LangChainV1.0[05]-记忆管理

paopao_wu2026-01-08 14:49

一个严重问题：AI "记不住"上一轮说了什么，比如：

latex 复制代码 
用户：你好，我叫小明。

AI：你好，小明！

用户：我昨天去了北京。

AI：你好！有什么我可以帮你的吗？

这显然不是我们想要的智能助手。真正的对话是连续的、有上下文的。

我们把在一次会话中（多轮问答），让大模型能够"记住"上下文，叫做"短期记忆"

1.自己实现"短期记忆"

前面我们使用的大模型是qwen3-next:80b-cloud,为了说明效果本次实验我们更换模型为：deepseek-v3.1:671b-cloud

shell 复制代码 
ollama run deepseek-v3.1:671b-cloud

1.1 大模型没有记忆

现在通过代码，向大模型连续发送两次问题，看看它能否连贯回答问题。

chapter05/llm_memory.py

python 复制代码 
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model

if __name__ == '__main__':
    model=init_chat_model(
        model="ollama:deepseek-v3.1:671b-cloud",
        base_url="http://127.0.0.1:11434")
    agent=create_agent(model=model)

    # 第一轮问
    prompt={
        "messages": [
            {"role": "user", "content": "写一首唐诗"}
        ]
    }
    result=agent.stream(input=prompt,stream_mode="messages")
    #  第一轮答
    for chunk in result:
        print(chunk[0].content, end="", flush=True)
    print("\n")
    print("="*20)
    # 第二轮问
    prompt={
        "messages": [
            {"role": "user", "content": "再来"}
        ]
    }
    result = agent.stream(input=prompt, stream_mode="messages")
    #  第二轮答
    for chunk in result:
        print(chunk[0].content, end="", flush=True)

输出结果：

latex 复制代码 
《秋夜泊舟》
江阔星垂野，风清月近人。
孤舟寒烛暗，雁影过汀洲。
客梦家山远，霜钟古渡头。
归心随逝水，日夜向东流。

注：此诗以秋夜泊舟为背景，通过"星垂野""月近人"等意象展现空阔寂寥之境，尾联"归心随逝水"巧妙化用李白"逝水与归心"之韵，暗合张若虚《春江花月夜》中"江水绕芳甸"的时空流转感，表达客子思乡的绵长愁绪。全诗五言律对仗工稳，意境幽远，得唐诗清峻之风骨。

====================
你好！很高兴再次见到你！😊

看起来你可能是想说"再来"或者想继续我们之前的对话？不过我这里没有看到之前的具体内容，可能是新开始的对话。

不管怎样，我都很乐意帮助你！请告诉我：
- 你想继续之前聊什么话题？
- 还是有什么新的问题想要讨论？
- 或者需要我帮你做些什么？

我会在这里热情地为你提供帮助！✨

可以看到，第二轮的时候，大模型就不知道你前面说了啥了。

1.2 实现大模型记忆

现在用"笨"办法实现大模型短期记忆。思路就是：每次向大模型发问的时候，都将"历史消息" 和新问题一起发给大模型：

python 复制代码 
    # 第一轮问
    prompt={
        "messages": [
            {"role": "user", "content": "写一首唐诗"}
        ]
    }
    result=agent.stream(input=prompt,stream_mode="messages")
    #  第一轮答,
    answer=""
    for chunk in result:
        print(chunk[0].content, end="", flush=True)
        answer+=chunk[0].content
    print("\n")
    print("="*20)

    # 将第一轮的问答结果加入历史记录
    prompt["messages"].append(
        {"role": "assistant", "content": answer}
    )

    # 第二轮问
    message={"role": "user", "content": "再来"}
    # 将第二轮的问加入历史记录
    prompt["messages"].append(message)
    # 将历史问答和新问题组合在一起
    result = agent.stream(input=prompt, stream_mode="messages")
    #  第二轮答
    for chunk in result:
        print(chunk[0].content, end="", flush=True)

输出结果：

latex 复制代码 
《秋夜寄友》
松风侵晓帘，孤月照空庭。
鸿雁南归尽，寒山客独行。
昔别春柳绿，今听晚蝉鸣。
相望不相见，云深海自平。

注：此诗以秋夜为背景，通过松风、孤月、鸿雁等意象勾勒出寂寥之境，抒发了对友人的深切思念。尾联"云深海自平"化用"相思不比潮汐信"，将绵长情谊寄于浩瀚自然，暗合唐诗以景结情之妙，平淡中见深远。

====================
《江上行》
江阔片云低，山青鹭影齐。
潮来舟自横，日落客犹迷。
旧巷苔痕满，空坛燕泥稀。
何处笛声起，随风过水西。

注：此诗以江景起兴，通过云低鹭飞的动态勾勒出空阔意境。颈联以"苔痕满""燕泥稀"暗写时光流转，尾联笛声随风飘散的意象，含蓄寄托了天涯行役的孤寂感，深得唐人七言空灵蕴藉之味。

可以看到，有了上下文，大模型就能理解 "再来" 是什么意思了。

2.langChain 短期记忆

历史消息存放到哪里？随着问答次数越多，那历史消息就会越来越大，如何实现有效的管理，其实Langchain已经为我们实现了。

2.1 InMemorySaver

langChain为我们提供了 langgraph.checkpoint.memory.InMemorySaver记忆体，在创建agent的时候，为它指定"记忆体"， 后面每次向大模型提问的时候，只需要指定同一个会话ID，langChain就会自动组装历史消息，然后发送给大模型。

也就是说，不需要我们手动管理历史消息了，langChain 为我们提供了自动管理的能力。

python 复制代码 
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langgraph.checkpoint.memory import InMemorySaver

if __name__ == '__main__':
    model=init_chat_model(
        model="ollama:deepseek-v3.1:671b-cloud",
        base_url="http://127.0.0.1:11434")

    # 内存记忆体
    checkpointer=InMemorySaver()
    agent=create_agent(model=model,
                       # 开启记忆功能
                       checkpointer=checkpointer)

    # 会话ID, 每次与大模型对话，都使用同一个会话ID
    session_id="session_id_1"
    config={
        "configurable":{
            "thread_id": session_id
        }
    }

    # 第一轮问
    prompt={
        "messages": [
            {"role": "user", "content": "写一首唐诗"}
        ]
    }

    result=agent.stream(input=prompt,stream_mode="messages",config=config)
    #  第一轮答,
    for chunk in result:
        print(chunk[0].content, end="", flush=True)
    print("\n")
    print("="*20)

    # 第二轮问
    message={"role": "user", "content": "再来"}
    # 将第二轮的问加入历史记录
    prompt["messages"].append(message)
    # 将历史问答和新问题组合在一起
    result = agent.stream(input=prompt, stream_mode="messages",config=config)
    #  第二轮答
    for chunk in result:
        print(chunk[0].content, end="", flush=True)

从输出结果看，Langchain 已经为我们自动完成了历史信息的组装。

2.2 消息持久化

使用InMemorySaver记忆体有个明显的缺陷，就是程序运行结束后，历史消息就结束了。这里我们将历史消息存入 Postgresql数据库中。

2.2.1 安装PostgreSQL

https://www.postgresql.org/download/

安装后，将路径\PostgreSQL\18\bin 加入到path环境变量

2.2.2 命令行使用

登录：

shell 复制代码 
# 完整命令 psql -U postgres -h localhost -p 5432
# 默认是 本机，端口是 5432
# 输入安装的时候配置的密码
psql -U postgres

常用命令：

\l 列出所有数据库
\c 数据库名 切换到指定的数据库
\dt 列出所有数据表
\d 表名 查看表结构
\q 退出

创建数据库：

shell 复制代码 
create database langchain;

2.2.3 安装python依赖

shell 复制代码 
pip install psycopg[binary] langgraph-checkpoint-postgres

2.2.3 代码中使用

只需将原来的 InMemorySaver替换为 PostgresSaver

python 复制代码 
from anyio.lowlevel import checkpoint
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.checkpoint.postgres import PostgresSaver

if __name__ == '__main__':
    model=init_chat_model(
        model="ollama:deepseek-v3.1:671b-cloud",
        base_url="http://127.0.0.1:11434")

    # Postgres 数据库记忆体
    #  postgresql://用户名:密码@主机:端口/数据库名
    POSTGRES_URI="postgresql://postgres:123456@localhost:5432/langchain"
    with PostgresSaver.from_conn_string(POSTGRES_URI) as checkpointer:
        checkpointer.setup () # 初始化数据库表,只需要初始化一次
        agent=create_agent(model=model,
                           # 开启记忆功能
                           checkpointer=checkpointer)

        # 会话ID, 每次与大模型对话，都使用同一个会话ID
        session_id="session_id_1"
        config={
            "configurable":{
                "thread_id": session_id
            }
        }

        # 第一轮问
        prompt={
            "messages": [
                {"role": "user", "content": "写一首唐诗"}
            ]
        }

        result=agent.stream(input=prompt,stream_mode="messages",config=config)
        #  第一轮答,
        for chunk in result:
            print(chunk[0].content, end="", flush=True)
        print("\n")
        print("="*20)

        # 第二轮问
        message={"role": "user", "content": "再来"}
        # 将第二轮的问加入历史记录
        prompt["messages"].append(message)
        # 将历史问答和新问题组合在一起
        result = agent.stream(input=prompt, stream_mode="messages",config=config)
        #  第二轮答
        for chunk in result:
            print(chunk[0].content, end="", flush=True)

代码执行一次以后，查看数据库：

shell 复制代码 
# 切换到 langchain 数据库
postgres=# \c langchain
# 查看所有数据库表
langchain=# \dt

 架构模式 |         名称          |  类型  |  拥有者
----------+-----------------------+--------+----------
 public   | checkpoint_blobs      | 数据表 | postgres
 public   | checkpoint_migrations | 数据表 | postgres
 public   | checkpoint_writes     | 数据表 | postgres
 public   | checkpoints           | 数据表 | postgres

可以看到数据库表已经全部创建了。第二次运行的时候，将 checkpointer.setup ()代码注释掉

使用数据库客户端工具(Navicat) 查看表数据：会发现每轮会话的问答内容都使用二进制的方式存入到了数据库中。

2.2.4 查看数据库中的记录

python 复制代码 
# 获取Postgres数据库中的聊天记录
def get_postgres_memory(session_id: str) :
    #  postgresql://用户名:密码@主机:端口/数据库名
    POSTGRES_URI="postgresql://postgres:root@localhost:5432/langchain"
    with PostgresSaver.from_conn_string(POSTGRES_URI) as checkpointer:
        checkpoints=checkpointer.list({
            "configurable":{
                "thread_id": session_id
            }
        })
        for checkpoint in checkpoints:
            # print(checkpoint)
            messages=checkpoint[1]["channel_values"]["messages"]
            for message in messages:
                message.pretty_print()
            break

执行：get_postgres_memory("session_id_1")

3.checkpoint与CheckPointer

上面的checkpointer可以理解为检查点管理器， checkpoint就是检查点，即状态图的总体状态快照

它的作用就是用来做记忆管理

3.1 什么是Checkpoint （存档内容）

Checkpoint 是智能体在某一特定时间点的状态快照。在 LangGraph 的状态图中，每当一个节点（Node）执行完毕，系统就会自动创建一个 Checkpoint。

它通常包含以下数据结构：

  • State (状态) ：当前所有全局变量的值（如对话历史 chat_history、检索到的文档、中间推理步骤等）。
  • Config (配置) ：包含 thread_id（线程 ID），用于区分不同的用户或会话。
  • Next (下一步)：图中即将执行的下一个节点。
  • Metadata (元数据)：时间戳、使用的模型信息等。

3.2 什么是CheckPointer （存档机制）

Checkpointer 是一个持久化层接口，负责将上述快照写入数据库或内存，并在需要时读回。

它的核心作用：

  1. 记忆持久化 (Memory) ：即使用户关闭了网页或服务器重启，只要 thread_id 一致，Agent 就能从上次停下的地方继续。
  2. 错误恢复 (Error Recovery)：如果 Agent 在执行工具时崩溃，它可以从最后一个成功的 Checkpoint 重启，而不是从头开始。
  3. 人机交互 (Human-in-the-loop)：你可以让 Agent 执行到某一步（如"准备转账"）后自动挂起，等待人工审核。人工审核通过后，Checkpointer 会重新加载状态并触发下一步。
  4. 回溯与分支 (Time Travel)：你可以查看历史 Checkpoint，甚至从旧状态开启一个新的分支进行"假设分析"。

4.构建简单状态图

下面我们手工创建一个状态图，看看它是怎么运作的，状态快照 Checkpoint 到底是个啥

现在我们要做的事情是构建出这个图来，然后让它运行起来，看看中间的状态是如何变化的，如何进行快照的。

4.1 状态

状态中需要保存什么信息？这个由我们自己来定义，它实际上是一个字典类型。所以我们就写一个类，继承字典

python 复制代码 
class MyState(TypedDict):
    '''
    自定义状态字典
    '''
    node_name:str
    sequence: Annotated[list[str], add]

4.2 节点

langchain graph 中预定义了 两个节点：START和 END, 表示开始节点和结束节点。现在我们还需要定义两个节点。定义节点其实就是定义一个函数，函数接收状态参数，函数体就是节点的运行逻辑，返回状态

python 复制代码 
def node_a(state:MyState):
    '''
    节点A
    '''
    print(f"节点A:{state}")
    return {"node_name":"node_a", "sequence":["node_a"]}

def node_b(state:MyState):
    '''
    节点B
    '''
    print(f"节点B:{state}")
    return {"node_name":"node_b", "sequence":["node_b"]}

4.3 构建图

python 复制代码 
def build_flow():
    '''
    构建状态图
    '''
    workflow=StateGraph (MyState)
    # 添加节点A
    workflow.add_node("node_a", node_a)
    # 添加节点B
    workflow.add_node("node_b", node_b)
    # 连接节点，即添加边 开始节点 -> 节点A
    workflow.add_edge(START, "node_a")
    # 连接节点，即添加边 节点A -> 节点B
    workflow.add_edge("node_a", "node_b")
    # 连接节点，即添加边 节点B -> 结束节点
    workflow.add_edge("node_b", END)

    # 检查点管理器, 用于保存状态图的状态
    checkpointer=InMemorySaver ()
    # 编译状态图
    graph=workflow.compile(checkpointer)
    # 返回图和检查点管理器
    return graph,checkpointer

4.4 开始调用

python 复制代码 
if __name__ == '__main__':
    # 构建状态图
    graph,checkpointer=build_flow()
    # 配置,指定了 config的类型为 RunnableConfig
    config:RunnableConfig={
        "configurable":{
            "thread_id": "123456"
        }
    }

    # 初始状态
    init_state:MyState={
        "node_name":"start",
        "sequence":[]
    }
    # 运行状态图
    result=graph.invoke(init_state, config)
    print(result)

运行输出：

latex 复制代码 
节点A:{'node_name': 'start', 'sequence': []}
节点B:{'node_name': 'node_a', 'sequence': ['node_a']}
{'node_name': 'node_b', 'sequence': ['node_a', 'node_b']}
  • 第一行输出表示 A节点开始执行，打印了刚开始传入的状态，此时它返回了：{"node_name":"node_a", "sequence":["node_a"]}
  • 于是图的状态会被修改为 :{'node_name': 'node_a', 'sequence': ['node_a']}, node_name被修改为了node_a,而 sequence 中要add A节点返回的 sequence, 所以变成了['node_a']
  • 然后状态被传递到B节点，B节点打印了传入的状态，同时返回{"node_name":"node_b", "sequence":["node_b"]}
  • 图的状态会被修改为 :{'node_name': 'node_b', 'sequence': ['node_a', 'node_b']}, node_name被修改为了node_b,而 sequence 中要add B节点返回的 sequence, 所以变成了['node_a', 'node_b']
  • 最终到达终点，打印了最终的状态 {'node_name': 'node_b', 'sequence': ['node_a', 'node_b']}

查看状态快照：

python 复制代码 
    # 运行状态图
    result=graph.invoke(init_state, config)
    print(result)

    # 获取图的状态，可以看到 StateSnapshot 包含了当前状态和历史状态
    print(graph.get_state(config))

输出：

latex 复制代码 
StateSnapshot(
values={'node_name': 'node_b', 'sequence': ['node_a', 'node_b']}, 

next=(), 

config={'configurable': {'thread_id': '123456', 'checkpoint_ns': '', 'checkpoint_id': '1f0e8978-eb85-6bbe-8002-07ce9b0e57dd'}}, 

metadata={'source': 'loop', 'step': 2, 'parents': {}}, 

created_at='2026-01-03T11:30:08.062789+00:00', 

parent_config={'configurable': {'thread_id': '123456', 'checkpoint_ns': '', 'checkpoint_id': '1f0e8978-eb83-64b6-8001-420dd19350a3'}}, 

tasks=(), 

interrupts=()
)

也可以查看所经历的所有快照：

python 复制代码 
    # 获取图的状态，可以看到 StateSnapshot 包含了当前状态和历史状态
    print(graph.get_state(config))
    print("="*20)
    checkpoint=checkpointer.list(config)
    for checkpoint in checkpoint:
        print(checkpoint)
相关推荐
薛定谔的猫喵喵6 小时前
天然气压力能利用系统综合性评价平台：基于Python和PyQt5的AHP与模糊综合评价集成应用
开发语言·python·qt
yuluo_YX6 小时前
Reactive 编程 - Java Reactor
java·python·apache
独好紫罗兰6 小时前
对python的再认识-基于数据结构进行-a004-列表-实用事务
开发语言·数据结构·python
ZH15455891316 小时前
Flutter for OpenHarmony Python学习助手实战：模块与包管理的实现
python·学习·flutter
人工智能AI技术6 小时前
GitHub Copilot免费替代方案：大学生如何用CodeGeeX+通义灵码搭建AI编程环境
人工智能
Chunyyyen6 小时前
【第三十四周】视觉RAG01
人工智能·chatgpt
是枚小菜鸡儿吖6 小时前
CANN 算子开发黑科技：AI 自动生成高性能 Kernel 代码
人工智能·科技
choke2336 小时前
[特殊字符] Python异常处理
开发语言·python
hqyjzsb6 小时前
盲目用AI提效？当心陷入“工具奴”陷阱，效率不增反降
人工智能·学习·职场和发展·创业创新·学习方法·业界资讯·远程工作
热门推荐
01GitHub 镜像站点02Claude Code + GLM4.7 避坑指南：解决 Unable to connect to Anthropic services03OpenClaw Chrome扩展使用教程 - 浏览器中继控制04Linux下V2Ray安装配置指南05UV安装并设置国内源06openclaw配置教程（linux+局域网ollama）07Claude Code Skills 实用使用手册08Vue-skills的中文文档09让 Trae IDE 智能体 “读懂”文档 Excel+PDF+DOCX ：mcp-documents-reader 工具使用指南10使用 1panel面板 部署 php网站