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。