LangChain v0.3 その７ ~ChatBot１「愛のメモリ〜」~

今日の目的

今日の目的はChatBotです。memoryです。愛のメモリーは松崎しげるさんです。熱い歌に胸キュンです。暑い見かけに僕と同じおっさんを感じます。（かっこいいけど）
ChatBotとして機能するには過去の会話履歴の記録が必須です。その機能を作っていきます。
といっても一部はLangGraphの中でもやっていたんですけどね。
プログラム界隈は複数のことが入り混じっているので、色々並行して理解を進めていかなければいけないので、完璧な理解なんぞ、天才のみがやることじゃないかって思ってます。笑

目標

• 過去の履歴を参照して回答する

ここまでの経過

プロンプトテンプレートや、LCEL、LangGraphなどをやってきたので、基礎はできてきていると思います。
いきなりここにきちゃった方は過去の記事を参照くださいませ。

バージョン関連

Python 3.10.8
langchain==0.3.7
python-dotenv
langchain-openai==0.2.5
langgraph>0.2.27
langchain-core

※LLMのAPIはAzureOpenAIのgpt-4o-miniを使いました

ライブラリのインポートと環境変数の設定

これはいつも通り

ライブラリ

import os
from dotenv import load_dotenv
from langchain_openai import AzureChatOpenAI, AzureOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage, trim_messages
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

from langgraph.checkpoint.memory import MemorySaver
from langgraph.graph import START, END, MessagesState, StateGraph

環境変数

load_dotenv('.env')

os.environ["LANGCHAIN_TRACING_V2"]="true"
os.environ["LANGCHAIN_ENDPOINT"]="https://api.smith.langchain.com"
os.environ["LANGCHAIN_API_KEY"]=os.getenv("LANG_SMITH_API")
os.environ["LANGCHAIN_PROJECT"]="langchain_test"

モデルの準備

model = AzureChatOpenAI(
    azure_deployment='gpt-4o-mini',
    azure_endpoint=os.getenv("END_POINT"),
    api_version=os.getenv("API_VERSION"),
    api_key=os.getenv("API_KEY"),
    max_tokens=150
)

まずは素のLLMを確認

model.invoke([HumanMessage(content="僕の名前は池駄賃です。")])
# AIMessage(content='池駄賃さん、こんにちは！お話ししたいこと・・・)

model.invoke([HumanMessage(content="僕の名前を知ってる？")])
# AIMessage(content='ごめんなさい、あなたの名前はわかりません。・・・)

はい。単にモデルを呼び出しただけでは会話履歴が反映されません。
これをステートレスと言ったりするらしい。📝

ということで、Memory機能を追加していきましょう。

Memory機能を追加してChatBot化

ということで過去の会話履歴を参照できる様にしてChatBot化しましょう。

グラフを作る

def call_model(state: MessagesState):
    response = model.invoke(state["messages"])
    return {"messages": response}

workflow1 = StateGraph(state_schema=MessagesState)
workflow1.add_node("model", call_model)
workflow1.add_edge(START, "model")
workflow1.add_edge("model", END)

memory = MemorySaver()
graph1 = workflow1.compile(checkpointer=memory)


########### graphの可視化
from IPython.display import Image, display

try:
    display(Image(graph1.get_graph().draw_mermaid_png()))
except Exception:
    pass

すごーくシンプルなグラフを組みました。
肝はLangGraphのMemorySaverを使うところですね。グラフをコンパイルするときに渡してあげればいいみたい。

さて、瀬戸内で大活躍した村上水軍になったつもりで試してみましょう。

最初の会話

query = "僕は海賊の村上です。瀬戸内で暴れてます。"
input_messages = [HumanMessage(query)]
output = graph1.invoke({"messages": input_messages}, config)
output
# {'messages': [
#     HumanMessage(content='僕は海賊の村上です。瀬戸内で暴れてます。'・・・), 
#     AIMessage(content='村上さん、海賊としての冒険は楽しそうですね！・・・）
# ]

過去の会話の内容を聞いてみる

query = "ところで、僕の名前はなに？"
input_messages = [HumanMessage(query)]
output = graph1.invoke({"messages": input_messages}, config)
output
# {'messages': [
#     HumanMessage(content='僕は海賊の村上です。瀬戸内で暴れてます。'・・・), 
#     AIMessage(content='村上さん、海賊としての冒険は楽しそうですね！・・・),
#     HumanMessage(content='ところで、僕の名前はなに？'・・・), 
#     AIMessage(content='あなたの名前は「村上」ですよ！海賊としての・・・),
# ]

ということで、ちゃんと会話の履歴を参照しながら回答することができました。
結構簡単だったな。w
ま、前回やったLangGraphでも会話履歴は残せてましたね。

PromptTemplateを使う場合

システムプロンプトを定義するような場合ですね。これも普通に使えばいいだけです。
LLMに海賊になりきってもらいましょう！

プロンプトテンプレートの用意

prompt = ChatPromptTemplate.from_messages([
        ("system", "あなたは海賊です。最大限努力して海賊として回答してください。",),
        MessagesPlaceholder(variable_name="messages"), 
        # MessagePlaceholderクラスのところを入力変数'messages'で置き換える
    ])

グラフの定義

workflow2 = StateGraph(state_schema=MessagesState)


def call_model(state: MessagesState):
    chain = prompt | model
    response = chain.invoke(state)
    return {"messages": response}


workflow2.add_node("model", call_model)
workflow2.add_edge(START, "model")
workflow2.add_edge("model", END)

memory = MemorySaver()
graph2 = workflow2.compile(checkpointer=memory)

プロンプトテンプレートを使うときにはthread_idを定義できます。つまり、会話を分けることができるってことですよね。idは適当に作ってます。

configの用意

config = {"configurable": {"thread_id": "abc345"}}

最初の会話

query = "まいど～！ぼくのなまえは池駄賃だよ"

input_messages = [HumanMessage(query)]
output = graph2.invoke({"messages": input_messages}, config)
output
# {'messages': [
#     HumanMessage(content='まいど～！ぼくのなまえは池駄賃だよ'・・・),
#     AIMessage(content='まいど！池駄賃、海賊仲間よ！お前の名前、海の荒波の・・・),
# ]

こやつ、システムプロンプトによって海賊になりきっとる！笑

会話を追加

query = "LangChainを使いこなしたくて勉強中なんだ。海賊船でも勉強できるかな？"

input_messages = [HumanMessage(query)]
output = graph2.invoke({"messages": input_messages}, config)

query = "ところで、ぼくの名前は何だっけ？"
input_messages = [HumanMessage(query)]
output = graph2.invoke({"messages": input_messages}, config)
output
# {'messages': [
#     HumanMessage(content='まいど～！ぼくのなまえは池駄賃だよ'・・・),
#     AIMessage(content='まいど！池駄賃、海賊仲間よ！お前の名前、海の荒波の・・・),
#     HumanMessage(content='LangChainを使いこなしたくて勉強中なんだ。・・・),
#     AIMessage(content='アーッハッハッ！もちろんじゃ、池駄賃！海賊船でも勉強は・・・)
#     HumanMessage(content='ところで、ぼくの名前は何だっけ？'・・・),
#     AIMessage(content='おお、池駄賃！お前の名前は池駄賃じゃ！忘れるわけがないわい。・・・),
# ]

勤勉そうな海賊さんだ！笑
しっかり、池駄賃の名前を覚えていましたね

終わりに

会話履歴を参照することで、ちゃんとchatbotとして機能しました。
前回のLangGraphでやった方法と合わせると実現方法はいくつかありそうですね。

どの方法がいいかは都度考えていく必要がありそうですが、会話の履歴はリスト形式でモデルに渡すといい様です。（今回のstateの"message"ですね）

長くなりそうなので、一旦ここで区切ります。
次回、会話履歴のtrimmingについてやってみましょう。