第09章：上下文与记忆（2）

2、短期记忆

LangChain1.x 的短期记忆是三者的组合：

State（会话内部状态） + Checkpointer（持久化机制） + Thread ID（会话作用域）

State ：默认存储历史消息列表messages ，通过State 管理历史消息
Checkpointer ：负责将State 作为检查点持久化保存，检查点是某个时刻的State 快照
Thread ID ：用于唯一标识State ，LangChain运行时会按照 thread_id 读写State快照

这就像玩 RPG 游戏时的"自动存档"：你不需要手动保存，系统在关键节点自动记录，下次进入游戏随时可以从上次的存档点继续。

1 基于内存的持久化器

这是最便捷的使用方式，适合快速测试或调试。

举例1：没有记忆

复制代码

from langchain.agents import create_agent
from langchain.messages import HumanMessage
from dotenv import load_dotenv
load_dotenv(verbose=True)

agent = create_agent(
    model="deepseek:deepseek-v4-pro",
    tools=[]
)

print("\n第一轮对话：")

response1 = agent.invoke({
    "messages": [
        HumanMessage("我叫张三")
    ]
})

print(f"Agent: {response1['messages'][-1].content}")


print("\n第二轮对话：")

response2 = agent.invoke({
    "messages": [
        HumanMessage("我叫什么？")
    ]
})

print(f"Agent: {response2['messages'][-1].content}")

第一轮对话：

Agent: 你好，张三！有什么我可以帮你的吗？

第二轮对话：

Agent: 我目前不知道您的名字，因为我看不到您的个人信息。您可以告诉我您叫什么，我会记住并在对话中称呼您。

举例2：拥有记忆

步骤1：第一二轮对话

复制代码

from langchain.agents import create_agent
from langchain.messages import HumanMessage
from dotenv import load_dotenv
from  langgraph.checkpoint.memory import InMemorySaver
load_dotenv(verbose=True)

checkpointer = InMemorySaver() # 1.创建了内存级别的会话记忆

agent = create_agent(
    model="deepseek:deepseek-v4-pro",
    tools=[],
    checkpointer=checkpointer, # 2.让agent具备了存储的能力
)

#3.同一个thread_id共享记忆的
config={
    "configurable":{
        "thread_id":"1"
    }
}
print("\n第一轮对话：")

response1 = agent.invoke({
    "messages": [
        HumanMessage("我叫张三")
    ]
},
config=config)

print(f"Agent: {response1['messages'][-1].content}")


print("\n第二轮对话：")

response2 = agent.invoke({
    "messages": [
        HumanMessage("我叫什么？")
    ]
},
config=config)

print(f"Agent: {response2['messages'][-1].content}")

第一轮对话：

Agent: 你好，张三！有什么可以帮你的吗？

第二轮对话：

Agent: 你叫张三。

说明：你只需传入 checkpointer 和 config，Agent 就能自然具备连续对话能力

步骤2：第三轮对话

复制代码

print("\n第三轮对话：")

response3 = agent.invoke({
    "messages": [
        HumanMessage("我叫啥？")
    ]
},
config=config1)

print(f"Agent: {response4['messages'][-1].content}")

说明：第三轮对话中的 "我刚才问了什么问题？" 就能在第二轮存储的消息历史中找到答案。所有消息历史都会自动追加到 AgentState 的 messages 字段中，无需手动维护。

步骤3：更新线程ID

而如果更新线程ID，则会重新开启对话：

复制代码

config1={
    "configurable":{
        "thread_id":"2"
    }
}
print("\n第三轮对话：")

response3 = agent.invoke({
    "messages": [
        HumanMessage("我叫啥？")
    ]
},
config=config1)

print(f"Agent: {response4['messages'][-1].content}")

Agent: 我不知道你的名字哦，你可以告诉我，我就可以用名字称呼你啦。

说明：thread_id 隔离不同会话空间。

关键步骤说明

第1步：初始化记忆引擎： checkpointer = InMemorySaver() ------创建一个内存级的记忆存储

注意：InMemorySaver内存中保存，进程结束就丢失数据，适合测试。生产环境可换成数据库持久化的 SqliteSaver 、 PostgresSaver 等

第2步：绑定 Agent：在 create_agent 时传入 checkpointer ，让 Agent 具备状态存储能力。

第3步：设定会话 ID：通过 config = {"configurable": {"thread_id": "1"}} 为每次调用指定线程标识。同一个 thread_id 共享记忆，不同 thread_id 完全隔离。

复制代码

# 会话 1
config1 = {"configurable": {"thread_id": "1"}}
agent.invoke({...}, config=config1)
# 会话 2
config2 = {"configurable": {"thread_id": "2"}}
agent.invoke({...}, config=config2)
# 两个会话完全独立

thread_id 是记忆管理的核心开关：在会话2里询问会话1的会话信息，Agent 会表示不知道------因为双方记忆空间完全隔离。

生产环境中：

场景1：多用户聊天

不同 thread_id = 不同会话，Agent 能正确记住每个会话的内容

复制代码

agent = create_agent(
    model=model,
    tools=[],
    checkpointer=InMemorySaver()
)

# 用户 Alice
config_alice = {
    "configurable": {
        "thread_id": "user_alice"
    }
}

agent.invoke(
    {"messages": [...]},
    config_alice
)

# 用户 Bob
config_bob = {
    "configurable": {
        "thread_id": "user_bob"
    }
}

agent.invoke(
    {"messages": [...]},
    config_bob
)

# 两个会话完全独立

场景2：同一用户的不同任务

复制代码

# 任务 1：写代码
config_task1 = {
    "configurable": {
        "thread_id": "task_coding"
    }
}

agent.invoke(
    {"messages": [...]},
    config_task1
)

# 任务 2：写文档
config_task2 = {
    "configurable": {
        "thread_id": "task_docs"
    }
}

agent.invoke(
    {"messages": [...]},
    config_task2
)

工作原理

内存保存了什么？

复制代码

agent.invoke(
    {
        "messages": [
            {
                "role": "user",
                "content": "你好"
            }
        ]
    },
    config
)

# InMemorySaver 保存：
# {
#     "thread_id": "xxx",
#     "messages": [
#         HumanMessage("你好"),
#         AIMessage("你好！有什么可以帮助你的吗？")
#     ]
# }


agent.invoke(
    {
        "messages": [
            {
                "role": "user",
                "content": "天气"
            }
        ]
    },
    config
)

# InMemorySaver 更新：
# {
#     "thread_id": "xxx",
#     "messages": [
#         HumanMessage("你好"),
#         AIMessage("你好！有什么可以帮助你的吗？"),
#         HumanMessage("天气"),
#         AIMessage("...")
#     ]
# }

自动追加历史

复制代码

# 你只需要传新消息
agent.invoke(
    {"messages": [{"role": "user", "content": "新问题"}]},
    config
)

此时，checkpointer 自动：

① 读取之前的历史

② 追加新消息

③ 调用模型（传入完整历史）

④ 保存新的历史

说明：checkpointer 会自动管理历史

常见问题

为什么 Agent 不记得？

✅ 是否添加了 checkpointer=InMemorySaver() ？

✅ 是否传入了 config 参数？

✅ 两次调用的 thread_id 是否相同？

复制代码

# ❌ 错误：没有 checkpointer
agent = create_agent(
    model=model,
    tools=[]
)

agent.invoke({...})  # 不会记住


# ❌ 错误：没有 config
agent = create_agent(
    model=model,
    tools=[],
    checkpointer=InMemorySaver()
)

agent.invoke({...})  # 不会记住


# ❌ 错误：thread_id 不同
agent.invoke(
    {...},
    config={
        "configurable": {
            "thread_id": "1"
        }
    }
)

agent.invoke(
    {...},
    config={
        "configurable": {
            "thread_id": "2"
        }
    }
)  # 不同会话


# ✅ 正确
agent = create_agent(
    model=model,
    tools=[],
    checkpointer=InMemorySaver()
)

config = {
    "configurable": {
        "thread_id": "1"
    }
}

agent.invoke({...}, config)
agent.invoke({...}, config)  # 记得！

2、InMemorySaver 会丢失数据吗？

会！ InMemorySaver 只保存在内存中

✅ 同一进程内有效（不支持跨进程共享）
❌ 程序重启后丢失（或进程重启后丢失）
❌ 不同进程无法共享

解决方案：持久化（SQLite、PostgreSQL）

3、内存会无限增长吗？

会！默认情况下，InMemorySaver 会保存所有消息

问题：

消息越来越多（无限增长，需要管理上下文）
token消耗增加，甚至会超过模型的 token 限制
响应速度变慢、成本增加

解决方案：上下文管理（修剪、摘要）

4、如何清空某个会话的历史？

目前 InMemorySaver 没有提供删除 API。

临时方案：

使用新的 thread_id
或重新创建 Agent

第09章：上下文与记忆 （2）

2、短期记忆

1 基于内存的持久化器

举例1：没有记忆

举例2：拥有记忆

关键步骤说明

工作原理

常见问题

第09章：上下文与记忆（2）