
本文详解如何使用 LangGraph 的 State 机制持久化聊天上下文,通过 add_messages 辅助函数和全局状态管理,实现跨轮次的完整对话历史累积、检索与打印。
本文详解如何使用 langgraph 的 state 机制持久化聊天上下文,通过 `add_messages` 辅助函数和全局状态管理,实现跨轮次的完整对话历史累积、检索与打印。
在 LangGraph 中,聊天历史并非自动“累积”到 state 中——它依赖于你显式返回更新后的消息列表。原代码中 llm.invoke(user_message) 直接传入字符串,不仅丢失了角色(Human/AI)语义,更关键的是:llm.invoke() 实际返回的是一个 AIMessage 对象(而非纯字符串),而后续又错误地嵌套调用 AIMessage(content=ai_response),导致 Pydantic 类型校验失败(ValidationError: Input should be a valid string)。这是初学者最常见的类型陷阱。
✅ 正确做法是:始终将 state["messages"](即完整的 Message 列表)传给 LLM,并将模型返回的 AIMessage 追加到原列表末尾,确保 state 的 messages 字段持续增长:
def chatbot(state: State):
# ✅ 正确:传入整个消息历史(含 HumanMessage 和历史 AIMessage)
ai_response = llm.invoke(state["messages"])
# ✅ 正确:返回 [原始消息 + 新AI响应],保持类型一致
return {"messages": state["messages"] + [ai_response]}同时,为在循环中持续追踪最新会话状态,推荐使用外部变量 chat_history 作为会话级缓存(注意:这不是 LangGraph 内置 state,而是 Python 层控制流变量):
chat_history = [] # 会话生命周期内有效
while True:
user_input = input("User: ")
if user_input.lower() in ["quit", "q"]:
print("Chat Ended")
break
# 构造本轮输入:将用户输入转为 HumanMessage,并拼接到历史
user_msg = HumanMessage(content=user_input)
input_state = {"messages": chat_history + [user_msg]}
# 执行图流,获取更新后的完整消息列表
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:实时更新本地历史副本
else:
last_message = messages
print("Assistant:", last_message.content)此外,你可在任意节点(如 past_message_node)中安全访问并格式化输出全部历史:
def past_message_node(state: State):
print("Chat history:")
for msg in state["messages"]:
role = "User" if isinstance(msg, HumanMessage) else "AI"
print(f"- {role}: {msg.content}")
return state⚠️ 注意事项:
- 不要手动构造
AIMessage(content=...)包裹llm.invoke()返回值——它已是合法 Message 对象; -
StateGraph的 state 是每次调用时传入的快照,不会跨graph.stream()调用自动持久化,因此必须靠外部变量(如chat_history)承接最新状态; - 若需支持多用户并发会话,请将
chat_history改为字典(以 session_id 为 key),避免状态污染; -
add_messages是 LangGraph 提供的 reducer 函数,它确保messages字段支持+=追加操作且类型安全,务必在TypedDict中声明为Annotated[list, add_messages]。
通过以上设计,你即可稳定获得从第一句问候到当前回复的完整、结构化聊天历史,为记忆增强、摘要生成或调试分析提供可靠基础。

















