用 LangChain 克隆一个 ChatGPT：LLMChain + Memory 实战

0 前言

ChatGPT 之所以好用，核心在于：

• 个性化的系统提示词
• 多轮对话记忆

本文基于 LangChain，用不到 30 行代码复刻这两个能力，构建一个可自定义人格的对话 AI。

1 技术栈

2 核心思路

每次调用时，Memory 自动将历史对话注入到{history}变量，使 LLM 具备"记忆"能力。

3 完整代码

3.1 设计 Prompt 模板

Prompt 是塑造 AI 个性的关键。注意两个必要的占位变量：

• {history}：由 Memory 自动填充，无需手动传入
• {human_input}：用户每次的输入

template="""AI助手是由OpenAI训练的大型语言模型。 AI助手旨在能够处理各种任务，从回答简单问题到提供广泛话题的深入解释和讨论。 作为一个语言模型，AI助手能够根据接收到的输入生成类似人类的文本，使其能够进行 自然的对话并提供与当前话题相关且连贯的回答。 {history} Human: {human_input} AI助手:"""prompt=PromptTemplate(input_variables=["history","human_input"],template=template)

关键设计点：

• 系统描述放在最前面，定义 AI 的能力边界和人格
• {history}和{human_input}之间保持清晰分隔
• 末尾的AI助手:作为续写触发词，引导模型以 AI 身份回复

3.2 组装 LLMChain

chatgpt_chain=LLMChain(llm=llm,prompt=prompt,memory=ConversationBufferWindowMemory(k=2),# 保留最近 2 轮对话)

ConversationBufferWindowMemory(k=2)只保留最近 2 轮对话，避免 Token 超限，适合生产环境。

3.4 运行对话

output=chatgpt_chain.predict(human_input="你好，介绍一下你自己")print(output)

4 进阶玩法：角色扮演 Linux 终端

修改 Prompt，让 AI 扮演一个 Linux 终端，只返回命令执行结果：

output=chatgpt_chain.predict(human_input="我要求你扮演Linux终端。我会输入命令，你将回复终端应显示的内容。""我希望你只在一个唯一的代码块内回复终端输出，不添加其他内容。""我的第一个命令是 pwd")print(output)

之后可以像操作真实终端一样连续交互：

# 由于有 Memory，模型知道"当前目录"的上下文output=chatgpt_chain.predict(human_input="ls ~")output=chatgpt_chain.predict(human_input="cd ~")# 创建文件（模拟）output=chatgpt_chain.predict(human_input="{创建一个名为crypto.txt的文件，并在其中放入主流的加密货币代码}")# 执行 Python 脚本（模拟）output=chatgpt_chain.predict(human_input='echo -e "x=lambda y:y*5+3;print(x(6))" > run.py && python3 run.py')

这展示了 Memory 的核心价值：多轮对话之间的状态共享。

5 Memory 类型对比

6 总结

LLMChain = LLM + Prompt + Memory 的优雅封装，通过替换 Prompt 模板即可快速构建不同人格的 AI 助手，这正是 LangChain 的设计哲学：组合而非重写。