Skip to main content
Open In ColabOpen on GitHub

SQL (SQLAlchemy)

Structured Query Language (SQL) 是一种用于编程的领域特定语言，旨在管理关系数据库管理系统 (RDBMS) 中存储的数据，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方面特别有用，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)，适用于 Python 编程语言，遵循 MIT 协议发布。

本笔记本将介绍 SQLChatMessageHistory 类，该类允许将聊天记录存储在 SQLAlchemy 支持的任何数据库中。

请注意，要将其用于 SQLite 以外的数据库，您需要安装相应的数据库驱动程序。

设置​

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

以下是翻译后的内容：

在 LangSmith 上设置（可选，但推荐）以获得一流的可观测性。

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

使用方法​

要使用存储，您只需要提供两样东西：

  1. Session Id - 会话的唯一标识符，例如用户名、邮箱、聊天 ID 等。
  2. Connection string - 指定数据库连接的字符串。它将传递给 SQLAlchemy 的 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 Reference:SQLChatMessageHistory
chat_message_history.messages
[HumanMessage(content='Hello'), AIMessage(content='Hi')]

链式调用​

我们可以轻松地将此消息历史类与 LCEL Runnables 结合使用。

为此，我们需要使用 OpenAI，因此需要安装它。

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_openai import 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?')