`langchain_core.runnables.history`.RunnableWithMessageHistory¶

注意

RunnableWithMessageHistory 实现了标准的 Runnable 接口。🏃

Runnable 接口具有额外的在可运行对象上可用的方法，例如 with_types、with_retry、assign、bind、get_graph 等。

class langchain_core.runnables.history.RunnableWithMessageHistory[源代码]¶

基类: RunnableBindingBase

管理另一个 Runnable 的聊天消息历史的 Runnable。

聊天消息历史是一系列表示对话的消息。

RunnableWithMessageHistory 对另一个 Runnable 进行封装并管理其聊天消息历史；它负责读取和更新聊天消息历史。

以下描述了封装的 Runnable 的输入和输出支持格式。

RunnableWithMessageHistory 必须始终与包含聊天消息历史工厂相应参数的配置一起调用。

默认情况下，Runnable 期望接受一个名为 session_id 的单个配置参数，该参数是一个字符串。此参数用于创建一个新实例或查找与给定 session_id 匹配的现有聊天消息历史。

在这种情况下，调用将如下所示

with_history.invoke(…, config={“configurable”: {“session_id”: “bar”}})；例如，{"configurable": {"session_id": "<SESSION_ID>"}}。

可以通过将 ConfigurableFieldSpec 对象列表传递给 history_factory_config 参数来自定义配置（请参阅以下示例）。

在以下示例中，我们将使用具有内存实现的聊天消息历史，以便于实验并查看结果。

对于生产用例，您将希望使用持续的聊天消息历史实现，例如 RedisChatMessageHistory。

参数

get_session_history – 返回一个新的 BaseChatMessageHistory 函数。此函数应接受一个名为 session_id 的单个位置参数（类型为字符串），并返回相应的聊天消息历史实例。
input_messages_key – 如果基础可运行对象接受字典作为输入，则必须指定。该键在输入字典中包含消息。
output_messages_key – 如果基Runnable返回字典作为输出，则必须指定。包含消息的输出字典中的键。
history_messages_key – 如果基Runnable接受字典作为输入并期望为历史消息指定单独的键，则必须指定。
history_factory_config – 配置应传递给聊天历史工厂的字段。有关更多详细信息，请参阅ConfigurableFieldSpec。

示例：具有内存实现的测试用例中的聊天消息历史。

from operator import itemgetter
from typing import List

from langchain_openai.chat_models import ChatOpenAI

from langchain_core.chat_history import BaseChatMessageHistory
from langchain_core.documents import Document
from langchain_core.messages import BaseMessage, AIMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_core.runnables import (
    RunnableLambda,
    ConfigurableFieldSpec,
    RunnablePassthrough,
)
from langchain_core.runnables.history import RunnableWithMessageHistory


class InMemoryHistory(BaseChatMessageHistory, BaseModel):
    """In memory implementation of chat message history."""

    messages: List[BaseMessage] = Field(default_factory=list)

    def add_messages(self, messages: List[BaseMessage]) -> None:
        """Add a list of messages to the store"""
        self.messages.extend(messages)

    def clear(self) -> None:
        self.messages = []

# Here we use a global variable to store the chat message history.
# This will make it easier to inspect it to see the underlying results.
store = {}

def get_by_session_id(session_id: str) -> BaseChatMessageHistory:
    if session_id not in store:
        store[session_id] = InMemoryHistory()
    return store[session_id]


history = get_by_session_id("1")
history.add_message(AIMessage(content="hello"))
print(store)  # noqa: T201

示例中包装的Runnable接受字典输入

from typing import Optional

from langchain_community.chat_models import ChatAnthropic
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory


prompt = ChatPromptTemplate.from_messages([
    ("system", "You're an assistant who's good at {ability}"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{question}"),
])

chain = prompt | ChatAnthropic(model="claude-2")

chain_with_history = RunnableWithMessageHistory(
    chain,
    # Uses the get_by_session_id function defined in the example
    # above.
    get_by_session_id,
    input_messages_key="question",
    history_messages_key="history",
)

print(chain_with_history.invoke(  # noqa: T201
    {"ability": "math", "question": "What does cosine mean?"},
    config={"configurable": {"session_id": "foo"}}
))

# Uses the store defined in the example above.
print(store)  # noqa: T201

print(chain_with_history.invoke(  # noqa: T201
    {"ability": "math", "question": "What's its inverse"},
    config={"configurable": {"session_id": "foo"}}
))

print(store)  # noqa: T201

示例中，session factory需要两个键，user_id和conversation id)

store = {}

def get_session_history(
    user_id: str, conversation_id: str
) -> BaseChatMessageHistory:
    if (user_id, conversation_id) not in store:
        store[(user_id, conversation_id)] = InMemoryHistory()
    return store[(user_id, conversation_id)]

prompt = ChatPromptTemplate.from_messages([
    ("system", "You're an assistant who's good at {ability}"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{question}"),
])

chain = prompt | ChatAnthropic(model="claude-2")

with_message_history = RunnableWithMessageHistory(
    chain,
    get_session_history=get_session_history,
    input_messages_key="question",
    history_messages_key="history",
    history_factory_config=[
        ConfigurableFieldSpec(
            id="user_id",
            annotation=str,
            name="User ID",
            description="Unique identifier for the user.",
            default="",
            is_shared=True,
        ),
        ConfigurableFieldSpec(
            id="conversation_id",
            annotation=str,
            name="Conversation ID",
            description="Unique identifier for the conversation.",
            default="",
            is_shared=True,
        ),
    ],
)

with_message_history.invoke(
    {"ability": "math", "question": "What does cosine mean?"},
    config={"configurable": {"user_id": "123", "conversation_id": "1"}}
)

初始化RunnableWithMessageHistory。

参数

runnable –
要包装的基Runnable。必须输入以下之一：1. 基消息序列 2. 包含所有消息的键的字典 3. 包含关键历史消息的当前输入字符串/消息的字典以及

如果输入键指向字符串，则将其视为历史中的HumanMessage。

必须返回输出之一：1. 可视为AIMessage的字符串 2. 基消息或基消息的序列 3. 包含基消息或基消息序列的键的字典
get_session_history –
返回新BaseChatMessageHistory的函数。此函数应接受单个位置参数session_id（字符串类型）并返回相应的聊天消息历史实例。……python

def get_session_history(
session_id:str, ***，user_id:Optional[str]=None

) -> BaseChatMessageHistory
…

或者，它应接受与session_history_config_specs键匹配的关键字参数，并返回相应的聊天消息历史实例。
```
def get_session_history(
    *,
    user_id: str,
    thread_id: str,
) -> BaseChatMessageHistory:
    ...
```
input_messages_key – 如果基Runnable接受字典作为输入，则必须指定。默认为None。
output_messages_key – 如果基Runnable返回字典作为输出，则必须指定。默认为None。
history_messages_key – 如果基Runnable接受字典作为输入并期望为历史消息指定单独的键，则必须指定。
history_factory_config – 配置应传递给聊天历史工厂的字段。有关更多详细信息，请参阅ConfigurableFieldSpec。指定这些允许您将多个配置键传递给get_session_history工厂。
**kwargs – 传递给父类RunnableBindingBase init的任意附加kwargs。

param bound: Runnable[Input, Output] [Required]¶: 此Runnable委派的底层Runnable。

param config: RunnableConfig [Optional]¶: 绑定到底层Runnable的配置。

param config_factories: List[Callable[[RunnableConfig], RunnableConfig]] [Optional]¶: 将配置工厂绑定到底层Runnable。

param custom_input_type: Optional[Any] = None¶

使用自定义类型覆盖底层Runnable的输入类型。

类型可以是pydantic模型，或类型注解（例如，List[str]）。

param custom_output_type: Optional[Any] = None¶

使用自定义类型覆盖底层Runnable的输出类型。

类型可以是pydantic模型，或类型注解（例如，List[str]）。

param get_session_history: GetSessionHistoryCallable [Required]¶

param history_factory_config: Sequence[ConfigurableFieldSpec] [Required]¶

param history_messages_key: Optional[str] = None¶

参数 :input_messages_key:Optional[str]= None¶

参数 kwargs:Mapping[str, Any][Optional]¶

在运行时传递给底层Runnable的kwargs。

例如，当调用Runnable绑定时，底层Runnable将以相同的输入被调用，但附带这些额外的kwargs。

参数 output_messages_key:Optional[str]= None¶

async abatch(inputs: List[Input], config: Optional[Union[RunnableConfig, List[RunnableConfig]] = None, *, return_exceptions: bool = False, **kwargs: Optional[Any]) → List[Output]¶

默认实现使用asyncio.gather并行运行run Nähe。

默认的批处理实现适用于IO密集型Runnable。

如果子类可以更有效地批量处理，则应重写此方法；例如，如果底层Runnable使用支持批处理模式的API。

参数

输入 (列表]输入[) – Runnable 的输入列表。
config (可选]联合]RunnableConfig，列表]RunnableConfig]) – 调用 Runnable 时使用的配置。配置支持标准键，如用于追踪的 ‘tags’、"metadata"，用于控制并行工作量的‘max_concurrency’，以及其他键。请参阅 RunnableConfig 了解更多详细信息。默认值为 None。
return_exceptions (布尔值) – 是否返回异常而不是抛出它们。默认值为 False。
kwargs (可选]任何[) – 传递给 Runnable 的额外关键字参数。

返回

Runnable 的输出列表。

返回类型

列表[输出]

async abatch_as_completed(inputs: 序列] [输入], config: 可选[联合] [RunnableConfig，序列] [RunnableConfig]] = None, *, return_exceptions: 布尔值 = False, **kwargs: 可选[任何]) → 异步迭代器][元组[整数，联合] [输出，异常]]¶

并行在输入列表上运行 run，并在完成时产出结果。

参数

inputs (序列]输入[) – Runnable 的输入列表。
config (可选[联合[RunnableConfig，Sequence[RunnableConfig]]]) – 在调用可运行对象时使用的配置。配置支持标准键，如用于跟踪的“tags”、“metadata”，用于控制并行执行工作量的“max_concurrency”，以及其他键。请参阅RunnableConfig获取更多详情。默认为None。
return_exceptions (布尔值) – 是否返回异常而不是抛出它们。默认值为 False。
kwargs (可选]任何[) – 传递给 Runnable 的额外关键字参数。

生产

输入和输出的索引的可运行对象元组。

返回类型

AsyncIterator[Tuple[int, 联合[Output, 异常]]]

async ainvoke(input: Input, config: Optional[RunnableConfig], **kwargs: Optional[Any]) → Output¶

ainvoke的默认实现，从线程调用invoke。

默认实现允许即使在可运行对象未实现invoke的本地异步版本的情况下也能使用异步代码。

如果子类可以异步运行，应覆盖此方法。

参数

input (Input) –
config (可选[RunnableConfig]) –
kwargs (可选[Any]) –

返回类型

输出

as_tool(args_schema: Optional[Type[BaseModel]] = None, *, name: Optional[str] = None, description: Optional[str] = None, arg_types: Optional[Dict[str, Type]] = None) → BaseTool¶

测试版

此API处于测试版，未来可能会有所变动。

从可运行的实体创建BaseTool。

as_tool 将实例化一个带有名称、描述和 args_schema 的 BaseTool。在可能的情况下，从 runnable.get_input_schema 推断模式。作为替代（例如，如果可运行实体接受一个字典作为输入，且特定的字典键没有类型），可以直接使用 args_schema 指定模式。您也可以通过传递 arg_types 只指定所需参数及其类型。

参数

args_schema (Optional[Type[BaseModel]]) – 工具的模式。默认为 None。
name (Optional[str]) – 工具的名称。默认为 None。
description (Optional[str]) – 工具的描述。默认为 None。
arg_types (Optional[Dict[str, Type]]) – 参数名称到类型的字典。默认为 None。

返回

BaseTool 实例。

返回类型

BaseTool

类型化字典输入

from typing import List
from typing_extensions import TypedDict
from langchain_core.runnables import RunnableLambda

class Args(TypedDict):
    a: int
    b: List[int]

def f(x: Args) -> str:
    return str(x["a"] * max(x["b"]))

runnable = RunnableLambda(f)
as_tool = runnable.as_tool()
as_tool.invoke({"a": 3, "b": [1, 2]})

dict 输入，通过 args_schema 指定模式

from typing import Any, Dict, List
from langchain_core.pydantic_v1 import BaseModel, Field
from langchain_core.runnables import RunnableLambda

def f(x: Dict[str, Any]) -> str:
    return str(x["a"] * max(x["b"]))

class FSchema(BaseModel):
    """Apply a function to an integer and list of integers."""

    a: int = Field(..., description="Integer")
    b: List[int] = Field(..., description="List of ints")

runnable = RunnableLambda(f)
as_tool = runnable.as_tool(FSchema)
as_tool.invoke({"a": 3, "b": [1, 2]})

dict 输入，通过 arg_types 指定模式

from typing import Any, Dict, List
from langchain_core.runnables import RunnableLambda

def f(x: Dict[str, Any]) -> str:
    return str(x["a"] * max(x["b"]))

runnable = RunnableLambda(f)
as_tool = runnable.as_tool(arg_types={"a": int, "b": List[int]})
as_tool.invoke({"a": 3, "b": [1, 2]})

字符串输入

from langchain_core.runnables import RunnableLambda

def f(x: str) -> str:
    return x + "a"

def g(x: str) -> str:
    return x + "z"

runnable = RunnableLambda(f) | g
as_tool = runnable.as_tool()
as_tool.invoke("b")

0.2.14 版本中新加入。

async astream(input: Input, config: Optional[RunnableConfig] = None, **kwargs: Optional[Any]) → AsyncIterator[Output]¶

astream 的默认实现，它调用 ainvoke。子类应覆盖此方法以支持流式输出。

参数

input （Input）- Runnable 的输入。
config （Optional[RunnableConfig]）- 用于 Runnable 的配置。默认为 None。
kwargs (可选]任何[) – 传递给 Runnable 的额外关键字参数。

生产

Runnable 的输出。

返回类型

AsyncIterator[Output]

async astream_events(input: Input, config: Optional[RunnableConfig] = None, **kwargs: Optional[Any]) → AsyncIterator[Union[StandardStreamEvent, CustomStreamEvent]]¶

测试版

此API处于测试版，未来可能会有所变动。

生成事件流。

用于迭代提供关于 Runnable 进度的实时信息的 StreamEvents，包括中间结果的 StreamEvents。

StreamEvent 是一个包含以下模式的字典

event： str - 事件名称为
格式：on_[runnable_type]_(start|stream|end)。
name： str - 生成事件的 Runnable 的名称。
run_id： str - 与给定执行相关的随机生成的 ID。
触发事件的Runnable。作为父Runnable执行部分而得到调用的子Runnable将被分配一个唯一的ID。
parent_ids: 字符串列表 - 生成事件的父Runnable的ID。
根Runnable将有一个空列表。父ID的顺序是从根到直接父级的。仅在API的v2版本中有效。API的v1版本将返回一个空列表。
tags: 可选的字符串列表 - 生成事件的Runnable的标签。
metadata: 可选的字典[str, 任何]类型 - 生成事件的Runnable的元数据。
data: 字典[str, 任何]类型

以下是一个表格，说明了各种链可能会发出的一些事件。为了简洁，省略了元数据字段。链定义在表格之后。

注意此参考表针对的是模式版本2。

事件	名称	块	输入	输出
on_chat_model_start	[模型名称]		{“messages”: [[系统消息，人类消息]]}
on_chat_model_stream	[模型名称]	AIMessageChunk(content="hello")
on_chat_model_end	[模型名称]		{“messages”: [[系统消息，人类消息]]}	AIMessageChunk(content="hello world")
on_llm_start	[模型名称]		{‘input': ‘hello’}
on_llm_stream	[模型名称]	‘Hello’
on_llm_end	[模型名称]		‘Hello human!’
on_chain_start	format_docs
on_chain_stream	format_docs	“hello world!, goodbye world!”
on_chain_end	format_docs		[文档(...)]	“hello world!, goodbye world!”
on_tool_start	some_tool		{“x": 1, “y": “2”}
on_tool_end	some_tool			{“x": 1, “y": “2”}
on_retriever_start	[检索器名称]		{“query": “hello”}
on_retriever_end	[检索器名称]		{“query": “hello”}	[Document(...), ..]
on_prompt_start	[模板名称]		{“question": “hello”}
on_prompt_end	[模板名称]		{“question": “hello”}	ChatPromptValue(messages: [SystemMessage, …])

除了标准事件外，用户还可以分发自定义事件（见以下示例）。

自定义事件仅在API的“I”版本中可见！

自定义事件有以下格式

属性	类型	描述
名称	str	事件的用户定义名称。
数据	任何类型	与事件关联的数据。这可以是一切，尽管我们建议将其设计为JSON可序列化。

以下是与上述标准事件相关的声明

format_docs:

def format_docs(docs: List[Document]) -> str:
    '''Format the docs.'''
    return ", ".join([doc.page_content for doc in docs])

format_docs = RunnableLambda(format_docs)

some_tool:

@tool
def some_tool(x: int, y: str) -> dict:
    '''Some_tool.'''
    return {"x": x, "y": y}

提示:

template = ChatPromptTemplate.from_messages(
    [("system", "You are Cat Agent 007"), ("human", "{question}")]
).with_config({"run_name": "my_template", "tags": ["my_template"]})

示例

from langchain_core.runnables import RunnableLambda

async def reverse(s: str) -> str:
    return s[::-1]

chain = RunnableLambda(func=reverse)

events = [
    event async for event in chain.astream_events("hello", version="v2")
]

# will produce the following events (run_id, and parent_ids
# has been omitted for brevity):
[
    {
        "data": {"input": "hello"},
        "event": "on_chain_start",
        "metadata": {},
        "name": "reverse",
        "tags": [],
    },
    {
        "data": {"chunk": "olleh"},
        "event": "on_chain_stream",
        "metadata": {},
        "name": "reverse",
        "tags": [],
    },
    {
        "data": {"output": "olleh"},
        "event": "on_chain_end",
        "metadata": {},
        "name": "reverse",
        "tags": [],
    },
]

示例：分发自定义事件

from langchain_core.callbacks.manager import (
    adispatch_custom_event,
)
from langchain_core.runnables import RunnableLambda, RunnableConfig
import asyncio


async def slow_thing(some_input: str, config: RunnableConfig) -> str:
    """Do something that takes a long time."""
    await asyncio.sleep(1) # Placeholder for some slow operation
    await adispatch_custom_event(
        "progress_event",
        {"message": "Finished step 1 of 3"},
        config=config # Must be included for python < 3.10
    )
    await asyncio.sleep(1) # Placeholder for some slow operation
    await adispatch_custom_event(
        "progress_event",
        {"message": "Finished step 2 of 3"},
        config=config # Must be included for python < 3.10
    )
    await asyncio.sleep(1) # Placeholder for some slow operation
    return "Done"

slow_thing = RunnableLambda(slow_thing)

async for event in slow_thing.astream_events("some_input", version="v2"):
    print(event)

参数

input （Input）- Runnable 的输入。
config (可选LangChainCoreRunnableConfig]) – 使用Runnable的配置。
版本 – 要使用的模式版本，可以是“v2”或“v1”。用户应使用“v2”。“v1”用于向后兼容，并在0.4.0中弃用。在API稳定之前不会分配默认值。自定义事件仅在“v2”中可见。
include_names – 只包括具有匹配名称的Runnable的事件。
include_types – 只包括类型匹配的Runnable的事件。
include_tags – 只包括具有匹配标签的Runnable的事件。
exclude_names – 排除具有匹配名称的Runnable的事件。
exclude_types – 排除具有匹配类型的Runnable的事件。
exclude_tags – 排除具有匹配标签的Runnable的事件。
kwargs (可选Any]) – 传递给Runnable的额外关键字参数。这些将通过astream_log传递，因为此astream_events实现是建立在其上的。

生产

异步流式传输的流事件。

引发

NotImplementedError – 如果版本不是 v1 或 v2。

返回类型

AsyncIterator[Union[《标准流事件》, 《自定义流事件》]]

batch(inputs: List[Input], config: Optional[Union[RunnableConfig, List[RunnableConfig]]] = None, *, return_exceptions: bool = False, **kwargs: Optional[Any]) → List[Output]¶

默认实现使用线程池执行器并行运行 invoke。

默认的批处理实现适用于IO密集型Runnable。

如果子类可以更有效地批量处理，则应重写此方法；例如，如果底层Runnable使用支持批处理模式的API。

参数

inputs (List[Input]) –
config (Optional[Union[RunnableConfig, List[RunnableConfig]]]) –
return_exceptions (bool) –
kwargs (可选[Any]) –

返回类型

列表[输出]

batch_as_completed(inputs: Sequence[Input], config: Optional[Union[RunnableConfig, Sequence[RunnableConfig]]] = None, *, return_exceptions: bool = False, **kwargs: Optional[Any]) → Iterator[Tuple[int, Union[Output, Exception]]]¶

并行在输入列表上运行调用， käytettävissä结果完成后。

参数

inputs (Sequence[Input]) –
config (Optional[Union[RunnableConfig, Sequence[RunnableConfig]]]) –
return_exceptions (bool) –
kwargs (可选[Any]) –

返回类型

Iterator[Tuple[int, Union[Output, Exception]]]

configurable_alternatives(which: ConfigurableField, *, default_key: str = 'default', prefix_keys: bool = False, **kwargs: Union[Runnable[Input, Output], Callable[[], Runnable[Input, Output]]]) → RunnableSerializable[Input, Output]¶

配置可以在运行时设置的 Runnable 的替代方案。

参数

which (ConfigurableField) – 将用于选择替代方案的 ConfigurableField 实例。
default_key (str) – 如果没有选择替代方案，将使用默认关键字。默认为“default”。
prefix_keys (bool) – 是否在键前添加 ConfigurableField id。默认为 False。
**kwargs (Union[Runnable[Input, Output], Callable[[], Runnable[Input, Output]]]) – 键到 Runnable 实例或返回 Runnable 实例的可调用对象的字典。

返回

配置了替代方案的新 Runnable。

返回类型

RunnableSerializable[Input, Output]

from langchain_anthropic import ChatAnthropic
from langchain_core.runnables.utils import ConfigurableField
from langchain_openai import ChatOpenAI

model = ChatAnthropic(
    model_name="claude-3-sonnet-20240229"
).configurable_alternatives(
    ConfigurableField(id="llm"),
    default_key="anthropic",
    openai=ChatOpenAI()
)

# uses the default model ChatAnthropic
print(model.invoke("which organization created you?").content)

# uses ChatOpenAI
print(
    model.with_config(
        configurable={"llm": "openai"}
    ).invoke("which organization created you?").content
)

configurable_fields(**kwargs: Union[ConfigurableField, ConfigurableFieldSingleOption, ConfigurableFieldMultiOption]) → RunnableSerializable[Input, Output]¶

在运行时配置特定的Runnable字段。

参数: **kwargs (Union[ConfigurableField, ConfigurableFieldSingleOption, ConfigurableFieldMultiOption]) - 要配置的ConfigurableField实例的字典。
返回: 配置字段后的新Runnable。
返回类型: RunnableSerializable[Input, Output]

from langchain_core.runnables import ConfigurableField
from langchain_openai import ChatOpenAI

model = ChatOpenAI(max_tokens=20).configurable_fields(
    max_tokens=ConfigurableField(
        id="output_token_number",
        name="Max tokens in the output",
        description="The maximum number of tokens in the output",
    )
)

# max_tokens = 20
print(
    "max_tokens_20: ",
    model.invoke("tell me something about chess").content
)

# max_tokens = 200
print("max_tokens_200: ", model.with_config(
    configurable={"output_token_number": 200}
    ).invoke("tell me something about chess").content
)

invoke(input: Input, config: Optional[RunnableConfig] = None, **kwargs: Optional[Any]) → Output¶

将单个输入转换为输出。重写以实现。

参数

input （Input）- Runnable 的输入。
config (Optional[RunnableConfig]) - 调用Runnable时要使用的配置。该配置支持标准的键，如‘tags’、‘metadata’用于跟踪目的、‘max_concurrency’用于控制并行工作数量，以及其他键。请参阅RunnableConfig获取更多详细信息。
kwargs (可选[Any]) –

返回

Runnable 的输出。

返回类型

输出

stream(input: Input, config: Optional[RunnableConfig] = None, **kwargs: Optional[Any]) → Iterator[Output]¶

stream的默认实现，调用invoke。如果子类支持流式输出，应重写此方法。

参数

input （Input）- Runnable 的输入。
config （Optional[RunnableConfig]）- 用于 Runnable 的配置。默认为 None。
kwargs (可选]任何[) – 传递给 Runnable 的额外关键字参数。

生产

Runnable 的输出。

返回类型

Iterator[Output]

to_json() → Union[SerializedConstructor, SerializedNotImplemented]¶

将Runnable序列化为JSON。

返回: Runnable的JSON可序列化表示。
返回类型: Union[SerializedConstructor, SerializedNotImplemented]

使用RunnableWithMessageHistory的示例¶

langchain_core.runnables.history.RunnableWithMessageHistory¶

使用RunnableWithMessageHistory的示例¶

`langchain_core.runnables.history`.RunnableWithMessageHistory¶