langChain记忆

1、记忆类型

短期记忆---当前任务或会话的上下文

长期记忆---跨任务会话的经验与知识

2、添加记忆

2、1添加短期记---添加在内存

添加会话记忆（短期记忆）分为三步：

• 导入并初始化Checkpointer

• 创建Agent，指定Checkpointer

• 调用Agent，指定thread_id

  from langchain.agents import create_agent
  from langgraph.checkpoint.memory import InMemorySaver

  agent = create_agent(
  "deepseek-chat",
  checkpointer=InMemorySaver()
  )
  from langchain.messages import HumanMessage

  设定thread_id，作为会话标识

  config = {"configurable": {"thread_id": "thread_1"}}

  第一次调用，告知AI我的信息

  response = agent.invoke(
  {"messages": [HumanMessage(content="你好，我叫虎哥，我最喜欢猫猫。")]},
  config # 调用时添加thread_id-------------------所有thread-id的都会快照成一组
  )

  print(response)

  ====================================

  ====================================

  第二次调用，询问我的信息，这次带上thread_id，唤起记忆

  response = agent.invoke(
  {"messages": [HumanMessage(content="我最喜欢的动物是什么？")]},
  config # 调用时添加thread_id
  )

  print(response)

2、2添加长期记---添加在数据库

# 3.Memory持久化存储

这里我们选择使用Sqlite作为存储方案，首先需要按照langgraph-checkpoint-sqlite依赖：
```
uv add langgraph-checkpoint-sqlite
```
接着，按照以下步骤使用：
- 导入依赖
- 初始化checkpointer
- 自动建表
- 创建Agent，指定checkpointer-

=========基于sqlite=================================================

connection = sqlite3.connect("resources/checkpoint.db", check_same_thread=False)

将数据库文件存入resources目录下名为checkpoint.db

import sqlite3
from langgraph.checkpoint.sqlite import SqliteSaver

# 连接sqlite
connection = sqlite3.connect("resources/checkpoint.db", check_same_thread=False)
# 初始化checkpointer
checkpointer = SqliteSaver(connection)
# 自动建表
checkpointer.setup()

# 创建agent
agent = create_agent(
    "deepseek-chat",
    checkpointer=checkpointer,
)

from langchain.messages import HumanMessage

# 设定thread_id，作为会话标识
config = {"configurable": {"thread_id": "thread_2"}}

# 第一次调用，告知AI我的信息
response = agent.invoke(
    {"messages": [HumanMessage(content="你好，我叫虎哥，我最喜欢猫猫。")]},
    config # 调用时添加thread_id
)

print(response)

# 第二次调用，询问我的信息，这次带上thread_id，唤起记忆
response = agent.invoke(
    {"messages": [HumanMessage(content="我最喜欢的动物是什么？")]},
    config # 调用时添加thread_id
)

print(response)

3、记忆管理策略

模型上下文溢出解决

当会话历史过长时，可能会超出模型的上下文窗口限制，常见的解决方案有：
**- 修剪消息----删除部分会话比如早期会话----不推荐

• 删除消息----直接删除超出的快照----不推荐**
  - 总结消息摘要---用另一个模型进行总结---当上下文超出时总结

这里我们演示总结消息摘要的方案

---

常见写法

在这类 SummarizationMiddleware 里，trigger 通常是一个 tuple（二元组）：

从语法上说

就你这里看，trigger 不是固定"几种语法"，而是按照中间件实现支持哪些字段来决定。

最常见的可能有这几类：

1. 按消息数触发

   trigger=("messages", 6)

2. 按 token 数触发

   trigger=("tokens", 3000)

3. 按字符/文本长度触发

   trigger=("chars", 5000)

   from langchain.agents import create_agent
   from langchain.agents.middleware import SummarizationMiddleware
   from langgraph.checkpoint.memory import InMemorySaver
   from langchain_core.runnables import RunnableConfig

   初始化checkpointer

   checkpointer = InMemorySaver()

   初始化中间件

   middleware = SummarizationMiddleware(
   model="deepseek-chat",
   trigger=("messages", 6), # 触发时机，当消息数超过3时，进行总结
   keep=("messages", 1) # 保留的会话数，超过2条
   )

   创建agent

   agent = create_agent(
   model="deepseek-chat",
   middleware=[middleware],
   checkpointer=checkpointer,
   )

   config: RunnableConfig = {"configurable": {"thread_id": "thread_3"}}

   制造长会话历史

   agent.invoke({"messages": [HumanMessage(content="你好，我是虎哥.")]}, config)
   agent.invoke({"messages": [HumanMessage(content="我最喜欢的运动是乒乓")]}, config)
   agent.invoke({"messages": [HumanMessage(content="我最喜欢的动物是猫猫")]}, config)

   测试效果

   final_response = agent.invoke({"messages": HumanMessage(content="你还记得我吗？")}, config)

   print(final_response)

   for message in final_response["messages"]:
   message.pretty_print()