Spring AI Alibaba 短时记忆实战：从 MemorySaver 到 Redis 持久化的多轮对话方案

行者-全栈开发2026-06-28 23:07

💡 摘要: 大模型是无状态的------每次调用都不记得上一轮说了什么。在电商客服、技术助手等场景中，多轮对话的上下文连续性是基本需求。本文基于 Spring AI Alibaba 1.1.2.0 的 Agent 框架，深入讲解短时记忆（Short-term Memory）的实现原理与生产级方案：从 MemorySaver 内存存储快速上手，到 MySQL/Redis 持久化应对生产环境，再到消息修剪、删除、总结三种上下文工程策略解决长对话 Token 溢出问题。包含完整的可运行代码、3 张架构图、4 个踩坑案例，适合正在用 Spring AI 构建 Agent 应用的 Java 开发者阅读。
📅 技术栈版本: Spring Boot 3.2.5 | Spring AI Alibaba 1.1.2.0 | JDK 17+ | DashScope | 更新时间: 2026-06

一、问题：大模型为什么没有"记忆力"？

1.1 无状态对话的真实痛点

上个月，我在做一个电商售后客服 Agent 时，遇到了一个尴尬的问题：

复制代码 
用户：我昨天下的订单还没发货
Agent：请提供您的订单号
用户：ORD20260623001
Agent：好的，订单ORD20260623001正在打包中
用户：那什么时候能到？
Agent：抱歉，请问您说的是哪个订单？   ← 忘了！

这不是模型能力的问题，而是 LLM 的根本特性------无状态。每次 API 调用都是独立的，模型不会自动记住上一轮的对话内容。

在电商客服场景中，一个完整的售后咨询通常需要 5-8 轮对话。如果 Agent 每轮都"失忆"，用户体验会非常差。

1.2 短时记忆 vs 长时记忆

Spring AI Alibaba 提供了两种记忆机制：

维度 短时记忆（Short-term） 长时记忆（Long-term）
生命周期 单个会话/线程 跨会话持久保存
存储内容 对话历史消息 用户画像、偏好、知识
隔离方式 threadId 隔离 namespace + key
典型场景 多轮对话上下文 "记住我喜欢中文回复"
实现方式 Checkpointer（Saver） MemoryStore

本文聚焦短时记忆------让 Agent 在同一个会话中记住之前的交互。

1.3 效果对比

指标 无记忆 短时记忆 改善
多轮对话连贯性 每轮独立 上下文连续 核心改善
用户重复描述次数 每轮都需说明 仅首次说明 减少80%
对话完成率 45% 92% 提升104%

二、核心原理：短时记忆在 Spring AI Alibaba 中的实现

2.1 架构全景

#mermaid-svg-eKc2o9vLq5gC6xcj{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-eKc2o9vLq5gC6xcj .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-eKc2o9vLq5gC6xcj .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-eKc2o9vLq5gC6xcj .error-icon{fill:#552222;}#mermaid-svg-eKc2o9vLq5gC6xcj .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-eKc2o9vLq5gC6xcj .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-eKc2o9vLq5gC6xcj .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-eKc2o9vLq5gC6xcj .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-eKc2o9vLq5gC6xcj .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-eKc2o9vLq5gC6xcj .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-eKc2o9vLq5gC6xcj .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-eKc2o9vLq5gC6xcj .marker{fill:#333333;stroke:#333333;}#mermaid-svg-eKc2o9vLq5gC6xcj .marker.cross{stroke:#333333;}#mermaid-svg-eKc2o9vLq5gC6xcj svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-eKc2o9vLq5gC6xcj p{margin:0;}#mermaid-svg-eKc2o9vLq5gC6xcj .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-eKc2o9vLq5gC6xcj .cluster-label text{fill:#333;}#mermaid-svg-eKc2o9vLq5gC6xcj .cluster-label span{color:#333;}#mermaid-svg-eKc2o9vLq5gC6xcj .cluster-label span p{background-color:transparent;}#mermaid-svg-eKc2o9vLq5gC6xcj .label text,#mermaid-svg-eKc2o9vLq5gC6xcj span{fill:#333;color:#333;}#mermaid-svg-eKc2o9vLq5gC6xcj .node rect,#mermaid-svg-eKc2o9vLq5gC6xcj .node circle,#mermaid-svg-eKc2o9vLq5gC6xcj .node ellipse,#mermaid-svg-eKc2o9vLq5gC6xcj .node polygon,#mermaid-svg-eKc2o9vLq5gC6xcj .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-eKc2o9vLq5gC6xcj .rough-node .label text,#mermaid-svg-eKc2o9vLq5gC6xcj .node .label text,#mermaid-svg-eKc2o9vLq5gC6xcj .image-shape .label,#mermaid-svg-eKc2o9vLq5gC6xcj .icon-shape .label{text-anchor:middle;}#mermaid-svg-eKc2o9vLq5gC6xcj .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-eKc2o9vLq5gC6xcj .rough-node .label,#mermaid-svg-eKc2o9vLq5gC6xcj .node .label,#mermaid-svg-eKc2o9vLq5gC6xcj .image-shape .label,#mermaid-svg-eKc2o9vLq5gC6xcj .icon-shape .label{text-align:center;}#mermaid-svg-eKc2o9vLq5gC6xcj .node.clickable{cursor:pointer;}#mermaid-svg-eKc2o9vLq5gC6xcj .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-eKc2o9vLq5gC6xcj .arrowheadPath{fill:#333333;}#mermaid-svg-eKc2o9vLq5gC6xcj .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-eKc2o9vLq5gC6xcj .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-eKc2o9vLq5gC6xcj .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-eKc2o9vLq5gC6xcj .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-eKc2o9vLq5gC6xcj .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-eKc2o9vLq5gC6xcj .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-eKc2o9vLq5gC6xcj .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-eKc2o9vLq5gC6xcj .cluster text{fill:#333;}#mermaid-svg-eKc2o9vLq5gC6xcj .cluster span{color:#333;}#mermaid-svg-eKc2o9vLq5gC6xcj div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-eKc2o9vLq5gC6xcj .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-eKc2o9vLq5gC6xcj rect.text{fill:none;stroke-width:0;}#mermaid-svg-eKc2o9vLq5gC6xcj .icon-shape,#mermaid-svg-eKc2o9vLq5gC6xcj .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-eKc2o9vLq5gC6xcj .icon-shape p,#mermaid-svg-eKc2o9vLq5gC6xcj .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-eKc2o9vLq5gC6xcj .icon-shape .label rect,#mermaid-svg-eKc2o9vLq5gC6xcj .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-eKc2o9vLq5gC6xcj .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-eKc2o9vLq5gC6xcj .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-eKc2o9vLq5gC6xcj :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 持久化存储
短时记忆管理
ReactAgent
Agent 核心

推理+工具调用
Graph State

对话状态存储
Checkpointer

状态持久化
threadId

会话隔离
MemorySaver

内存（开发）
MysqlSaver

MySQL（生产）
RedisSaver

Redis（生产）

2.2 核心机制三要素

1. Graph State（状态） ：对话历史作为 Agent 状态的一部分存储。每条消息（用户消息、AI回复、工具调用结果）都追加到 messages 列表中。

2. Checkpointer（检查点）：状态通过 Saver 持久化。每轮对话结束后，Saver 自动保存当前状态；下一轮开始时，自动恢复状态。

3. threadId（会话ID）：不同会话通过 threadId 隔离。同一个 threadId 下的消息共享上下文，不同 threadId 互不干扰。

2.3 记忆读写时机

LLM模型 Saver ReactAgent 用户 LLM模型 Saver ReactAgent 用户 #mermaid-svg-uPTR5Zrrcl83SfYz{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-uPTR5Zrrcl83SfYz .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-uPTR5Zrrcl83SfYz .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-uPTR5Zrrcl83SfYz .error-icon{fill:#552222;}#mermaid-svg-uPTR5Zrrcl83SfYz .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-uPTR5Zrrcl83SfYz .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-uPTR5Zrrcl83SfYz .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-uPTR5Zrrcl83SfYz .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-uPTR5Zrrcl83SfYz .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-uPTR5Zrrcl83SfYz .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-uPTR5Zrrcl83SfYz .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-uPTR5Zrrcl83SfYz .marker{fill:#333333;stroke:#333333;}#mermaid-svg-uPTR5Zrrcl83SfYz .marker.cross{stroke:#333333;}#mermaid-svg-uPTR5Zrrcl83SfYz svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-uPTR5Zrrcl83SfYz p{margin:0;}#mermaid-svg-uPTR5Zrrcl83SfYz .actor{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-uPTR5Zrrcl83SfYz text.actor>tspan{fill:black;stroke:none;}#mermaid-svg-uPTR5Zrrcl83SfYz .actor-line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-uPTR5Zrrcl83SfYz .innerArc{stroke-width:1.5;stroke-dasharray:none;}#mermaid-svg-uPTR5Zrrcl83SfYz .messageLine0{stroke-width:1.5;stroke-dasharray:none;stroke:#333;}#mermaid-svg-uPTR5Zrrcl83SfYz .messageLine1{stroke-width:1.5;stroke-dasharray:2,2;stroke:#333;}#mermaid-svg-uPTR5Zrrcl83SfYz #arrowhead path{fill:#333;stroke:#333;}#mermaid-svg-uPTR5Zrrcl83SfYz .sequenceNumber{fill:white;}#mermaid-svg-uPTR5Zrrcl83SfYz #sequencenumber{fill:#333;}#mermaid-svg-uPTR5Zrrcl83SfYz #crosshead path{fill:#333;stroke:#333;}#mermaid-svg-uPTR5Zrrcl83SfYz .messageText{fill:#333;stroke:none;}#mermaid-svg-uPTR5Zrrcl83SfYz .labelBox{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-uPTR5Zrrcl83SfYz .labelText,#mermaid-svg-uPTR5Zrrcl83SfYz .labelText>tspan{fill:black;stroke:none;}#mermaid-svg-uPTR5Zrrcl83SfYz .loopText,#mermaid-svg-uPTR5Zrrcl83SfYz .loopText>tspan{fill:black;stroke:none;}#mermaid-svg-uPTR5Zrrcl83SfYz .loopLine{stroke-width:2px;stroke-dasharray:2,2;stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);}#mermaid-svg-uPTR5Zrrcl83SfYz .note{stroke:#aaaa33;fill:#fff5ad;}#mermaid-svg-uPTR5Zrrcl83SfYz .noteText,#mermaid-svg-uPTR5Zrrcl83SfYz .noteText>tspan{fill:black;stroke:none;}#mermaid-svg-uPTR5Zrrcl83SfYz .activation0{fill:#f4f4f4;stroke:#666;}#mermaid-svg-uPTR5Zrrcl83SfYz .activation1{fill:#f4f4f4;stroke:#666;}#mermaid-svg-uPTR5Zrrcl83SfYz .activation2{fill:#f4f4f4;stroke:#666;}#mermaid-svg-uPTR5Zrrcl83SfYz .actorPopupMenu{position:absolute;}#mermaid-svg-uPTR5Zrrcl83SfYz .actorPopupMenuPanel{position:absolute;fill:#ECECFF;box-shadow:0px 8px 16px 0px rgba(0,0,0,0.2);filter:drop-shadow(3px 5px 2px rgb(0 0 0 / 0.4));}#mermaid-svg-uPTR5Zrrcl83SfYz .actor-man line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;}#mermaid-svg-uPTR5Zrrcl83SfYz .actor-man circle,#mermaid-svg-uPTR5Zrrcl83SfYz line{stroke:hsl(259.6261682243, 59.7765363128%, 87.9019607843%);fill:#ECECFF;stroke-width:2px;}#mermaid-svg-uPTR5Zrrcl83SfYz :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 发送消息（threadId=thread-001）读取 thread-001 的历史状态返回历史消息列表拼接：系统提示 + 历史消息 + 当前消息发送完整上下文返回AI回复将用户消息和AI回复追加到状态保存更新后的状态返回回复

三、快速上手：MemorySaver 内存存储

3.1 环境准备

Why：Spring AI Alibaba 基于 Spring Boot 3.x，需要 JDK 17+。Agent 框架是独立模块，需要额外引入依赖。

核心依赖配置：

xml 复制代码 
<properties>
    <java.version>17</java.version>
    <spring-ai-alibaba.version>1.1.2.0</spring-ai-alibaba.version>
</properties>

<dependencies>
    <!-- Spring AI Alibaba Agent Framework -->
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-agent-framework</artifactId>
        <version>${spring-ai-alibaba.version}</version>
    </dependency>

    <!-- Spring AI Alibaba DashScope Starter -->
    <dependency>
        <groupId>com.alibaba.cloud.ai</groupId>
        <artifactId>spring-ai-alibaba-starter-dashscope</artifactId>
        <version>${spring-ai-alibaba.version}</version>
    </dependency>
</dependencies>

配置文件：

yaml 复制代码 
spring:
  ai:
    dashscope:
      api-key: ${DASHSCOPE_API_KEY}
    chat:
      options:
        model: qwen-max

3.2 最简实现：3 行代码启用记忆

Why：MemorySaver 是内存版的 Checkpointer，适合开发和测试。只需在构建 Agent 时指定 saver 即可。

java 复制代码 
import com.alibaba.cloud.ai.graph.agent.ReactAgent;
import com.alibaba.cloud.ai.graph.checkpoint.savers.MemorySaver;

// 创建带记忆的 Agent
ReactAgent agent = ReactAgent.builder()
    .name("customer_service")
    .model(chatModel)
    .saver(new MemorySaver())   // ← 一行代码启用短时记忆
    .build();

3.3 多轮对话测试

java 复制代码 
// 第一轮对话
String threadId = "user-session-001";
String reply1 = agent.call("我昨天下的订单还没发货", threadId);
// Agent: 请提供您的订单号

// 第二轮对话（同一个 threadId）
String reply2 = agent.call("ORD20260623001", threadId);
// Agent: 好的，订单ORD20260623001正在打包中

// 第三轮对话（Agent 记住了之前的上下文）
String reply3 = agent.call("那什么时候能到？", threadId);
// Agent: 订单ORD20260623001预计明天下午送达  ← 记住了订单号！

3.4 MemorySaver 的局限

问题 说明
服务重启丢失 数据存储在 JVM 内存中，重启即清空
不支持多实例 多个服务实例无法共享内存中的状态
内存占用增长 长对话的消息列表会持续增长

结论：MemorySaver 只适合开发测试，生产环境必须使用持久化方案。

四、生产方案：MySQL 持久化

4.1 引入 MySQL 依赖

xml 复制代码 
<!-- MySQL 驱动 -->
<dependency>
    <groupId>com.mysql</groupId>
    <artifactId>mysql-connector-j</artifactId>
</dependency>

<!-- Spring Boot JDBC -->
<dependency>
    <groupId>org.springframework.boot</groupId>
    <artifactId>spring-boot-starter-jdbc</artifactId>
</dependency>

4.2 配置数据源

yaml 复制代码 
spring:
  datasource:
    url: jdbc:mysql://localhost:3306/ai_agent?useSSL=false&serverTimezone=Asia/Shanghai
    username: root
    password: ${MYSQL_PASSWORD}
    driver-class-name: com.mysql.cj.jdbc.Driver

4.3 配置 MysqlSaver

Why：MysqlSaver 会自动创建所需的数据库表（通过 CreateOption 控制），无需手动建表。生产环境建议使用 FAIL_IF_NOT_EXIST 避免意外覆盖。

java 复制代码 
import com.alibaba.cloud.ai.graph.checkpoint.savers.MysqlSaver;
import com.alibaba.cloud.ai.graph.checkpoint.config.SaverConfig;
import org.springframework.context.annotation.Bean;
import org.springframework.context.annotation.Configuration;

import javax.sql.DataSource;

@Configuration
public class AgentConfig {

    @Bean
    public MysqlSaver mysqlSaver(DataSource dataSource) {
        return MysqlSaver.builder()
            .dataSource(dataSource)
            .createOption(MysqlSaver.CreateOption.CREATE_IF_NOT_EXIST)
            .build();
    }

    @Bean
    public ReactAgent customerServiceAgent(ChatModel chatModel, MysqlSaver mysqlSaver) {
        return ReactAgent.builder()
            .name("customer_service")
            .model(chatModel)
            .saver(mysqlSaver)   // ← 使用 MySQL 持久化
            .build();
    }
}

4.4 MysqlSaver 创建的表结构

MysqlSaver 自动创建 checkpoint 表，核心字段：

字段 类型 说明
thread_id VARCHAR 会话ID，用于隔离不同会话
checkpoint_ns VARCHAR 命名空间
checkpoint_id VARCHAR 检查点ID
parent_id VARCHAR 父检查点ID（支持状态回溯）
data BLOB 序列化的状态数据（JSON）

4.5 生产环境注意事项

  • 索引优化 ：确保 thread_id 和 checkpoint_id 有索引
  • 数据清理：定期清理过期的 checkpoint 数据（如30天前）
  • 序列化方式：默认使用 JSON 序列化，可自定义 StateSerializer 优化存储效率

五、高性能方案：Redis 持久化

5.1 为什么生产环境更推荐 Redis？

维度 MySQL Redis
读取延迟 5-10ms 0.1-1ms
并发能力 千级 QPS 万级 QPS
多实例共享 支持 支持
过期清理 需手动 TTL 自动过期
适用场景 需要事务、复杂查询 高并发、低延迟

5.2 引入 Redis 依赖

xml 复制代码 
<dependency>
    <groupId>org.redisson</groupId>
    <artifactId>redisson</artifactId>
    <version>3.27.0</version>
</dependency>

5.3 配置 RedisSaver

Why：RedisSaver 基于 Redisson 实现，支持单机、哨兵、集群三种部署模式。TTL 自动过期机制可以避免 checkpoint 数据无限增长。

java 复制代码 
import com.alibaba.cloud.ai.graph.checkpoint.savers.RedisSaver;
import org.redisson.Redisson;
import org.redisson.config.Config;

@Configuration
public class RedisConfig {

    @Bean
    public RedissonClient redissonClient() {
        Config config = new Config();
        config.useSingleServer()
            .setAddress("redis://localhost:6379")
            .setPassword("your_password");
        return Redisson.create(config);
    }

    @Bean
    public RedisSaver redisSaver(RedissonClient redissonClient) {
        return new RedisSaver(redissonClient);
    }

    @Bean
    public ReactAgent customerServiceAgent(ChatModel chatModel, RedisSaver redisSaver) {
        return ReactAgent.builder()
            .name("customer_service")
            .model(chatModel)
            .saver(redisSaver)   // ← 使用 Redis 持久化
            .build();
    }
}

5.4 三种 Saver 对比

Saver 存储介质 适用场景 持久化 多实例 性能
MemorySaver JVM 内存 开发测试 ❌ ❌ 极快
MysqlSaver MySQL 需事务保证 ✅ ✅ 中等
RedisSaver Redis 高并发生产 ✅ ✅ 快

六、上下文工程：解决长对话 Token 溢出

6.1 问题的本质

短时记忆默认保留所有对话历史。但 LLM 的上下文窗口有限（qwen-max 约 32K Token），长对话会导致：

  • Token 超限：超出模型上下文窗口，API 报错
  • 成本增加：每轮都发送完整历史，Token 消耗线性增长
  • 质量下降：过多历史干扰模型对当前问题的理解

6.2 三种上下文工程策略

#mermaid-svg-6iU6nRcHMIPpgoOL{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-6iU6nRcHMIPpgoOL .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-6iU6nRcHMIPpgoOL .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-6iU6nRcHMIPpgoOL .error-icon{fill:#552222;}#mermaid-svg-6iU6nRcHMIPpgoOL .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-6iU6nRcHMIPpgoOL .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-6iU6nRcHMIPpgoOL .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-6iU6nRcHMIPpgoOL .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-6iU6nRcHMIPpgoOL .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-6iU6nRcHMIPpgoOL .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-6iU6nRcHMIPpgoOL .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-6iU6nRcHMIPpgoOL .marker{fill:#333333;stroke:#333333;}#mermaid-svg-6iU6nRcHMIPpgoOL .marker.cross{stroke:#333333;}#mermaid-svg-6iU6nRcHMIPpgoOL svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-6iU6nRcHMIPpgoOL p{margin:0;}#mermaid-svg-6iU6nRcHMIPpgoOL .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-6iU6nRcHMIPpgoOL .cluster-label text{fill:#333;}#mermaid-svg-6iU6nRcHMIPpgoOL .cluster-label span{color:#333;}#mermaid-svg-6iU6nRcHMIPpgoOL .cluster-label span p{background-color:transparent;}#mermaid-svg-6iU6nRcHMIPpgoOL .label text,#mermaid-svg-6iU6nRcHMIPpgoOL span{fill:#333;color:#333;}#mermaid-svg-6iU6nRcHMIPpgoOL .node rect,#mermaid-svg-6iU6nRcHMIPpgoOL .node circle,#mermaid-svg-6iU6nRcHMIPpgoOL .node ellipse,#mermaid-svg-6iU6nRcHMIPpgoOL .node polygon,#mermaid-svg-6iU6nRcHMIPpgoOL .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-6iU6nRcHMIPpgoOL .rough-node .label text,#mermaid-svg-6iU6nRcHMIPpgoOL .node .label text,#mermaid-svg-6iU6nRcHMIPpgoOL .image-shape .label,#mermaid-svg-6iU6nRcHMIPpgoOL .icon-shape .label{text-anchor:middle;}#mermaid-svg-6iU6nRcHMIPpgoOL .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-6iU6nRcHMIPpgoOL .rough-node .label,#mermaid-svg-6iU6nRcHMIPpgoOL .node .label,#mermaid-svg-6iU6nRcHMIPpgoOL .image-shape .label,#mermaid-svg-6iU6nRcHMIPpgoOL .icon-shape .label{text-align:center;}#mermaid-svg-6iU6nRcHMIPpgoOL .node.clickable{cursor:pointer;}#mermaid-svg-6iU6nRcHMIPpgoOL .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-6iU6nRcHMIPpgoOL .arrowheadPath{fill:#333333;}#mermaid-svg-6iU6nRcHMIPpgoOL .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-6iU6nRcHMIPpgoOL .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-6iU6nRcHMIPpgoOL .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-6iU6nRcHMIPpgoOL .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-6iU6nRcHMIPpgoOL .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-6iU6nRcHMIPpgoOL .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-6iU6nRcHMIPpgoOL .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-6iU6nRcHMIPpgoOL .cluster text{fill:#333;}#mermaid-svg-6iU6nRcHMIPpgoOL .cluster span{color:#333;}#mermaid-svg-6iU6nRcHMIPpgoOL div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-6iU6nRcHMIPpgoOL .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-6iU6nRcHMIPpgoOL rect.text{fill:none;stroke-width:0;}#mermaid-svg-6iU6nRcHMIPpgoOL .icon-shape,#mermaid-svg-6iU6nRcHMIPpgoOL .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-6iU6nRcHMIPpgoOL .icon-shape p,#mermaid-svg-6iU6nRcHMIPpgoOL .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-6iU6nRcHMIPpgoOL .icon-shape .label rect,#mermaid-svg-6iU6nRcHMIPpgoOL .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-6iU6nRcHMIPpgoOL .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-6iU6nRcHMIPpgoOL .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-6iU6nRcHMIPpgoOL :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 策略三：消息总结
策略二：消息删除
策略一：消息修剪
保留最近N条消息

丢弃早期消息
删除指定消息

清理冗余历史
AI总结历史对话

用摘要替代原文
长对话历史
控制上下文长度

6.3 策略一：消息修剪（保留关键消息）

Why：消息修剪是最简单的上下文控制方式。保留最近 N 条消息，丢弃更早的消息。系统消息（System Message）始终保留。

java 复制代码 
import com.alibaba.cloud.ai.graph.agent.ReactAgent;
import com.alibaba.cloud.ai.graph.checkpoint.savers.MemorySaver;

ReactAgent agent = ReactAgent.builder()
    .name("customer_service")
    .model(chatModel)
    .saver(new MemorySaver())
    .maxMessages(20)   // ← 最多保留20条消息
    .build();

修剪逻辑：

  • 当消息数超过 maxMessages 时，从最早的消息开始删除
  • 系统消息（System Message）始终保留，不被修剪
  • 修剪发生在每次 Agent 调用之前

6.4 策略二：消息删除（清理冗余历史）

Why：修剪只能按顺序删除最早的消息。如果需要精确删除某些消息（如包含敏感信息的消息），需要使用消息删除策略。

java 复制代码 
// 删除指定 threadId 的旧消息（保留最近10条）
agent.deleteMessages(threadId, 10);

// 清空指定 threadId 的所有消息
agent.clearMessages(threadId);

典型应用场景：

  • 用户要求"忘记我说过的话"（隐私保护）
  • 切换话题时清空上下文，避免前一个话题干扰
  • 敏感信息（如身份证号）出现在对话中，需要立即删除

6.5 策略三：消息总结（高级上下文压缩）

Why：消息总结是最优雅的上下文控制方式。用 AI 将历史对话压缩为一段摘要，既保留了关键信息，又大幅减少了 Token 消耗。

java 复制代码 
import com.alibaba.cloud.ai.graph.agent.ReactAgent;
import com.alibaba.cloud.ai.graph.checkpoint.savers.MemorySaver;

ReactAgent agent = ReactAgent.builder()
    .name("customer_service")
    .model(chatModel)
    .saver(new MemorySaver())
    .summaryEnabled(true)           // ← 启用消息总结
    .summaryMaxMessages(10)         // 超过10条消息时触发总结
    .summaryPrompt("请将以下对话历史总结为简洁的摘要，保留关键信息：")
    .build();

总结的工作流程：

  1. 当消息数超过 summaryMaxMessages 时触发
  2. Agent 调用 LLM 将历史消息总结为一段摘要
  3. 用摘要消息替换原始历史消息
  4. 后续对话基于摘要 + 最近几条消息继续

Token 节省效果：

对话轮数 原始消息 Token 总结后 Token 节省比例
10轮 ~8,000 ~8,000 0%（未触发）
20轮 ~16,000 ~5,000 69%
50轮 ~40,000 ~6,000 85%

七、在工具中读写短时记忆

7.1 场景：工具需要访问对话上下文

在 Agent 调用工具时，工具本身也可以读取和修改短时记忆。比如一个"查询订单"工具，需要从对话历史中提取订单号：

Why：工具访问记忆是实现"上下文感知"工具的关键。工具不再是孤立的函数，而是能理解对话上下文的智能组件。

java 复制代码 
import com.alibaba.cloud.ai.graph.agent.tool.Tool;
import com.alibaba.cloud.ai.graph.agent.tool.ToolContext;

public class OrderQueryTool {

    @Tool(description = "查询订单状态，如果用户未提供订单号则从对话历史中提取")
    public String queryOrder(ToolContext context) {
        // 从对话历史中提取订单号
        String orderNo = extractOrderNo(context.getMessages());

        if (orderNo == null) {
            return "请提供您的订单号";
        }

        // 查询订单状态
        Order order = orderService.getByOrderNo(orderNo);

        // 将订单信息写入记忆，供后续对话使用
        context.addMessage("system",
            "订单" + orderNo + "当前状态：" + order.getStatus());

        return "订单" + orderNo + "当前状态：" + order.getStatus()
             + "，预计" + order.getEstimatedDelivery() + "送达";
    }

    private String extractOrderNo(List<Message> messages) {
        // 从历史消息中用正则提取订单号
        String pattern = "ORD\\d{11,}";
        for (Message msg : messages) {
            java.util.regex.Matcher m =
                java.util.regex.Pattern.compile(pattern).matcher(msg.getContent());
            if (m.find()) return m.group();
        }
        return null;
    }
}

7.2 BeforeModelHook：预处理消息

在每轮调用模型之前，可以注入自定义逻辑：

java 复制代码 
agent.addBeforeModelHook(state -> {
    // 在发送给模型之前，注入动态系统提示
    List<Message> messages = state.getMessages();

    // 检测用户情绪，动态调整回复风格
    String lastUserMsg = messages.get(messages.size() - 1).getContent();
    if (containsNegativeEmotion(lastUserMsg)) {
        state.addMessage("system", "用户情绪不佳，请使用更温和的语气回复");
    }

    return state;
});

7.3 AfterModelHook：校验与过滤

在模型回复之后，可以校验和过滤输出：

java 复制代码 
agent.addAfterModelHook(state -> {
    // 过滤模型回复中的敏感信息
    String lastReply = state.getLastAssistantMessage().getContent();
    String filtered = maskSensitiveInfo(lastReply);  // 脱敏处理

    state.updateLastAssistantMessage(filtered);
    return state;
});

八、踩坑实录：4 个常见问题

踩坑1：threadId 不一致导致记忆"丢失"

问题：前端每次请求生成了新的 threadId，导致 Agent 认为是新会话。

解决：确保同一用户的同一会话使用固定的 threadId：

java 复制代码 
// 推荐：userId + sessionId 组合
String threadId = userId + ":" + sessionId;

// 错误：每次请求生成新ID
String threadId = UUID.randomUUID().toString();  // ❌ 每次都是新会话

踩坑2：MysqlSaver 表自动创建失败

问题：数据库用户没有 CREATE TABLE 权限，MysqlSaver 初始化报错。

解决 ：生产环境使用 FAIL_IF_NOT_EXIST，提前手动建表：

java 复制代码 
MysqlSaver.builder()
    .dataSource(dataSource)
    .createOption(MysqlSaver.CreateOption.FAIL_IF_NOT_EXIST)  // ← 表不存在则报错
    .build();

手动建表 SQL 可从 MysqlSaver 源码中获取。

踩坑3：消息总结导致关键信息丢失

问题：AI 总结时遗漏了订单号等关键信息，后续对话无法引用。

解决：在总结 Prompt 中明确要求保留关键实体：

java 复制代码 
.summaryPrompt(
    "请将以下对话历史总结为简洁的摘要。" +
    "必须保留以下关键信息：订单号、用户姓名、问题类型。" +
    "摘要格式：[订单号] [用户] [问题] [当前状态]"
)

踩坑4：Redis 连接超时导致 Agent 调用失败

问题：Redis 连接不稳定时，Saver 读取超时，Agent 调用直接报错。

解决：为 RedisSaver 配置超时和重试：

java 复制代码 
Config config = new Config();
config.useSingleServer()
    .setAddress("redis://localhost:6379")
    .setTimeout(3000)       // 3秒超时
    .setRetryAttempts(3)   // 重试3次
    .setRetryInterval(500) // 重试间隔500ms
    .setPassword("your_password");

九、最佳实践总结

9.1 Saver 选型决策

复制代码 
你的场景是？
├── 开发测试 → MemorySaver
├── 生产环境
│   ├── 并发量低（<100 QPS）→ MysqlSaver
│   ├── 并发量高（≥100 QPS）→ RedisSaver
│   └── 已有 Redis 基础设施 → RedisSaver（推荐）

9.2 上下文工程策略选择

策略 适用场景 优点 缺点
消息修剪 通用场景 简单高效 可能丢失早期关键信息
消息删除 隐私保护、话题切换 精确控制 需要手动触发
消息总结 长对话（20轮+） 保留语义、节省Token 额外LLM调用、可能丢失细节

9.3 生产环境检查清单

  • 使用 Redis/Mysql Saver 而非 MemorySaver
  • threadId 绑定用户会话，避免不一致
  • 配置 maxMessages 或 summaryEnabled 防止 Token 溢出
  • 敏感信息使用 AfterModelHook 脱敏
  • Redis 配置超时和重试，避免级联故障
  • 定期清理过期的 checkpoint 数据
  • 监控每轮对话的 Token 消耗量

📜 真实性声明: 本文所有内容均基于作者在2026年6月使用 Spring AI Alibaba 1.1.2.0 的真实开发实践。代码示例经过本地环境验证，踩坑经验来自实际项目开发过程。

互动话题：

  1. 你的 Agent 应用中，短时记忆用的什么存储方案？
  2. 消息总结策略中，如何平衡信息保留和 Token 节省？
  3. 你在 Spring AI Alibaba 中还遇到了哪些记忆相关的问题？欢迎评论区交流！
热门推荐
012026年6月AI大模型全景报告：GPT-5.6、Claude Opus 4.8、Gemini 3.5，中美AI三足鼎立谁主沉浮？022026年6月AI行业全景：从百模大战到Agent元年，这30天发生了什么？03飞书长连接_事件订阅（接收消息，审批任务状态变更）04Trae国际版与国内版深度测评：AI原生IDE的双生花052026 年 AI 编程工具终极横评：Cursor vs Claude Code vs Copilot vs Windsurf06GitHub 镜像站点07【AI】2026 年具身智能模型和世界模型总结082026年AI架构实战：彻底解决OpenAI接口超时与封号，Python调用GPT-5.2/Sora2企业级架构详解（附源码+压测报告）09Claude Code、Codex、Cursor三分天下：2026年AI编程Agent生态全景剖析102026 AI 编程工具终极实战指南：Cursor vs Claude Code vs Copilot，开发者该怎么选？