利用TiDB存储和检索聊天消息历史

关注

最新推荐文章于 2026-08-19 23:12:33 发布 · 473 阅读

原创 ·

本内容遵循 CC 4.0 BY-SA 版权协议

· GEO检测

使用 TiDB Serverless 进行向量搜索的 AI 应用开发 TiDB 是一个分布式 SQL 数据库，主要用于大规模数据处理和高并发场景。作为一款兼容 MySQL 协议的数据库，TiDB 允许用户在不牺牲 MySQL 生态系统的情况下，享受分布式数据库的优势。阅读详情

技术背景介绍

TiDB是一种灵活的数据库管理系统，近年来广受欢迎。TiDB Cloud作为其DBaaS（Database-as-a-Service）的解决方案，提供了专用和无服务器选项。现在，TiDB Serverless通过内置的向量搜索增强了MySQL环境，使得在不增加额外技术栈的情况下，可以无缝开发AI应用。

在这篇文章中，我们将探索如何使用TiDB来存储聊天消息历史，并利用其强大的功能进行数据检索和交互。

核心原理解析

TiDB Serverless集成了向量搜索功能，使得以低延迟进行海量数据操作成为可能。我们将利用该特性，结合LangChain库来管理和处理聊天消息历史。通过建立稳定高效的数据库连接，这些消息历史可以在后续的对话中动态检索和利用。

代码实现演示

环境准备

首先，安装必要的依赖库：

%pip install --upgrade --quiet langchain langchain_openai langchain-community

配置OpenAI API密钥

import getpass
import os

os.environ["OPENAI_API_KEY"] = getpass.getpass("Input your OpenAI API key:")

配置TiDB连接

我们将使用TiDB Cloud提供的标准方法来配置数据库连接：

# 从TiDB Cloud控制台复制
tidb_connection_string_template = "mysql+pymysql://<USER>:<PASSWORD>@<HOST>:4000/<DB>?ssl_ca=/etc/ssl/cert.pem&ssl_verify_cert=true&ssl_verify_identity=true"
tidb_password = getpass.getpass("Input your TiDB password:")
tidb_connection_string = tidb_connection_string_template.replace(
    "<PASSWORD>", tidb_password
)

生成历史数据

from datetime import datetime
from langchain_community.chat_message_histories import TiDBChatMessageHistory

history = TiDBChatMessageHistory(
    connection_string=tidb_connection_string,
    session_id="code_gen",
    earliest_time=datetime.utcnow(),
)

history.add_user_message("How's our feature going?")
history.add_ai_message(
    "It's going well. We are working on testing now. It will be released in Feb."
)

# 查看历史消息
print(history.messages)

基于历史数据的对话

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "You're an assistant who's good at coding. You're helping a startup build",
        ),
        MessagesPlaceholder(variable_name="history"),
        ("human", "{question}"),
    ]
)
chain = prompt | ChatOpenAI()

from langchain_core.runnables.history import RunnableWithMessageHistory

chain_with_history = RunnableWithMessageHistory(
    chain,
    lambda session_id: TiDBChatMessageHistory(
        session_id=session_id, connection_string=tidb_connection_string
    ),
    input_messages_key="question",
    history_messages_key="history",
)

response = chain_with_history.invoke(
    {"question": "Today is Jan 1st. How many days until our feature is released?"},
    config={"configurable": {"session_id": "code_gen"}},
)

print(response)

检查历史数据

history.reload_cache()
print(history.messages)

应用场景分析

通过TiDB的向量搜索和LangChain的结合，我们能够方便地在各种AI应用中记录和检索对话历史。这在客服聊天机器人、交互式助手等场景中尤为实用。

实践建议

在实践中，建议定期检查和优化数据库连接的配置，确保会话数据的安全和高效管理。在构建复杂应用时，灵活使用TiDB的向量搜索功能可以大大提高应用性能和用户体验。

如果遇到问题欢迎在评论区交流。
—END—

标签

#tidb #python

分享十万级TPS的IM即时通讯综合消息系统的架构如何设计一款高性能、高并发、高可用的im综合消息平台是很多公司发展过程中会碰到且必须要解决的问题。比如一家公司内部的通讯系统、各个互联网平台的客服咨询系统，都是离不开一款好用且维护的方便im综合消息系统。那么，我们应该怎么样来设计一款三高特性的im系统，并能同时支持各个业务线的接入（比如：内部OA通讯、客服咨询、消息推送等等功能）有呢？ im第一版设计的初衷是公司需要一款im消息中间件用于支撑客服咨询业务。但是，考虑到为了方便日后其他业务线也能接入消息沟通平台，所以一开始就将整个消息中心的能力需求给到中间件阅读详情