Agent教程17：LangChain的持久化和人工干预

一、langchain.messages 模块

在 LangChain 中，消息相关的模块主要用于与聊天模型（Chat Models）进行交互。随着 LangChain 的版本迭代，这些核心类目前主要存放在 langchain_core.messages 模块下。

但如果你已经安装了 langchain 的话，langchain.messages 里也可以直接取到这些类。

1.1. 核心消息类 (Core Message Types)

所有的消息类都继承自基础类 BaseMessage。它们分别对应了聊天对话中的不同角色：

• SystemMessage (系统消息)：用于设定 AI 的行为、背景、规则或人物设定。通常作为对话的第一条消息传入。

• HumanMessage (人类消息)：代表来自用户（人类）的输入或提问。

• AIMessage (AI 消息)：代表来自大语言模型（AI 助手）的回复。

• ChatMessage (自定义角色消息)：当标准角色（System, Human, AI）不够用时，可以使用这个类，并手动指定 role 参数（例如角色设定为 "moderator" 或 "user_2"）。

• ToolMessage (工具消息)：代表工具（Tool）执行完毕后返回的结果。在现代的 Agent 和工具调用（Tool Calling）流程中非常常用，通常包含 tool_call_id。

使用这些类，不仅可以避免像在之前直接 OpenAI的 API 时那些写 { "role": "system" }，更重要的是语义化上的方便与类型判断。

例如：

if isinstance(last_message, AIMessage)

可以用来判断 last_message 是否是 AI 回复的消息。

同时，当我们构建人类输入时，我们拿到用户的输入字符串后，可以这样构建输入消息的结构：

 input_message = {"messages": [HumanMessage(content=user_input)]}

对比直接写JSON，语义上的进步是比较大的。

1.2. 流式传输消息类 (Streaming Message Chunks)

当使用流式输出（Streaming）时，模型会逐块（chunk）返回数据。这些类专门用于处理流式响应，它们都继承自 BaseMessageChunk：

• AIMessageChunk：AI 回复的流式片段。

• HumanMessageChunk：人类消息的流式片段。

• SystemMessageChunk：系统消息的流式片段。

• ChatMessageChunk：自定义角色消息的流式片段。

• ToolMessageChunk：工具消息的片段。

注：这些 Chunk 类支持使用 + 运算符进行拼接（例如两个 AIMessageChunk 相加会合并成一个完整的 Chunk）。

如果用不上流式传输，可以暂时忽视这部分。

二、 检查点/持久化

如果没有 Checkpointer（检查点/持久化），你的 Agent 就会变得和你们公司的领导一样，转头就会忘记刚画好的饼子。

每次程序运行结束或者一旦程序崩溃，状态（State）就被彻底擦除。下一次用户再说话时，它又得从零开始。

2.1 核心概念：快照

上一节讲到，新版本的LangChain的一个核心概念就是状态机思维，各个节点可以通过共同读写同一组状态，从而进行节点的流转。

那么 Checkpointer 的作用，其实就是选在关键的节点给状态来一张快照，把状态当前的状态存入内存或者进行持久化（存入数据库）。

• 快照触发时机：只要图里的一条 Edge 流转结束，或者一个 Node 刚刚更新完全局状态，就会触发快照。
• Thread ID：直接理解为区分会话的唯一标识即可，不同 Thread ID 的状态持久化完全隔离。

2.2 Checkponter 解决了什么问题？

引入 Checkpointer 后，你的 Agent 能得到三种主要的能力：

• 能力一：多轮对话记忆。哪怕图跑完了，只需要 thread_id 一致，Checkpointer 也会把历史的会话记录都找回来，让Agent记得你之前的聊天内容。

• 能力二：崩溃恢复能力。图跑到了第 5 步，服务器突然断电了。没关系！重启后，只要拿着 thread_id 重新调用，图会直接从第 5 步的那个状态快照恢复执行，不需要从第 1 步重跑。

• 能力三：回溯能力。如果第4步的产出出现了问题，导致第5步的产出严重出现偏差。没关系，可以直接定位到第4步，改完内容直接跑第5步。

2.3 如何使用内存存储

内存存储的用法最为简单，甚至不需要引入任何第三方插件，langchain官方直接内置了。

# 1. 引入 MemorySaver
from langgraph.checkpoint.memory import MemorySaver

# 2. 实例化这个存储器
checkpointer = MemorySaver()

# 3. 重点在这里！编译图的时候，把存储器指派给图
graph = graph_builder.compile(checkpointer=checkpointer)

这样，只要程序稳定运行，内存里就可以记住你刚才说的内容。

但生产一般不用这个方案，这个只适合demo和本地调试。

因为一旦崩溃，或者服务重启，内存清空，Agent就会失忆。

2.4 轻量级的Sqlite存储

众所周知，sqlite是客户端的数据库宠儿，随时随地，创建一个 xxx.db 文件，就能进行数据存储。

不需要起端口，不用部署，贼方便。

不过 langchain 的官方并没有内置，而是需要安装插件：

pip install langgraph-checkpoint-sqlite

使用起来的写法要比 MemorySaver 稍微麻烦一点点，需要用到 with 关键词。

from langgraph.checkpoint.sqlite import SqliteSaver

with SqliteSaver.from_conn_string("checkpoints.db") as checkpointer:
  graph = graph_builder.compile(checkpointer=checkpointer)

在这个语法的加持下，python程序能更安全地建立和本地文件的数据流开关，除此之外没啥差异。

在 sqlite 的本地化存储的加持下，哪怕我用ctrl + C终止了进程，再次执行时，历史记录依然能被保留。

AI拥有了跨会话的记忆！

当然，在生产使用时，还会有mysql的插件，postgresSql的插件，这就根据需要选择了。

三、Human In Loop: 人类干预

在没有 Human-in-the-loop（HITL，循环内人类干预）之前，AI Agent 就像一辆没有刹车的自动驾驶汽车。

如果它只是用来总结文章，那还没关系；但如果它的最后一步是"发送一封群发邮件"、"删除数据库表"或"调用 API 扣款"，你绝对会惊出冷汗。

哈哈，有没有想到前几天的新闻：Meta的安全专家被openClaw狂删邮件那事儿？要不然claw的安全口碑是个大问题呢。

有了 Checkpointer的加持，我们就可以给Agent装上 "中断器（Interrupt）" 了。

3.1 核心思想：在关键节点前"挂起"

中断器的核心机制如下：

• 它会利用Checkpointer的机制，在关键节点前主动结束任务，完成持久化，并且留下一个标记。
• 只有当用户再次启动，利用Checkpointer恢复状态，并且主动确认之前留下的标记后，才能进入关键节点。

3.2 代码实现

其核心执行代码分两个部分。

核心1：定义阻断点

app = workflow.compile(
    checkpointer=memory, 
    interrupt_before=["execute"]  # 遇到 execute 节点，立刻阻断
)

核心2：恢复图

if human_input.lower() == 'y':
    app.invoke(None, config=config)

这里在 app.invoke(None,) 时传入的None代表确认了之前的阻断，允许接着往下执行。

四、小结

至此，LangChain较为核心的概念我们就都接触了一遍了，后续就需要上实战就行验证了。

敬请期待！