8. 会話の状態とメモリ

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
 
llm = ChatOpenAI(model="gpt-4o-mini")
 
# 最初の質問
response1 = llm.invoke([HumanMessage(content="私の名前はアリスです")])
print(response1.content)  # 出力: はじめまして、アリスさん!
 
# 2番目の質問(履歴が送信されていない)
response2 = llm.invoke([HumanMessage(content="私の名前は何ですか?")])
print(response2.content)  # 出力: お名前は分かりません...

# ユーザーがトピックについて尋ねる
response1 = llm.invoke([HumanMessage(content="Pythonについて教えて")])
print(response1.content)  
# 出力: Pythonは読みやすさで知られる高水準プログラミング言語です...
 
# ユーザーが代名詞でフォローアップ
response2 = llm.invoke([HumanMessage(content="その主な機能は何ですか?")])
print(response2.content)  
# 出力: 喜んでお手伝いします! 何について尋ねているか指定していただけますか?

ユーザー: "注文番号#12345に問題があります"
エージェント: "申し訳ございません。どのような問題でしょうか?"
ユーザー: "配送先住所が間違っています"
エージェント: "お手伝いできます。注文番号を教えていただけますか?"
ユーザー: "今言ったばかりですが..."

from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
 
# SystemMessage: モデルの動作に対する指示
system_msg = SystemMessage(content="あなたはPythonプログラミングを専門とする親切なアシスタントです。")
 
# HumanMessage: ユーザー入力
user_msg = HumanMessage(content="Pythonでファイルを読み込むにはどうすればいいですか?")
 
# AIMessage: モデルの応答
# (実際には、LangChainがモデルの応答をこのオブジェクトでラップします - ここでは説明のために示しています)
ai_msg = AIMessage(content="コンテキストマネージャーで `open()` 関数を使用できます...")

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
 
llm = ChatOpenAI(model="gpt-4o-mini")
 
# 会話履歴を構築
# SystemMessageは指示を設定します(開始時に一度)
# その後: ユーザー入力 → AI応答 → ユーザー入力(自然な会話の流れ)
messages = [
    SystemMessage(content="あなたは簡潔なPythonチューターです。"),
    HumanMessage(content="リスト内包表記とは何ですか?"),
    AIMessage(content="リスト内包表記はリストを作成する簡潔な方法です: [x*2 for x in range(5)]"),
    HumanMessage(content="もっと複雑な例を見せてもらえますか?")
]
 
# 新しい質問と一緒に履歴全体を送信
response = llm.invoke(messages)
print(response.content)

もちろんです! フィルタリングと変換を行うリスト内包表記です:
[x**2 for x in range(10) if x % 2 == 0]
これは次を生成します:
[0, 4, 16, 36, 64]

from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
 
# メッセージ履歴ストアを作成
history = InMemoryChatMessageHistory()
 
# 複数のメッセージを一度に追加
history.add_messages([
    SystemMessage(content="あなたは親切なPythonチューターです。"),
    HumanMessage(content="Pythonのデコレータとは何ですか?")
])
 
# メッセージを1つずつ追加
history.add_message(AIMessage(content="デコレータは別の関数の動作を変更する関数です..."))
history.add_message(HumanMessage(content="例を見せてもらえますか?"))
 
# すべてのメッセージを取得
messages = history.messages

from langchain_openai import ChatOpenAI
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.messages import SystemMessage, HumanMessage
 
llm = ChatOpenAI(model="gpt-4o-mini")
history = InMemoryChatMessageHistory()
 
# システムメッセージを設定して履歴に追加(開始時に一度実行)
system_msg = SystemMessage(content="あなたは親切なPythonチューターです。")
history.add_message(system_msg)
 
# チャット関数
def chat(user_input):
    """ユーザー入力を処理し、LLMに送信し、会話履歴を自動的に管理します"""
    # ユーザー入力を履歴に追加
    history.add_message(HumanMessage(content=user_input))
    
    # 以前の会話履歴と一緒にユーザー入力を送信
    response = llm.invoke(history.messages)
    
    # モデル応答を履歴に追加
    history.add_message(response)
    
    return response.content
 
# 会話をシミュレート
print(chat("ラムダ関数とは何ですか?"))
print(chat("例を見せてください"))  # モデルはコンテキストを記憶
print(chat("通常の関数との違いは何ですか?"))  # まだ記憶している

ラムダ関数はlambdaキーワードで定義される無名関数です...
 
例を示します: square = lambda x: x**2
次のように使用できます: square(5) # 25を返します
 
ラムダ関数は単一の式に制限されていますが、通常の関数は...

# chapter3_cli.py (元のバージョン - ステートレス)
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
 
llm = ChatOpenAI(model="gpt-4o-mini")
 
def chat_loop():
    print("チャットを開始しました。終了するには 'quit' と入力してください。\n")
    while True:
        user_input = input("あなた: ")
        if user_input.lower() == "quit":
            break
        
        # ステートレス - 履歴なし
        response = llm.stream([HumanMessage(content=user_input)])
        print("AI: ", end="", flush=True)
        for chunk in response:
            print(chunk.content, end="", flush=True)
        print("\n")
 
if __name__ == "__main__":
    chat_loop()

# chapter8_cli.py (メモリ付き)
from langchain_openai import ChatOpenAI
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
 
llm = ChatOpenAI(model="gpt-4o-mini")
 
def chat_loop():
    print("チャットを開始しました。終了するには 'quit' と入力してください。\n")
    
    # 履歴を作成してシステムメッセージを追加
    history = InMemoryChatMessageHistory()
    history.add_message(SystemMessage(content="あなたは親切なアシスタントです。"))
    
    while True:
        user_input = input("あなた: ")
        if user_input.lower() == "quit":
            break
        
        # ユーザーメッセージを履歴に追加
        history.add_message(HumanMessage(content=user_input))
        
        # 応答をストリーミング
        print("AI: ", end="", flush=True)
        full_response = ""
        for chunk in llm.stream(history.messages):
            print(chunk.content, end="", flush=True)
            full_response += chunk.content
        print("\n")
        
        # AI応答を履歴に追加
        history.add_message(AIMessage(content=full_response))
 
if __name__ == "__main__":
    chat_loop()

チャットを開始しました。終了するには 'quit' と入力してください。
 
あなた: 私の名前はアリスです
AI: はじめまして、アリスさん! 今日はどのようにお手伝いできますか?
 
あなた: 私の名前は何ですか?
AI: あなたの名前はアリスです。
 
あなた: 今何を聞きましたか?
AI: あなたの名前が何かと聞かれました。
 
あなた: quit

# [開発] ローカルインメモリ
# from langchain_core.chat_history import InMemoryChatMessageHistory
# history = InMemoryChatMessageHistory()
 
# [本番] PostgreSQL永続ストレージ
import psycopg
from langchain_postgres import PostgresChatMessageHistory
 
# PostgreSQL接続を作成
sync_connection = psycopg.connect(
    "postgresql://user:password@10.1.1.100:5432/agent_db",
    autocommit=True,
)
 
# DB接続とセッションIDを指定
# session_id: 会話を識別する一意のキー
#   - ユーザーごとの管理: session_id = user_id (ユーザーごとに1つの会話)
#   - セッションごとの管理: session_id = uuid (会話ごとに新しいID)
history = PostgresChatMessageHistory(
    table_name="chat_history",
    session_id="user_123",
    sync_connection=sync_connection
)
 
# --- ストレージタイプに関係なく同じインターフェース ---
history.add_message(HumanMessage(content="以前の注文を見せてください。"))
print(history.messages)

import tiktoken
from langchain_core.messages import BaseMessage, HumanMessage, AIMessage, SystemMessage
from langchain_core.messages.utils import trim_messages
 
# モデルのトークナイザーを取得(異なるモデルファミリーは異なるトークナイザーを使用)
# 適切なトークナイザーを取得するためにモデル名を提供
# Claudeモデル: Anthropicのトークナイザーを使用(tiktokenはOpenAI専用)
enc = tiktoken.encoding_for_model("gpt-4o")
 
def token_counter(msg: BaseMessage) -> int:
    """単一のメッセージのトークンをカウントします。"""
    return len(enc.encode(msg.content or ""))
 
# 会話履歴を作成
messages = [
    SystemMessage(content="あなたは親切なアシスタントです。"),
    HumanMessage(content="こんにちは!"),
    AIMessage(content="こんにちは! どのようにお手伝いできますか?"),
    HumanMessage(content="2+2は何ですか?"),
    AIMessage(content="2+2は4です。"),
    HumanMessage(content="3+3は何ですか?"),
    AIMessage(content="3+3は6です。"),
    HumanMessage(content="4+4は何ですか?"),
]
 
# 最大トークン数内のメッセージのみを保持
trimmed = trim_messages(
    messages,
    max_tokens=30,
    token_counter=token_counter,
    include_system=True,
)
 
print(f"元のメッセージ数: {len(messages)}")
print(f"トリミング後のメッセージ数: {len(trimmed)}")
for m in trimmed:
    print(f"{type(m).__name__}: {m.content}")

import tiktoken
from langchain_openai import ChatOpenAI
from langchain_core.chat_history import InMemoryChatMessageHistory
from langchain_core.messages import SystemMessage, HumanMessage, BaseMessage
from langchain_core.messages.utils import trim_messages
 
llm = ChatOpenAI(model="gpt-4o-mini")
history = InMemoryChatMessageHistory()
enc = tiktoken.encoding_for_model("gpt-4o-mini")
 
def token_counter(msg: BaseMessage) -> int:
    """単一のメッセージのトークンをカウントします。"""
    return len(enc.encode(msg.content or ""))
 
def chat_with_trimming(user_input: str, max_tokens: int = 1000) -> str:
    """自動履歴トリミング付きのチャット。"""
    history.add_message(HumanMessage(content=user_input))
    
    system_msg = SystemMessage(content="あなたは親切なアシスタントです。")
    all_messages = [system_msg] + history.messages
    
    # 最大トークン数にトリミング
    trimmed_messages = trim_messages(
        all_messages,
        max_tokens=max_tokens,
        token_counter=token_counter,
        include_system=True,
    )
    
    response = llm.invoke(trimmed_messages)
    history.add_message(response)
    
    return response.content
 
# 使用例
print(chat_with_trimming("日本への旅行を計画しています"))
print(chat_with_trimming("東京で何を訪れるべきですか?"))
print(chat_with_trimming("何日間滞在すべきですか?"))
# 履歴が増えても、最大トークン数内の最近の会話のみがLLMに送信されます