LangChain.js 对话记忆体系（一）：内存存储与文件持久化，让 AI 拥有对话记忆

本文目录

适用场景
完整实现代码
核心逻辑拆解
特点总结
依赖说明
1. 写入对话到本地文件
2. 从文件恢复历史继续对话
核心概念
1. 包导入路径易错
2. 环境变量拼写陷阱
3. dotenv 读取路径
4. sessionId 必须正确隔离
5. 文件存储不适合生产环境

大模型本质上是**无状态**的 —— 每一次调用 `model.invoke()` 都是一次独立的请求，它不会自动记住上一轮说了什么。想要实现连贯的多轮对话，就必须手动维护对话历史，把上下文拼接到 Prompt 中再传给模型。

LangChain 提供了标准化的 ChatMessageHistory 体系来管理对话记忆，最基础的两种实现就是：

内存存储（InMemoryChatMessageHistory） ：会话级临时存储，性能最高，进程退出即清空
文件存储（FileSystemChatMessageHistory） ：本地 JSON 文件持久化，支持跨会话恢复历史

本文就基于 LangChain.js 带你从零实现这两种对话记忆，附带完整可运行代码和实战踩坑指南。

一、内存级对话记忆：InMemoryChatMessageHistory

内存存储是最简单的记忆方案：对话消息全部保存在 Node.js 进程内存中，读写速度极快，不需要任何外部依赖。

适用场景

单次会话的临时对话
开发调试阶段快速验证
短对话、轻量场景

完整实现代码

<span>import</span> <span>'dotenv/config'</span>;
<span>import</span> { <span>ChatOpenAI</span> } <span>from</span> <span>'@langchain/openai'</span>;
<span>import</span> { <span>InMemoryChatMessageHistory</span> } <span>from</span> <span>'@langchain/core/chat_history'</span>;
<span>import</span> {
  <span>HumanMessage</span>,
  <span>SystemMessage</span>,
  <span>AIMessage</span>,
  getBufferString
} <span>from</span> <span>'@langchain/core/messages'</span>;

<span>// 初始化大模型（兼容通义千问等 OpenAI 协议模型）</span>
<span>const</span> model = <span>new</span> <span>ChatOpenAI</span>({
  <span>model</span>: process.<span>env</span>.<span>MODEL_NAME</span>,
  <span>apiKey</span>: process.<span>env</span>.<span>OPENAI_API_KEY</span>,
  <span>baseURL</span>: process.<span>env</span>.<span>OPENAI_BASE_URL</span>,
  <span>temperature</span>: <span>0</span>
});

<span>async</span> <span>function</span> <span>InMemoryDemo</span>(<span></span>) {
  <span>// 1. 初始化内存记忆容器</span>
  <span>const</span> history = <span>new</span> <span>InMemoryChatMessageHistory</span>();
  <span>const</span> systemMessage = <span>new</span> <span>SystemMessage</span>(
    <span>'你是一个友好、幽默的做菜助手，喜欢分享美食和烹饪技巧'</span>
  );

  <span>// 2. 第一轮对话</span>
  <span>console</span>.<span>log</span>(<span>'【开启第一轮对话】'</span>);
  <span>const</span> userMessage1 = <span>new</span> <span>HumanMessage</span>(<span>'你今天吃什么？'</span>);
  <span>// 用户消息存入记忆</span>
  <span>await</span> history.<span>addMessage</span>(userMessage1);
  <span>// 组装：系统提示 + 历史对话</span>
  <span>const</span> messages1 = [systemMessage, ...(<span>await</span> history.<span>getMessages</span>())];
  <span>const</span> response1 = <span>await</span> model.<span>invoke</span>(messages1);
  <span>// AI 回复也存入记忆</span>
  <span>await</span> history.<span>addMessage</span>(response1);
  <span>console</span>.<span>log</span>(<span>`助手：<span>${response1.content}</span>\n`</span>);

  <span>// 3. 第二轮对话（自动携带上一轮上下文）</span>
  <span>console</span>.<span>log</span>(<span>'【第二轮对话】'</span>);
  <span>const</span> userMessage2 = <span>new</span> <span>HumanMessage</span>(<span>'好吃吗？'</span>);
  <span>await</span> history.<span>addMessage</span>(userMessage2);
  <span>const</span> messages2 = [systemMessage, ...(<span>await</span> history.<span>getMessages</span>())];
  <span>const</span> response2 = <span>await</span> model.<span>invoke</span>(messages2);
  <span>await</span> history.<span>addMessage</span>(response2);
  <span>console</span>.<span>log</span>(<span>`助手：<span>${response2.content}</span>\n`</span>);

  <span>// 4. 查看全部历史消息</span>
  <span>const</span> allMessages = <span>await</span> history.<span>getMessages</span>();
  <span>console</span>.<span>log</span>(<span>`共保存了 <span>${allMessages.length}</span> 条对话`</span>);
  allMessages.<span>forEach</span>(<span>(<span>msg, index</span>) =></span> {
    <span>const</span> prefix = msg.<span>type</span> === <span>'human'</span> ? <span>'用户'</span> : <span>'助手'</span>;
    <span>console</span>.<span>log</span>(<span>`<span>${index + <span>1</span>}</span>. [<span>${prefix}</span>]: <span>${msg.content.substring(<span>0</span>, <span>50</span>)}</span>....`</span>);
  });
}

<span>InMemoryDemo</span>()
  .<span>catch</span>(<span>console</span>.<span>error</span>)
  .<span>finally</span>(<span>() =></span> {
    <span>console</span>.<span>log</span>(<span>'done'</span>);
  });

核心逻辑拆解

初始化记忆容器：new InMemoryChatMessageHistory() 创建一个内存中的消息队列
消息写入：每一轮用户提问和 AI 回复，都通过 addMessage() 存入记忆
上下文拼接：调用模型前，用 getMessages() 取出全部历史，和 System 提示词拼成完整消息数组
无持久化：脚本执行结束，内存释放，对话历史永久丢失

特点总结

✅ 优点：零依赖、速度极快、API 简单
❌ 缺点：进程重启 / 页面刷新就丢失，无法跨会话
🎯 定位：短期会话记忆，作为所有记忆方案的基础载体

二、文件持久化记忆：FileSystemChatMessageHistory

内存存储的对话无法保留，程序关掉就没了。如果希望下次运行还能继续之前的对话，就需要文件持久化—— 把对话历史写入本地 JSON 文件。

依赖说明

文件存储实现不在 @langchain/core 中，需要安装社区包：

npm install @langchain/community

1. 写入对话到本地文件

<span>import</span> <span>'dotenv/config'</span>;
<span>import</span> { <span>ChatOpenAI</span> } <span>from</span> <span>'@langchain/openai'</span>;
<span>import</span> { <span>FileSystemChatMessageHistory</span> } <span>from</span> <span>'@langchain/community/stores/message/file_system'</span>;
<span>import</span> { <span>HumanMessage</span>, <span>SystemMessage</span>, <span>AIMessage</span> } <span>from</span> <span>'@langchain/core/messages'</span>;
<span>import</span> path <span>from</span> <span>'node:path'</span>;

<span>const</span> model = <span>new</span> <span>ChatOpenAI</span>({
  <span>model</span>: process.<span>env</span>.<span>MODEL_NAME</span>,
  <span>apiKey</span>: process.<span>env</span>.<span>OPENAI_API_KEY</span>,
  <span>baseURL</span>: process.<span>env</span>.<span>OPENAI_BASE_URL</span>,
  <span>temperature</span>: <span>0</span>
});

<span>async</span> <span>function</span> <span>fileHistoryWriteDemo</span>(<span></span>) {
  <span>// 配置：本地文件路径 + 会话ID</span>
  <span>const</span> filePath = path.<span>join</span>(process.<span>cwd</span>(), <span>'chat_history.json'</span>);
  <span>const</span> sessionId = <span>'user_session_001'</span>;
  <span>const</span> systemMessage = <span>new</span> <span>SystemMessage</span>(
    <span>'你是一个友好、幽默的做菜助手，喜欢分享美食和烹饪技巧'</span>
  );

  <span>// 初始化文件记忆容器</span>
  <span>const</span> history = <span>new</span> <span>FileSystemChatMessageHistory</span>({
    filePath,
    sessionId
  });

  <span>// 第一轮对话</span>
  <span>console</span>.<span>log</span>(<span>'【开启第一轮对话】'</span>);
  <span>const</span> userMessage1 = <span>new</span> <span>HumanMessage</span>(<span>'红烧排骨怎么做'</span>);
  <span>await</span> history.<span>addMessage</span>(userMessage1);
  <span>const</span> messages1 = [systemMessage, ...(<span>await</span> history.<span>getMessages</span>())];
  <span>const</span> response1 = <span>await</span> model.<span>invoke</span>(messages1);
  <span>await</span> history.<span>addMessage</span>(response1);
  <span>console</span>.<span>log</span>(<span>`AI 的第一次回答：<span>${response1.content}</span>\n`</span>);

  <span>// 第二轮对话</span>
  <span>console</span>.<span>log</span>(<span>'【第二轮对话】'</span>);
  <span>const</span> userMessage2 = <span>new</span> <span>HumanMessage</span>(<span>'好吃吗？'</span>);
  <span>await</span> history.<span>addMessage</span>(userMessage2);
  <span>const</span> messages2 = [systemMessage, ...(<span>await</span> history.<span>getMessages</span>())];
  <span>const</span> response2 = <span>await</span> model.<span>invoke</span>(messages2);
  <span>await</span> history.<span>addMessage</span>(response2);
  <span>console</span>.<span>log</span>(<span>`AI 的第二次回答：<span>${response2.content}</span>\n`</span>);
}

<span>fileHistoryWriteDemo</span>().<span>then</span>(<span>console</span>.<span>log</span>).<span>catch</span>(<span>console</span>.<span>error</span>);

运行后会在项目根目录生成 chat_history.json，对话数据按 sessionId 分组持久化存储。

2. 从文件恢复历史继续对话

程序重启后，只要指定相同的文件路径和 sessionId，就能自动读取之前的对话历史，继续往下聊：

<span>import</span> <span>'dotenv/config'</span>;
<span>import</span> { <span>ChatOpenAI</span> } <span>from</span> <span>'@langchain/openai'</span>;
<span>import</span> { <span>FileSystemChatMessageHistory</span> } <span>from</span> <span>'@langchain/community/stores/message/file_system'</span>;
<span>import</span> { <span>HumanMessage</span>, <span>SystemMessage</span>, <span>AIMessage</span> } <span>from</span> <span>'@langchain/core/messages'</span>;
<span>import</span> path <span>from</span> <span>'node:path'</span>;

<span>const</span> model = <span>new</span> <span>ChatOpenAI</span>({
  <span>model</span>: process.<span>env</span>.<span>MODEL_NAME</span>,
  <span>apiKey</span>: process.<span>env</span>.<span>OPENAI_API_KEY</span>,
  <span>baseURL</span>: process.<span>env</span>.<span>OPENAI_BASE_URL</span>,
  <span>temperature</span>: <span>0</span>
});

<span>async</span> <span>function</span> <span>fileHistoryRestoreDemo</span>(<span></span>) {
  <span>const</span> filePath = path.<span>join</span>(process.<span>cwd</span>(), <span>'chat_history.json'</span>);
  <span>const</span> sessionId = <span>'user_session_001'</span>;
  <span>const</span> systemMessage = <span>new</span> <span>SystemMessage</span>(
    <span>'你是一个友好、幽默的做菜助手，喜欢分享美食和烹饪技巧'</span>
  );

  <span>// 使用相同的 filePath + sessionId，自动恢复历史</span>
  <span>const</span> restoredHistory = <span>new</span> <span>FileSystemChatMessageHistory</span>({
    filePath,
    sessionId
  });

  <span>const</span> restoredMessages = <span>await</span> restoredHistory.<span>getMessages</span>();
  <span>console</span>.<span>log</span>(<span>`从文件中恢复 <span>${restoredMessages.length}</span> 条历史信息`</span>);
  restoredMessages.<span>forEach</span>(<span>(<span>msg, index</span>) =></span> {
    <span>const</span> prefix = msg.<span>type</span> === <span>'human'</span> ? <span>'用户'</span> : <span>'助手'</span>;
    <span>console</span>.<span>log</span>(<span>`<span>${index + <span>1</span>}</span>. [<span>${prefix}</span>]: <span>${msg.content.substring(<span>0</span>, <span>50</span>)}</span>....`</span>);
  });

  <span>// 继续第三轮对话</span>
  <span>const</span> userMessage3 = <span>new</span> <span>HumanMessage</span>(<span>'需要什么食材'</span>);
  <span>await</span> restoredHistory.<span>addMessage</span>(userMessage3);
  <span>const</span> message = [systemMessage, ...(<span>await</span> restoredHistory.<span>getMessages</span>())];
  <span>const</span> response3 = <span>await</span> model.<span>invoke</span>(message);
  <span>console</span>.<span>log</span>(<span>`\nAI 的回答是：<span>${response3.content}</span>`</span>);
}

<span>fileHistoryRestoreDemo</span>();

核心概念

filePath：本地 JSON 文件的路径，所有会话数据都存在这里
sessionId：会话唯一标识，用来隔离不同用户 / 不同对话的历史，同一个文件里可以存多个会话
自动读写：addMessage() 会自动写入文件，getMessages() 会自动从文件读取，不需要手动操作 IO

三、内存存储 vs 文件存储：怎么选？

表格

对比维度	内存存储 InMemory	文件存储 FileSystem
持久化	❌ 进程退出即丢失	✅ 本地文件永久保存
读写速度	极快（内存操作）	一般（磁盘 IO）
外部依赖	无	依赖本地文件系统
跨会话	不支持	支持
多会话隔离	需要自己实现	原生支持 sessionId
适用场景	单次临时对话、开发调试	轻量持久化、个人工具、演示项目
缺点	数据易丢失	不适合高并发、大数据量

四、实战踩坑指南

1. 包导入路径易错

FileSystemChatMessageHistory 在 @langchain/community 包中，路径是：

@langchain/community/stores/message/file_system

不要写成 @langchain/core，也不要拼写错误。

2. 环境变量拼写陷阱

代码中 baseURL 对应的环境变量名必须和 .env 完全一致，注意不要出现 OPEAI_BASE_URL 这种少字母的笔误，否则会报 Missing credentials。

3. dotenv 读取路径

dotenv/config 默认从终端执行命令的目录查找 .env 文件，不是脚本文件所在目录。如果 .env 和脚本不在同一级，需要手动指定路径。

4. sessionId 必须正确隔离

不同用户、不同对话主题要用不同的 sessionId，否则多个会话的消息会混在一起，导致上下文混乱。

5. 文件存储不适合生产环境

本地文件存储没有并发控制，多进程同时写入可能损坏 JSON 文件；生产环境建议用 Redis、数据库或向量数据库做持久化。

五、总结与进阶

内存存储和文件存储是 LangChain 对话记忆体系的基础：

内存存储是会话内的临时载体，所有高级记忆策略最终都要在内存中组装上下文
文件存储是最简单的持久化方案，适合个人工具和轻量场景

但这两种方案都没有解决一个核心问题：对话会越来越长，最终超过模型的上下文窗口限制。

接下来就需要更高级的记忆管理策略：

Token 截断：超过阈值自动删除最早的对话
对话摘要：旧对话压缩成摘要，保留核心信息
向量检索记忆：全量历史存入向量库，按需召回相关片段

我们会在后续文章中逐一拆解。