LangChain调用invoke方法传递RunnableConfig参数及RAG应用聊天历史管理问题

兄弟，我太懂你在做LangChain+Streamlit的RAG应用时，卡在聊天历史管理和RunnableConfig参数传递上的郁闷了！我之前折腾类似项目时也踩过不少坑，给你一步步拆解解决思路：

一、先理清楚你可能遇到的核心问题 #

从你贴的代码片段来看，大概率是这两个点出了问题：

• 聊天历史（ChatMessageHistory）没有正确和RAG链绑定，导致模型无法参考之前的对话内容
• 调用invoke时RunnableConfig参数没传对，或者和回调处理器（RunCollectorCallbackHandler）的整合有问题

二、完善聊天历史与RAG链的绑定 #

首先，你不能直接把ChatMessageHistory传入链，得把它包装成LangChain的对话记忆组件，常用的是ConversationBufferMemory，如果对话容易过长，也可以用ConversationSummaryMemory来压缩历史。调整你的create_full_chain函数：

from langchain.schema.runnable import RunnableConfig
from langchain.callbacks.tracers.run_collector import RunCollectorCallbackHandler
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationalRetrievalChain

def create_full_chain(retriever, groq_api_key=None, chat_memory=ChatMessageHistory()):
    # 把原始ChatMessageHistory包装成对话记忆，指定输入输出key和格式
    memory = ConversationBufferMemory(
        chat_memory=chat_memory,
        return_messages=True,
        output_key="answer",
        input_key="question"
    )
    
    # 初始化Groq模型（这里假设你的get_model方法已正确返回ChatModel实例）
    model = get_model("Groq", groq_api_key=groq_api_key)
    
    # 构建带聊天历史的检索链，自动关联记忆组件
    chain = ConversationalRetrievalChain.from_llm(
        llm=model,
        retriever=retriever,
        memory=memory,
        combine_docs_chain_kwargs={"prompt": 你的自定义RAG提示词}  # 替换成你自己的提示词模板
    )
    return chain

三、正确传递RunnableConfig参数 #

在Streamlit里调用链的invoke方法时，要把RunnableConfig和回调处理器整合，同时要靠Streamlit的会话状态保存聊天历史，防止页面刷新重置：

import streamlit as st

# 初始化会话状态里的核心变量，避免刷新丢失
if "chat_history" not in st.session_state:
    st.session_state.chat_history = ChatMessageHistory()
if "rag_chain" not in st.session_state:
    st.session_state.rag_chain = create_full_chain(
        你的检索器实例,  # 替换成你自己初始化好的retriever
        groq_api_key=st.secrets["GROQ_API_KEY"]
    )

# 处理用户输入交互
user_question = st.text_input("请输入你的问题：")
if user_question:
    # 初始化回调处理器，用于追踪链的运行过程
    run_collector = RunCollectorCallbackHandler()
    
    # 构建RunnableConfig，传入回调和自定义标签
    config = RunnableConfig(
        callbacks=[run_collector],
        tags=["rag_chat_session"]  # 标签方便后续调试追踪
    )
    
    # 调用RAG链，聊天历史会通过memory自动注入上下文
    response = st.session_state.rag_chain.invoke(
        {"question": user_question},
        config=config
    )
    
    # 手动更新会话状态的聊天历史（链会自动更新，但手动确认更稳妥）
    st.session_state.chat_history.add_user_message(user_question)
    st.session_state.chat_history.add_ai_message(response["answer"])
    
    # 渲染完整对话历史
    for msg in st.session_state.chat_history.messages:
        if msg.type == "human":
            st.chat_message("user").write(msg.content)
        else:
            st.chat_message("assistant").write(msg.content)

四、避坑小提醒 #

• 如果你用自定义RAG链而非ConversationalRetrievalChain，一定要在提示词模板里预留chat_history的占位符，比如：

  from langchain.prompts import PromptTemplate
  
  custom_rag_prompt = PromptTemplate(
      template="""参考以下对话历史和检索到的文档内容回答问题：
  对话历史：{chat_history}
  文档内容：{context}
  用户问题：{question}
  请用简洁准确的语言回答：""",
      input_variables=["chat_history", "context", "question"]
  )
  

• RunCollectorCallbackHandler主要用于调试，如果你暂时不需要追踪链的运行细节，可以先注释掉，优先保证聊天历史功能正常
• 所有需要跨页面刷新保留的变量，一定要存在st.session_state里，这是Streamlit开发的核心常识！

内容来源于stack exchange