下篇：LangChain Agent 智能体从入门到实战（二）—— 记忆管理、中间件与最佳实践

让 Agent 记住对话、压缩历史、接受人工审核，最终成为可靠的智能助手。

上篇我们学会了 Agent 的概念、工具定义和 MCP 协议接入。但目前的 Agent 每次调用都是独立的------它不记得上一轮对话说了什么。同时，长对话会导致消息列表无限膨胀，Token 消耗剧增。本篇将解决这些问题：通过 Checkpointer 实现记忆，通过 中间件 实现历史压缩和人工审核，并总结最佳实践与常见问题。

四、记忆管理：让 Agent 记住过去

4.1 失忆问题

默认情况下，Agent 每次 invoke 都是一次独立的"感知→推理→行动"过程，上一次的对话内容不会自动带入下一次。

python

复制代码

# 第1次调用
agent.invoke({"messages": [{"role": "user", "content": "我叫张三"}]})
# Agent: "你好张三！"

# 第2次调用（默认无记忆）
agent.invoke({"messages": [{"role": "user", "content": "我叫什么名字？"}]})
# Agent: "抱歉，我不知道你叫什么名字。"  ← 失忆了

4.2 Checkpointer 机制

LangChain 通过 Checkpointer 实现记忆。每次调用结束后，自动保存本次对话的所有消息；下次调用时，自动加载历史消息拼接到新输入前面。

使用方式只需两步：

python

复制代码

from langgraph.checkpoint.memory import InMemorySaver

# 1. 创建 checkpointer
checkpointer = InMemorySaver()

# 2. 创建 Agent 时传入
agent = create_agent(
    model=llm,
    tools=tools,
    checkpointer=checkpointer,   # ← 就这一行
)

4.3 Thread ID：多会话隔离

一个 Agent 通常服务多个用户，需要为每个用户维护独立的会话历史。通过 thread_id 区分：

python

复制代码

# 张三的对话（thread_id = "user_zhangsan"）
agent.invoke(
    {"messages": [{"role": "user", "content": "我叫张三"}]},
    config={"configurable": {"thread_id": "user_zhangsan"}}
)

# 李四的对话（thread_id = "user_lisi"）完全独立
agent.invoke(
    {"messages": [{"role": "user", "content": "我叫李四"}]},
    config={"configurable": {"thread_id": "user_lisi"}}
)

相同 thread_id 的调用共享历史，不同 thread_id 互不干扰。

4.4 完整示例

python

复制代码

import datetime
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langgraph.checkpoint.memory import InMemorySaver

llm = init_chat_model(model="gpt-4o-mini", model_provider="openai")
checkpointer = InMemorySaver()
agent = create_agent(model=llm, tools=[], checkpointer=checkpointer)

# 第1次调用
for chunk in agent.stream(
    {"messages": [{"role": "user", "content": "今天北京天气怎么样？"}]},
    config={"configurable": {"thread_id": "abc123"}}
):
    print(chunk, end="\n\n")

# 第2次调用（相同 thread_id → 有记忆）
for chunk in agent.stream(
    {"messages": [{"role": "user", "content": "我刚才问你什么了？"}]},
    config={"configurable": {"thread_id": "abc123"}}
):
    print(chunk, end="\n\n")
# Agent 会回答："你刚才问了北京今天的天气"

# 第3次调用（不同 thread_id → 无记忆）
for chunk in agent.stream(
    {"messages": [{"role": "user", "content": "我刚才问你什么了？"}]},
    config={"configurable": {"thread_id": "xyz789"}}
):
    print(chunk, end="\n\n")
# Agent 会回答："这是我们第一次对话，你还没有问过任何问题"

4.5 记忆的代价

随着对话轮次增加，保存的消息列表越来越长：

第 1 轮：2 条消息
第 10 轮：20 条消息
第 100 轮：200+ 条消息

每次调用都要把所有历史消息发给 LLM，导致 Token 消耗剧增 ，甚至可能超出上下文窗口限制 。解决方案就是下一节的中间件。

五、中间件：在关键节点"拦截"处理

5.1 中间件概念

中间件是一种插入 Agent 执行流程中的"拦截器"，可以在以下位置介入：

介入位置	时机	典型用途
`before_model`	消息发给 LLM 之前	压缩历史、注入额外上下文
`after_model`	LLM 返回结果之后	记录日志、过滤敏感内容
`wrap_tool`	工具执行前后	人工审核、权限控制

使用方式：创建中间件实例，通过 middleware 参数传入 create_agent。

python

复制代码

agent = create_agent(
    model=llm,
    tools=tools,
    middleware=[middleware_a, middleware_b],  # 列表，按顺序执行
)

5.2 消息压缩中间件（SummarizationMiddleware）

解决长对话中消息无限增长的问题。当消息量超过阈值时，自动用 LLM 将旧消息压缩成一段摘要。

python

复制代码

from langchain.agents.middleware import SummarizationMiddleware
from langchain_openai import ChatOpenAI

summary_middleware = SummarizationMiddleware(
    model=ChatOpenAI(model="gpt-4o-mini"),
    trigger=("messages", 100),  # 消息数量达到100条时触发压缩
)

压缩效果示意：

压缩前 （100 条消息）：[用户：你好，AI：你好，用户：天气？，AI：晴天，...，用户：最新问题]
压缩后 （2 条消息）：[系统：以下是摘要：用户询问了天气、订单状态...，用户：最新问题]

trigger 支持三种策略：

触发策略	写法	含义
按消息数量	`("messages", 100)`	消息数达 100 条时压缩
按 Token 比例	`("fraction", 0.5)`	Token 数达上下文窗口 50% 时压缩
按 Token 绝对值	`("tokens", 3000)`	Token 数达 3000 时压缩

5.3 人工审核中间件（HumanInTheLoopMiddleware）

某些高风险操作（转账、删除数据、发送邮件）即使 LLM 决定执行，也需人工确认后再真正执行。

python

复制代码

from langchain.agents.middleware import HumanInTheLoopMiddleware

hitl_middleware = HumanInTheLoopMiddleware(
    interrupt_on={
        "transfer_money": True,   # 转账 → 需要审核
        "delete_record": True,    # 删除 → 需要审核
        "get_weather": False,     # 查天气 → 不需要审核
    }
)

执行流程：

Agent 决定调用 transfer_money；
中间件拦截，暂停执行，返回"等待审核"状态；
人工通过界面查看并做出"批准"或"拒绝"决定；
将决定作为 Command(resume=...) 传回，Agent 继续执行或放弃。

完整示例代码（见文档 5.3 节），实际开发中需结合前端交互来实现审核界面。

5.4 中间件叠加使用

多个中间件可以同时使用，按列表顺序依次执行。例如：

python

复制代码

agent = create_agent(
    model=llm,
    tools=tools,
    middleware=[summary_middleware, hitl_middleware],
)

六、Agent 最佳实践

6.1 工具设计五原则

原则	为什么重要	正面示例	反面示例
单一职责	LLM 更容易理解功能明确的工具	`get_weather`、`get_forecast` 各做一件事	`handle_all` 一个工具做太多事
描述清晰	LLM 完全依赖描述决定何时用、怎么用	"获取指定城市今天的实时天气"	"查天气"
参数具体	减少 LLM 猜测参数格式的可能	`date: str = Field(description="格式YYYY-MM-DD")`	`date: str`（无格式说明）
错误友好	LLM 可根据错误信息调整策略	返回"城市'北精'无法识别，是否指'北京'？"	抛出 `KeyError: '北精'`
幂等安全	避免重试时产生副作用	`get_user(id=123)` 多次调用结果相同	`create_order()` 多次调用会创建多个订单

经验法则：如果一个工具的 docstring 超过 3 句话才能说清功能，说明它承担了太多职责，应该拆分。

6.2 系统提示词优化

好的系统提示词应包含：角色定位、工作流程、约束条件、输出格式。

好示例：

text

复制代码

你是一个专业的数据分析助手。

工作流程：
1. 理解用户分析需求
2. 使用 search 工具获取数据
3. 使用 calculate 工具进行计算
4. 用简洁语言呈现结果

注意事项：
- 计算结果保留2位小数
- 如果数据不足，主动告知用户
- 不要编造数据

差示例 ："你是一个AI助手，帮助用户解决问题。"（太模糊）

6.3 调试三层次

层次	方法	适用场景
第一层：开启日志	`logging.basicConfig(level=logging.DEBUG)`	快速定位调用参数
第二层：LangSmith	设置环境变量启用追踪	可视化完整执行轨迹
第三层：流式输出	用 `stream` 替代 `invoke`	观察每一步中间过程

经验：大多数 Agent 问题根源可归为三类：

工具描述不够清晰 → LLM 选错工具
系统提示词引导不足 → 执行顺序混乱
工具返回值格式不规范 → LLM 无法解读结果

6.4 性能优化

问题	优化方法	效果
响应慢	只加载当前任务必需的工具	减少 LLM 决策时间
Token 消耗高	使用 `SummarizationMiddleware`	压缩历史消息
工具调用次数多	优化工具返回值，一次返回完整信息	减少循环轮次
吞吐量不足	使用 `ainvoke` 异步调用	支持并发处理

七、课程总结与常见问题

7.1 知识回顾

章节	核心问题	学到了什么
Agent 介绍	Agent 是什么？和 Chain 的区别？	Agent = LLM + 自主决策 + 工具调用
工具定义	怎么让 Agent"做事"？	`@tool` 定义，`create_agent` 组装
MCP 接入	怎么接入外部工具？	MCP 协议统一接入，对 LLM 透明
记忆管理	怎么让 Agent 记住对话？	Checkpointer + thread_id 实现多会话记忆
中间件	怎么压缩历史、人工审核？	SummarizationMiddleware、HumanInTheLoopMiddleware

7.2 常见问题 Q&A

Q1：Chain 和 Agent 如何选择？

任务流程确定时用 Chain（简单可靠），任务需要动态判断时用 Agent（灵活但复杂）。两者可以结合------Agent 内部的某些子任务可以用 Chain 实现。

Q2：RAG 和 Agent 可以结合吗？

可以，而且非常常见。典型做法是把 RAG 检索封装成一个工具，Agent 在需要时自主调用它。例如，将向量数据库检索包装为 query_knowledge_base 工具，Agent 就可以在回答专业问题时自动检索相关知识。

Q3：如何优化 Agent 的响应速度？

四个方向：

只加载必需的工具（减少 LLM 决策开销）
用 SummarizationMiddleware 压缩长对话（减少 Token）
使用异步调用 ainvoke（支持并发）
优化工具返回值格式（减少循环轮次）

Q4：什么时候需要 LangGraph？

当你需要多个 Agent 协作、复杂的条件分支和循环逻辑，或比 create_agent 更精细的流程控制时，就需要 LangGraph。它是 Agent 的进阶编排工具。

7.3 下一步建议

动手实践：选择一个实际场景（如个人知识库问答、自动化数据分析），用本课知识构建一个 Agent。
深入 LangGraph：学习状态图、条件边、多 Agent 协作，构建更复杂的工作流。
关注 AI 生态：MCP 社区正在快速发展，关注社区动态可以快速扩展 Agent 的能力。