最新实践LangGraph的记忆体

LangChain组件

LangChain的组件可能旧了, 目前官方的最新实践应该是使用LangGraph, 去做记忆组件

为什么推荐用 LangGraph 做记忆?

  • 灵活的记忆管理:可以在图的任意节点读写、更新记忆(如用户历史、上下文、外部知识等)。
  • 流程可视化:对话流程以图结构展现,逻辑清晰,易于维护和扩展。
  • 多模型协作:支持在不同节点调用不同的 LLM、工具或 API,适合复杂任务分解。
  • 高可扩展性:适合从简单对话到复杂多轮推理、任务分解等多种场景。

基本原理

  • 节点(Node) :每个节点可以是一个 LLM 调用、工具调用、记忆操作等。
  • 边(Edge) :定义节点之间的流转条件(如根据用户输入内容分流)。
  • 记忆(Memory) :可以在节点间传递和更新,支持短期和长期记忆。

基本用法示例(Python)

python 复制代码
from langgraph.graph import StateGraph, END 
from langchain.memory import ConversationBufferMemory 
from langchain.llms import OpenAI 

# 1. 定义记忆 
memory = ConversationBufferMemory() 

# 2. 定义节点 
def greet_node(state): 
    return "你好,有什么可以帮您?" 
    
def answer_node(state): 
    # 这里可以调用 LLM,结合记忆 
    user_input = state["input"] 
    history = memory.load_memory_variables({}) 
    # 伪代码:调用 LLM 
    response = f"你刚才说:{user_input},历史对话:{history}" 
    memory.save_context({"input": user_input}, {"output": response}) 
    return response 
    
# 3. 构建图 
graph = StateGraph() 
graph.add_node("greet", greet_node) 
graph.add_node("answer", answer_node) 
graph.add_edge("greet", "answer") 
graph.add_edge("answer", END) 
graph.set_entry_point("greet") 

# 4. 运行 
result = graph.run({"input": "请帮我查下天气"}) 
print(result)

Runnable

LangGraph 的 StateGraph 和 LangChain 的 Runnable 结合使用, 是目前构建复杂对话系统和多步骤推理流程的主流方式之一

StateGraph(LangGraph)

  • 用"节点-边"方式描述对话/推理流程。
  • 每个节点可以是一个函数、一个 LLM 调用、一个工具调用,甚至是一个复杂的子流程。
  • 节点之间通过"边"连接,数据(state)在节点间流转。

Runnable(LangChain)

  • Runnable 是 LangChain 2.0 之后的核心抽象,代表"可运行的单元"。
  • 可以是 LLM、链、工具、函数、管道等。
  • 支持 .invoke(input)、.stream(input)、.batch(inputs) 等统一接口。
  • 可以组合(如 RunnableSequence、RunnableParallel)形成复杂流程

代码

python 复制代码
from langchain.schema.runnable import RunnableSequence 

def add_prefix(state): 
    return {"input": "前缀:" + state["input"]} 

def add_suffix(state): 
    return {"output": state["input"] + ":后缀"} 

node = RunnableSequence([ RunnableLambda(add_prefix), RunnableLambda(add_suffix) ]) 
graph = StateGraph() 
graph.add_node("combo", node) 
graph.add_edge("combo", END) 
graph.set_entry_point("combo") 
result = graph.run({"input": "内容"}) 
print(result)

数据流转机制

  • state:每个节点的输入和输出都是 state(通常是 dict),LangGraph 自动把上一个节点的输出作为下一个节点的输入。
  • runnable:每个 Runnable 的 .invoke(input) 接收 state,返回新的 state。
  • 记忆:可以在 state 里传递 memory 对象,或者在节点里直接操作全局 memory。

总结

  • StateGraph 负责"流程编排",Runnable 负责"具体执行"。
  • 节点可以直接用 Runnable,也可以在节点函数里用 Runnable。
  • 数据(state)在节点间自动流转,节点只需关心输入和输出。
相关推荐
数据知道几秒前
Go基础:文件与文件夹操作详解
开发语言·后端·golang·go语言
华仔啊8 分钟前
Spring 配置混乱?搞懂这两个核心组件,问题真能少一半
java·后端·spring
喂完待续19 分钟前
【序列晋升】45 Spring Data Elasticsearch 实战:3 个核心方案破解索引管理与复杂查询痛点,告别低效开发
java·后端·spring·big data·spring data·序列晋升
forever銳28 分钟前
java中如何保证接口幂等性
java·后端
IT_陈寒29 分钟前
告别低效!用这5个Python技巧让你的数据处理速度提升300% 🚀
前端·人工智能·后端
程序员NEO32 分钟前
B站油管抖音一键笔记
后端
golang学习记37 分钟前
Python 2025 最火框架排名盘点:FastAPI 成为新王
后端
程序新视界39 分钟前
MySQL的两种分页方式:Offset/Limit分页和游标分页
后端·sql·mysql
小蒜学长41 分钟前
springboot房地产销售管理系统的设计与实现(代码+数据库+LW)
java·数据库·spring boot·后端
邂逅星河浪漫1 小时前
【LangChain4j+Redis】会话记忆功能实现
java·spring boot·后端·阿里云·langchain4j·会话记忆