SQL (SQLAlchemy)

结构化查询语言 (SQL) 是一种在编程中使用的领域特定语言，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时特别有用，即包含实体和变量之间关系的数据。

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

本笔记本介绍了 SQLChatMessageHistory 类，该类允许在 SQLAlchemy 支持的任何数据库中存储聊天历史记录。

请注意，要将其与 SQLite 以外的数据库一起使用，您需要安装相应的数据库驱动程序。

设置

该集成位于 langchain-community 包中，因此我们需要安装它。我们还需要安装 SQLAlchemy 包。

pip install -U langchain-community SQLAlchemy langchain-openai

设置 LangSmith 以获得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()

使用方法

要使用存储，您只需要提供 2 件事

1. 会话 ID - 会话的唯一标识符，例如用户名、电子邮件、聊天 ID 等。
2. 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记录类与 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 | MessagesPlaceholder | RunnableWithMessageHistory | ChatOpenAI

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?')