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。

第二步：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[list[BaseMessage], 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": [response]}

workflow.add_edge(START, "call_model")
workflow.add_node("call_model", call_model)

第三步：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 = [HumanMessage(query)]
    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