首页
/ LangServe项目中RunnableWithMessageHistory与聊天交互的集成实践

LangServe项目中RunnableWithMessageHistory与聊天交互的集成实践

2025-07-04 05:51:35作者:霍妲思

在LangServe项目开发过程中,许多开发者尝试将RunnableWithMessageHistory与聊天交互功能集成时遇到了类型错误问题。本文将深入分析问题本质,并提供完整的解决方案。

问题背景分析

当开发者尝试在FastAPI应用中同时使用RunnableWithMessageHistory和playground_type='chat'参数时,系统会抛出"TypeError: issubclass() arg 1 must be a class"错误。这个错误表面看似简单,但实际上反映了LangChain核心组件与Pydantic模型之间的兼容性问题。

根本原因探究

经过技术分析,该问题主要源于以下两个技术点:

  1. RunnableWithMessageHistory的输出模式处理机制存在缺陷,特别是在处理输出模式时未能正确识别Pydantic模型类
  2. LangServe的聊天交互功能对输入输出格式有严格要求,需要特定的消息结构

完整解决方案

基础配置

首先确保开发环境配置正确:

from fastapi import FastAPI
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain.memory import InMemoryChatMessageHistory
from pydantic import BaseModel, Field
from typing import List, Union

核心组件实现

  1. 定义LLM模型和提示模板:
prompt = ChatPromptTemplate.from_messages([
    ("system", "您是一个专业的AI助手..."),
    MessagesPlaceholder(variable_name="messages"),
])

chain = prompt | llm | StrOutputParser()
  1. 实现消息历史管理:
def get_session_history():
    return InMemoryChatMessageHistory()
  1. 定义输入模型:
class InputChat(BaseModel):
    messages: List[Union[HumanMessage, AIMessage, SystemMessage]] = Field(
        ...,
        description="当前对话的聊天消息"
    )

关键解决方案

通过添加输出解析器解决类型错误:

from langchain_core.output_parsers.string import StrOutputParser

json_parser = StrOutputParser()

chain_with_parser = (
    RunnableWithMessageHistory(
        chain,
        get_session_history,
        input_messages_key="input",
        history_messages_key="chat_history"
    ).with_types(input_type=InputChat)
    | json_parser
)

路由配置

add_routes(
    app,
    chain_with_parser,
    path="/chat",
    playground_type="default"  # 注意此处使用默认playground
)

技术要点说明

  1. 输出解析器的作用:StrOutputParser在这里不仅处理输出格式,还解决了RunnableWithMessageHistory与Pydantic的兼容性问题

  2. 聊天交互限制:LangServe的聊天playground对输入格式有严格要求,开发者需要注意:

    • 必须使用特定格式的消息字典
    • 输出必须是AIMessage或字符串
  3. 版本兼容性:确认使用Pydantic 2.8.2和pydantic-core 2.20.1版本组合

进阶建议

对于需要完整聊天交互功能的开发者,可以考虑:

  1. 自定义输入处理器,确保符合LangServe的聊天playground要求
  2. 实现中间件转换层,处理不同格式的消息转换
  3. 考虑使用Redis等持久化存储替代内存存储,提高生产环境可靠性

通过本文的解决方案,开发者可以顺利实现带有历史记忆功能的LangServe应用,同时理解底层技术原理,为更复杂的应用场景打下基础。

登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K
kernelkernel
deepin linux kernel
C
22
6
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
273
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64
Cangjie-ExamplesCangjie-Examples
本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K
easy-eseasy-es
Elasticsearch 国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8