开始使用免费开始使用

使用记忆启用多轮对话

您已经可以把更新后的聊天机器人分享给学校管理部门了！为了让学生获得顺畅的学习体验，支持他们追问后续问题非常重要。这样一来，如果机器人在第一次回答中遗漏信息，学生就可以通过继续对话来补充或修改问题。现在，您将改造机器人的流式函数以支持多轮交互，打印用户的查询以及机器人的回答。为启用记忆，LangGraph 会在用户提出追问时，将完整对话发送给 LLM。首先，您的 config 参数已为一位用户设置好：

config = {"configurable": {"thread_id": "1"}}

本练习是课程的一部分

使用 LangChain 设计 Agentic 系统

查看课程

练习说明

  • 每一轮开始时，先打印 queries 列表中的用户 query。
  • 使用 app.stream() 迭代 msg 和 metadata，将 query 作为 HumanMessage 的 content 并传入 config，同时拼接 msg.content 的值。
  • 为提取机器人的回复，打印 msg.content，但排除被标记为 HumanMessage 的 msg，并在下一条查询前添加换行符。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# Print the user query first for every interaction 
def user_agent_multiturn(queries):  
    for ____ in ____:
        print(f"User: {____}")
        
        # Stream through messages corresponding to queries, excluding metadata 
        print("Agent: " + "".join(____.____ for ____, ____ in app.____(
                {"messages": [____(____=_____)]}, config, stream_mode="messages") 
            
            # Filter out the human messages to print agent messages
            if ____.____ and not isinstance(____, ____)) + "____")       

queries = ["Is `stressed desserts?` a palindrome?", "What about the word `kayak`?",
    "What happened on the May 8th, 1945?", "What about 9 November 1989?"]
user_agent_multiturn(queries)
编辑并运行代码