通俗解析：如何在 LangChain/LangGraph 中管理消息历史

一、背景与核心问题

多轮对话应用（如智能客服、AI 助手）需要记住用户历史，才能实现连续对话。
如何让模型“记住”对话历史？怎么自动保存、切换不同用户的对话？这就是“消息历史管理”的核心意义。

LangGraph（LangChain 的新一代工作流引擎）为我们自动管理消息历史和多用户隔离提供了非常好的机制。
本文将用浅显的语言，带你快速掌握这一过程。

二、核心概念

1. 消息历史（message history）

• 就是用户和 AI 互相说的每一句话的顺序列表。
• 例如：[HumanMessage("你好"), AiMessage("你好，有什么可以帮您？"), HumanMessage("今天天气怎么样？")]

2. 状态（state）

• 不光能存消息历史，还能存别的上下文信息（如当前语言、用户 ID 等）。
• 所有流程节点都共享这份“状态”，就像对话机器人随身带的记事本。

3. 多线程/多用户支持

• 每个对话都有唯一 thread_id，就像每个人有自己的历史，不会串台。

三、消息历史的自动管理与持久化

LangGraph 的一大亮点是：

你只要定义好状态和节点，历史自动保存！
还可以选用内存、数据库等多种持久化方式。

最简单的例子：自动保存消息历史

from langchain_core.messages import HumanMessage
from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import START, MessagesState, StateGraph

workflow = StateGraph(state_schema=MessagesState)

def call_model(state: MessagesState):
    response = llm.invoke(state["messages"])
    return {"messages": response}  # 自动加入历史！

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

memory = MemorySaver()   # 用内存存历史
app = workflow.compile(checkpointer=memory)

• 每次调用 app.invoke，历史都会自动更新，无需手动管理。
• 支持多用户，只要 thread_id 不一样，历史互不干扰。

对话示例（支持多轮 & 多用户）

config = {"configurable": {"thread_id": "abc123"}}

# 第一次对话
input_messages = [HumanMessage("Hi! I'm Bob.")]
output = app.invoke({"messages": input_messages}, config)
output["messages"][-1].pretty_print()

# 第二次对话（同一个 thread_id，历史自动串起来）
input_messages = [HumanMessage("What's my name?")]
output = app.invoke({"messages": input_messages}, config)
output["messages"][-1].pretty_print()

# 换个 thread_id（新用户/新会话，历史是空的）
config = {"configurable": {"thread_id": "abc234"}}
input_messages = [HumanMessage("What's my name?")]
output = app.invoke({"messages": input_messages}, config)
output["messages"][-1].pretty_print()

效果说明：

• 同一个 thread_id，历史递增，模型记得你的名字
• 换 thread_id，历史清空，模型不认识你

四、复杂场景：自定义状态（带多参数）

除了消息历史，你还可以在状态中加入其它参数，比如当前对话语言。

from typing import Sequence
from langchain_core.messages import BaseMessage
from langgraph.graph.message import add_messages
from typing_extensions import Annotated, TypedDict

class State(TypedDict):
    messages: Annotated[Sequence[BaseMessage], add_messages]
    language: str

用法举例：

• 每次对话可以指定 language（如 “Chinese”, “English”, “Spanish”）
• 消息历史会自动添加，语言会自动覆盖

五、历史的访问与手动更新

1. 查看当前历史

state = app.get_state(config).values
print(state["language"])
for message in state["messages"]:
    message.pretty_print()

这样可以随时取出当前 thread_id 的全部历史和上下文。

2. 手动追加消息

from langchain_core.messages import HumanMessage

_ = app.update_state(config, {"messages": [HumanMessage("Test")]})

这样可以在自动对话流程外，自己加一条历史（方便测试或人工干预）。

六、测试工程师关注点与实用建议

1. 多线程/多用户测试

• 用不同 thread_id 验证历史是否真正隔离。

2. 断点续传 & 持久化

• 用 MemorySaver 测试本地内存；
• 生产可切换 SQLite、Redis 等持久化方案，验证断电/重启后历史是否能恢复。

3. 历史正确性

• 用 get_state 检查所有历史内容；
• 用 update_state 人为插入边界场景，验证模型上下文是否准确。

4. 参数多样性

• 状态不仅能存历史，还能存语言/偏好等多参数，便于多场景测试。

七、总结

• LangGraph自动管理消息历史，极大简化了多轮对话和多用户的开发、测试和维护。
• thread_id 隔离机制天然适合并发场景。
• 灵活的状态管理为复杂对话和个性化配置打下了基础。
• 测试工程师可以用 get_state、update_state 等接口，轻松覆盖各种历史与边界场景。

一句话总结：
用 LangGraph 构建多轮对话，历史和上下文“全自动保存”，多用户/多场景一把梭，测试/生产都省心！

如需具体代码场景或集成建议，可继续留言。