaseMessage, trim_messages
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder状态定义与裁剪器（Token 管理）
我们定义对话状态，并用 LangChain 的 trim_messages 限制最大 token 数量，避免模型请求失败：
trimmer = trim_messages(
max_tokens=65,
strategy="last",
token_counter=model,
include_system=True,
allow_partial=False,
start_on="human",
)Prompt 模板
prompt_template = ChatPromptTemplate.from_messages(
[
("system", "你说话像个卡通人物。尽你所能按照语言{language}回答所有问题。"),
MessagesPlaceholder(variable_name="messages"),
]
)定义状态结构
class State(TypedDict):
messages: Annotated, add_messages]
language: str工作流定义
我们用 LangGraph 定义一个非常简单的图：
workflow = StateGraph(state_schema=State)
def call_model(state: State):
trimmed = trimmer.invoke(state["messages"])
prompt = prompt_template.invoke({
"messages": trimmed,
"language": state["language"]
})
response = model.invoke(prompt)
return {"messages": }
workflow.add_edge(START, "call_model")
workflow.add_node("call_model", call_model)接入 PostgreSQL 存储状态
DB_URI = "postgresql://postgres:123456@localhost:5432/langchaindemo?sslmode=disable"
with PostgresSaver.from_conn_string(DB_URI) as checkpointer:
checkpointer.setup()
app = workflow.compile(checkpointer=checkpointer)LangGraph 的 PostgresSaver 会在数据库中为每个 thread_id 维护一份完整的状态记录（状态压缩 + 消息追踪），非常适合审计和调试。
启动聊天循环
input_thread_id = input("输入 thread_id: ")
config = {"configurable": {"thread_id": input_thread_id}}
while True:
query = input("你: ")
if query.strip().lower() == "exit":
break
input_messages =
output = app.invoke({"messages": input_messages, "language": "中文"}, config)
for message in output["messages"]:
print(f"{message.type}: {message.content}")你可以使用同一个 thread_id 多次调用 app.invoke，来恢复之前的上下文继续对话。
效果展示
输入 thread_id: abc123
你: 今天天气怎么样？
ai: 哇哦，阳光明媚的天气最适合出去玩啦！☀️
你: 你是谁呀？
ai: 我是你的超级可爱聊天小助手，随时准备出发冒险！✨
总结
这只是 LangGraph 的一个入门示例，但它的潜力远不止如此。你可以：
[*]添加更多节点（如知识检索、函数调用、代码执行等）
[*]与前端（如 Gradio / Streamlit）结合打造完整应用
[*]利用数据库管理多用户会话历史
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！ 谢谢楼主提供！ 不错，里面软件多更新就更好了 收藏一下 不知道什么时候能用到 这个有用。 这个好，看起来很实用 这个有用。 新版吗？好像是停更了吧。
页:
[1]