SQL （SQLAlchemy）

结构化查询语言（SQL）是一种用于编程的域特定语言，旨在管理关系数据库管理系统（RDBMS）中保存的数据，或用于关系数据流管理系统（RDSMS）中的流处理。它在处理结构化数据（即包含实体和变量之间关系的数据）时特别有用。

SQLAlchemy 是一个开源的SQL工具包和对象关系映射器（ORM），用于在 MIT 许可证下发布的 Python 编程语言。

此笔记本介绍了SQLChatMessageHistory允许将聊天记录存储在SQLAlchemy.

请注意，要将其与SQLite，您将需要安装相应的数据库驱动程序。

设置

集成位于langchain-community包，所以我们需要安装它。我们还需要安装SQLAlchemy包。

pip install -U langchain-community SQLAlchemy langchain-openai

设置 LangSmith 以实现一流的可观测性也很有帮助（但不是必需的）

# os.environ["LANGSMITH_TRACING"] = "true"
# os.environ["LANGSMITH_API_KEY"] = getpass.getpass()

用法

要使用存储空间，您只需提供 2 项内容：

会话 ID - 会话的唯一标识符，如用户名、电子邮件、聊天 ID 等。
连接字符串 - 指定数据库连接的字符串。它将传递给 SQLAlchemy create_engine 函数。

from langchain_community.chat_message_histories import SQLChatMessageHistory

chat_message_history = SQLChatMessageHistory(
    session_id="test_session", connection_string="sqlite:///sqlite.db"
)

chat_message_history.add_user_message("Hello")
chat_message_history.add_ai_message("Hi")

API 参考：SQLChatMessageHistory

chat_message_history.messages

[HumanMessage(content='Hello'), AIMessage(content='Hi')]

链接

我们可以轻松地将此消息历史类与 LCEL Runnables 结合使用

为此，我们将需要使用 OpenAI，因此我们需要安装它

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_openai import ChatOpenAI

API 参考：ChatPromptTemplate | 消息占位符 | RunnableWithMessageHistory （运行消息历史记录） | 聊天OpenAI

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "You are a helpful assistant."),
        MessagesPlaceholder(variable_name="history"),
        ("human", "{question}"),
    ]
)

chain = prompt | ChatOpenAI()

chain_with_history = RunnableWithMessageHistory(
    chain,
    lambda session_id: SQLChatMessageHistory(
        session_id=session_id, connection_string="sqlite:///sqlite.db"
    ),
    input_messages_key="question",
    history_messages_key="history",
)

# This is where we configure the session id
config = {"configurable": {"session_id": "<SESSION_ID>"}}

chain_with_history.invoke({"question": "Hi! I'm bob"}, config=config)

AIMessage(content='Hello Bob! How can I assist you today?')

chain_with_history.invoke({"question": "Whats my name"}, config=config)

AIMessage(content='Your name is Bob! Is there anything specific you would like assistance with, Bob?')