
本文详解如何使用 LangGraph 的 State 机制全程维护聊天历史,通过 add_messages 边界操作和全局状态同步,实现消息的累积存储、实时访问与结构化打印。
本文详解如何使用 langgraph 的 state 机制全程维护聊天历史,通过 add_messages 边界操作和全局状态同步,实现消息的累积存储、实时访问与结构化打印。
在 LangGraph 中,聊天历史并非自动“累积写入”,而是需由开发者显式管理 state 的更新逻辑。核心原则是:每次调用节点后,必须将新消息追加到 state["messages"] 列表中,而非覆盖或错误封装。原代码中 AIMessage(content=ai_response) 的写法导致类型嵌套错误(ai_response 已是 AIMessage),引发 Pydantic 校验失败。
✅ 正确的消息处理流程
LangChain 的 ChatOpenAI.invoke() 接收 messages 列表(含 HumanMessage/AIMessage 等)并返回一个 AIMessage 对象。因此,chatbot 节点应直接拼接原始消息列表与新响应:
def chatbot(state: State) -> dict:
# ✅ 正确:传入完整 message 历史,LLM 自动处理上下文
ai_response = llm.invoke(state["messages"])
# ✅ 正确:追加 AI 响应,保持 messages 类型一致性
return {"messages": state["messages"] + [ai_response]}注意:state["messages"] 是 list[BaseMessage],add_messages 已为其注册了安全合并逻辑,无需手动解包内容字符串。
? 全局历史变量 + 流式状态同步
为在循环中持续追踪完整对话,推荐使用外部 chat_history 列表作为会话级缓存,并在每次 graph.stream() 后同步更新:
chat_history = [] # 会话生命周期内持久化
while True:
user_input = input("User: ")
if user_input.lower() in ["quit", "q"]:
print("Chat Ended")
break
# 构造本次输入:HumanMessage + 当前历史
user_msg = HumanMessage(content=user_input)
input_state = {"messages": chat_history + [user_msg]}
# 执行图流,获取最新完整消息列表
for event in graph.stream(input_state):
for value in event.values():
messages = value["messages"]
if isinstance(messages, list):
last_message = messages[-1]
chat_history = messages # ? 关键:原子性更新全局历史
else:
last_message = messages
print("Assistant:", last_message.content)⚠️ 注意事项:
- 不要直接修改
state内部对象(如state["messages"].append(...)),LangGraph 要求节点返回新字典以保证不可变性与可追溯性;past_message_node中建议按角色区分打印(isinstance(msg, HumanMessage)),提升可读性;- 若需长期存储(如数据库),应在
past_message_node或独立回调中序列化messages(推荐langchain_core.messages.to_json())。
? 完整可运行示例(精简版)
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage
from langgraph.graph import StateGraph, END, START
from typing import TypedDict, Annotated
from langgraph.graph.message import add_messages
llm = ChatOpenAI(temperature=0.3)
class State(TypedDict):
messages: Annotated[list, add_messages]
graph = StateGraph(State)
graph.add_node("chatbot", lambda s: {"messages": s["messages"] + [llm.invoke(s["messages"])]})
graph.add_node("print_history",
lambda s: (print("\nChat history:"),
[print(f"- {'User' if isinstance(m, HumanMessage) else 'AI'}: {m.content}")
for m in s["messages"]]) and s)
graph.add_edge(START, "chatbot")
graph.add_edge("chatbot", "print_history")
graph.add_edge("print_history", END)
app = graph.compile()
chat_history = []
while True:
user = input("User: ")
if user.lower() in ["quit", "q"]: break
user_msg = HumanMessage(content=user)
for output in app.stream({"messages": chat_history + [user_msg]}):
for val in output.values():
if isinstance(val["messages"], list):
chat_history = val["messages"]
print("Assistant:", chat_history[-1].content)通过以上设计,你将获得一个健壮、可扩展的会话历史管理方案——既满足实时调试打印需求,也为后续添加记忆检索(RAG)、对话摘要、用户画像等功能打下坚实基础。

















