大模型本身是无状态的，每次调用都只看当前输入。如果要在多轮对话中维持上下文，就需要 Memory 模块来存储和管理对话历史。

LangChain.js 针对 Memory 提供了多个工具类，先来学习最常用的 ChatMessageHistory

快速上手案例：

import { ChatMessageHistory } from 'langchain/stores/message/in_memory'
import {
  HumanMessage,
  AIMessage,
  isAIMessage,
  isHumanMessage,
} from '@langchain/core/messages'

const history = new ChatMessageHistory()

await history.addMessage(new HumanMessage('你好，我叫小明'))
await history.addMessage(new AIMessage('你好，小明！有什么我可以帮助你的吗？'))

const messages = await history.getMessages()

messages.forEach((msg, i) => {
  const role = isHumanMessage(msg)
    ? '用户'
    : isAIMessage(msg)
      ? 'AI'
      : '❓ Unknown'

  console.log(`[${i + 1}] ${role} ➜ ${msg.content}`)
})

常用方法

文档：https://v03.api.js.langchain.com/classes/_langchain_core.chat_history.BaseChatMessageHistory.html

1. addMessage：添加消息
2. addMessages：添加消息
3. getMessages：获取所有消息
4. clear：清除所有消息

实战案例

和大模型进行对话，大模型可以记住前面的对话内容

stream() 方法，方法签名如下：

stream(
  input: Input,
  options?: RunnableConfig
): AsyncGenerator<StreamEvent<Output>>

1. 输入参数 (input)

类型：Input

与 invoke() 方法保持一致：

• 如果是 LLM：可以传字符串、BaseMessage、BaseMessage[]

  const model = new Ollama(model: "llama3");
  model.stream("你好");

• 如果是 Chain / Runnable：则是该 Chain 约定的输入对象（例如 { input: "..." }）

• 如果是 Embeddings：通常是字符串或字符串数组

换句话说，input 的类型由具体的 Runnable 实例 决定。

2. 配置参数

类型：RunnableConfig（可选） 常见字段包括：

• configurable：运行时传入的上下文配置（例如用户 ID、对话 ID，用于内存/持久化关联）。
• tags：给运行标记，用于调试、Tracing。
• metadata：附加元信息，方便日志或监控。
• callbacks：传入回调函数（如 handleLLMNewToken 等），可用于实时处理 token。
• maxConcurrency：并发控制。
• timeout：超时设置。