LangGraph Memory 机制

LangGraph 提供了两种类型的记忆机制，用于在不同场景下保存和检索信息：短期记忆（Short-term Memory）和长期记忆（Long-term Memory）。

概述

短期记忆：通过 Checkpointer 实现，thread-scoped（线程作用域），用于跟踪单次会话中的多轮对话
长期记忆：通过 Store 实现，跨会话存储，用于存储用户特定或应用级别的数据

短期记忆（Short-term Memory）

短期记忆通过 Checkpointer 实现，是 thread-scoped（线程作用域）的，用于跟踪单次会话中的多轮对话。

特点

作用域 ：限定在单个 thread_id 内
存储内容：对话历史、状态数据、中间结果等
生命周期：与线程绑定，线程结束时记忆也随之结束
实现方式：通过 Checkpointer 在每个步骤保存状态

使用场景

多轮对话中保持上下文
在会话中记住用户之前说过的话
保存会话中的临时数据

基本用法

python 复制代码

from langgraph.checkpoint.memory import InMemorySaver
from langgraph.graph import StateGraph, MessagesState

# 创建 checkpointer
checkpointer = InMemorySaver()

# 编译图时启用 checkpointer
graph = builder.compile(checkpointer=checkpointer)

# 第一次对话
config = {"configurable": {"thread_id": "user_123"}}
graph.invoke({"messages": [("user", "我叫张三")]}, config)

# 第二次对话 - 可以访问之前的消息
graph.invoke({"messages": [("user", "我刚才说我叫什么？")]}, config)
# Agent 可以回答："你刚才说你叫张三"

短期记忆的工作原理

状态保存：在每个执行步骤（superstep），Checkpointer 自动保存图的状态快照
状态恢复：下次执行时，从保存的检查点读取状态，包括之前的对话历史
线程隔离 ：不同的 thread_id 拥有独立的状态，互不干扰

短期记忆的生产环境使用

在生产环境中，应该使用数据库支持的 Checkpointer：

python 复制代码

from langgraph.checkpoint.postgres import PostgresSaver

DB_URI = "postgresql://user:password@localhost:5432/dbname"
checkpointer = PostgresSaver.from_conn_string(DB_URI)

graph = builder.compile(checkpointer=checkpointer)

长期记忆（Long-term Memory）

长期记忆通过 Store 实现，是 跨会话 的，用于存储用户特定或应用级别的数据。

长期记忆的特点

作用域 ：跨多个 thread_id，可以在任何线程中访问
存储内容：用户偏好、历史信息、知识库等
生命周期：独立于线程，持久化存储
实现方式：通过 Store 在自定义 namespace 下存储

长期记忆的使用场景

记住用户的偏好设置
存储跨会话的历史信息
保存应用级别的知识库

长期记忆的基本用法

python 复制代码

from langgraph.store.memory import InMemoryStore

store = InMemoryStore()

# 保存用户偏好（跨会话）
await store.aput(
    ["users", "user_123", "preferences"],
    {"theme": "dark", "language": "zh-CN"}
)

# 在任何线程中都可以访问
preferences = await store.aget(["users", "user_123", "preferences"])
print(preferences)  # {"theme": "dark", "language": "zh-CN"}

命名空间结构

Store 使用层次化的命名空间结构来组织数据：

python 复制代码

# 用户数据
["users", "user_123", "preferences"]
["users", "user_123", "history"]
["users", "user_123", "settings"]

# 应用数据
["app", "config", "version"]
["app", "knowledge", "faq"]

# 组织数据
["orgs", "org_456", "members"]

长期记忆的生产环境使用

在生产环境中，应该使用数据库支持的 Store：

python 复制代码

from langgraph.store.postgres import PostgresStore

DB_URI = "postgresql://user:password@localhost:5432/dbname"
store = PostgresStore.from_conn_string(DB_URI)

短期记忆 vs 长期记忆

特性	短期记忆	长期记忆
实现	Checkpointer	Store
作用域	单个 `thread_id`	跨多个 `thread_id`
存储内容	对话历史、状态数据	用户偏好、历史信息
生命周期	与线程绑定	持久化存储
使用场景	多轮对话上下文	跨会话信息
命名空间	`thread_id`	自定义 namespace

结合使用

在实际应用中，可以同时使用短期记忆和长期记忆：

python 复制代码

from langgraph.checkpoint.memory import InMemorySaver
from langgraph.store.memory import InMemoryStore

checkpointer = InMemorySaver()  # 短期记忆
store = InMemoryStore()  # 长期记忆

graph = builder.compile(checkpointer=checkpointer, store=store)

# 在节点中使用
def my_node(state):
    # 访问短期记忆（当前会话的对话历史）
    messages = state["messages"]
    
    # 访问长期记忆（用户偏好）
    preferences = await store.aget(["users", user_id, "preferences"])
    
    # 根据短期和长期记忆做出决策
    if preferences.get("theme") == "dark":
        # 使用深色主题
        pass
    
    return {"messages": [("assistant", "回复")]}

最佳实践

1. 选择合适的记忆类型

使用短期记忆：当信息只在当前会话中有用时
使用长期记忆：当信息需要在多个会话间共享时

2. 管理对话历史

对于长对话，考虑使用以下策略：

截断历史：只保留最近的 N 条消息
摘要历史：将旧消息总结为摘要
选择性保留：只保留重要的消息

3. 命名空间设计

设计清晰的命名空间结构：

python 复制代码

# 好的设计
["users", user_id, "preferences"]  # 用户偏好
["users", user_id, "history"]      # 用户历史
["app", "config"]                   # 应用配置

# 避免
["data", "stuff"]  # 不够清晰
["user123"]         # 缺少层次结构

4. 性能考虑

短期记忆：Checkpointer 在每个步骤都会保存，注意性能影响
长期记忆：Store 操作是异步的，适合批量操作
缓存策略：对于频繁访问的数据，考虑使用缓存

5. 数据一致性

确保短期记忆和长期记忆的数据一致性
在更新长期记忆时，考虑事务处理
定期清理过期的记忆数据