当前位置：首页 > news >正文

LangGraph：记忆

news 2025/9/23 17:24:51

短期记忆（线程内记忆）

对话内记忆，主要记住该对话内容

长期记忆（跨线程记忆）

跨对话记忆，能够记忆好几个对话中的内容，如用户说“请记住我提供的这些偏好设置”，能够通过长期记忆记住这些偏好设置，然后在不同对话之间流通使用。

综合对比

在 LangGraph 中，短记忆和长记忆是通过在编译图（graph.compile()）时传入不同的参数来分别进行保存的。

保存短记忆 (Short-term memory)
短记忆是通过 checkpointer 参数来保存的。它会自动保存整个图的状态（State），通常用于记录当前对话线程（thread_id）中的消息历史等信息。

代码示例：

from langgraph.checkpoint.memory import InMemorySaver
from langgraph.checkpoint.postgres import PostgresSaver # 生产环境推荐
from langgraph.graph import StateGraph# 选择一个 Checkpointer，例如内存中的（开发用）或 Postgres（生产用）
checkpointer = InMemorySaver() # 或 PostgresSaver.from_conn_string(DB_URI)builder = StateGraph(...) # 定义你的图结构
graph = builder.compile(checkpointer=checkpointer) # 在编译时传入 checkpointer# 调用图时，通过 config 指定线程ID
graph.invoke({"messages": [{"role": "user", "content": "hi! i am Bob"}]},{"configurable": {"thread_id": "1"}}, # 这个 thread_id 用于区分不同的对话
)

核心参数: checkpointer
作用: 自动持久化图的整个状态，实现对话上下文的跟踪。

保存长记忆 (Long-term memory)
长记忆是通过 store 参数来保存的。它提供了一个键值存储（Key-Value Store），允许你按命名空间（namespace）和键（key）来手动存取数据，这些数据可以跨不同的对话线程（thread_id）被访问。

代码示例：

from langgraph.store.memory import InMemoryStore
from langgraph.store.postgres import PostgresStore # 生产环境推荐
from langgraph.graph import StateGraph# 选择一个 Store，例如内存中的（开发用）或 Postgres（生产用）
store = InMemoryStore() # 或 PostgresStore.from_conn_string(DB_URI)builder = StateGraph(...) # 定义你的图结构
graph = builder.compile(store=store) # 在编译时传入 store# 在你的节点函数中，可以手动读写 store
def call_model(state, config, *, store):user_id = config["configurable"]["user_id"]namespace = ("memories", user_id)# 读取长记忆memories = store.search(namespace, query="...")info = "..." # 处理读取到的信息# 写入长记忆 (例如，当用户要求记住某些信息时)if "remember" in state["messages"][-1].content.lower():store.put(namespace, "some_key", {"data": "User name is Bob"})# ... 调用模型并返回响应

核心参数: store
作用: 提供一个独立的、可手动操作的存储空间，用于保存需要在多次会话间持久化的用户或应用数据。

总结:

短记忆 (checkpointer) 是自动的、基于状态的，绑定到特定的 thread_id，用于管理单次对话的上下文。
长记忆 (store) 是手动的、基于键值的，绑定到特定的 user_id 或命名空间，用于管理跨会话的持久化数据。

你可以同时使用两者：

graph = builder.compile(checkpointer=checkpointer, # 用于短记忆store=store # 用于长记忆
)

长记忆保存机制

长记忆（Long-term memory）不会自动保存。它需要你在图的节点（Node）函数中手动调用 store.put() 或 store.aput() 方法来显式地写入数据。

这与短记忆（Short-term memory）的机制完全不同：

短记忆 (checkpointer)：是自动的。当你在 graph.compile(checkpointer=...) 中配置了检查点后，LangGraph 会在每次状态更新时自动保存整个图的状态（包括消息历史等）。你无需在节点函数中编写额外的保存代码。
长记忆 (store)：是手动的。虽然你在编译图时通过 graph.compile(store=...) 提供了存储后端，但这只是让 store 对象在节点函数中可用。实际的数据读写操作（store.search(), store.put(), store.get()）必须由你在业务逻辑中显式调用。

为什么这样设计？

长记忆通常用于存储用户档案、偏好设置、重要事件等关键的、跨会话的持久化信息。这些信息并非每次交互都会产生或改变，而是需要根据特定的业务逻辑或用户指令（例如，当用户说“记住我的名字是Bob”时）来决定何时保存。因此，手动控制提供了更大的灵活性和精确性。

如何手动保存？

正如文档中的示例所示，你需要在你的节点函数中访问 store 对象，并根据条件执行保存操作：

def call_model(state: MessagesState,config: RunnableConfig,*,store: BaseStore, # store 作为参数传入节点函数
):user_id = config["configurable"]["user_id"]namespace = ("memories", user_id)# ... 处理逻辑 ...# 手动判断并保存长记忆last_message = state["messages"][-1]if "remember" in last_message.content.lower():memory_data = "User name is Bob"# 手动调用 put 方法保存store.put(namespace, str(uuid.uuid4()), {"data": memory_data})# ... 返回响应 ...