DevDesk

Appearance

4、记忆管理 ​

4.1 失忆问题 ​

试想这样一个场景：

第1次调用：
  用户："我叫张三"
  Agent："你好张三！有什么可以帮你？"

第2次调用：
  用户："我叫什么名字？"
  Agent："抱歉，我不知道你叫什么名字。"   ← 失忆了

这不是Bug，而是Agent的默认行为。回忆第一章的工作循环——Agent每次invoke都是一次独立的"感知→推理→行动"过程。上一次调用的对话内容，不会自动带入下一次调用中。

这就好比你每天找同一个客服咨询问题，但对方每天换一个新人，昨天说过的话今天得从头说一遍。

要解决这个问题，我们需要给Agent加上记忆（Memory）。

4.2 Checkpointer ​

LangChain通过checkpointer机制实现Agent的记忆。它的工作原理非常简单：

每次调用结束后：
  Checkpointer 自动保存本次对话的所有消息
                    ↓
下次调用开始时：
  Checkpointer 自动加载之前保存的消息，拼接到新的输入前面
                    ↓
效果：
  LLM看到的消息列表 = 历史消息 + 本次新消息
  → Agent就"记住"了之前的对话

使用方式只需两步：创建一个checkpointer实例，传入create_agent。

python
from langgraph.checkpoint.memory import InMemorySaver

# 创建checkpointer（内存存储，程序重启后数据会丢失）
checkpointer = InMemorySaver()

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

4.3 Thread ID ​

一个Agent通常会同时服务多个用户。不同用户的对话历史不应该互相干扰——用户A的聊天记录不应该出现在用户B的对话中。

LangChain通过thread_id来隔离不同的会话。每个不同的thread_id维护一份独立的消息列表：

thread_id: "user_张三"  →  [消息1, 消息2, 消息3, ...]
thread_id: "user_李四"  →  [消息A, 消息B, ...]
thread_id: "user_王五"  →  [消息X, 消息Y, ...]

调用Agent时，通过config参数指定thread_id：

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

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

4.4 完整示例 ​

下面的例子展示了添加记忆前后的对比效果：

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

# 准备工具和模型
search = TavilySearch(max_results=5)
llm = init_chat_model(model="gpt-4o-mini", model_provider="openai")

# 创建有记忆的Agent
checkpointer = InMemorySaver()
agent = create_agent(
    model=llm,
    tools=[search],
    checkpointer=checkpointer,
)

# ===== 第1次调用 =====
print("=== 第1次调用 ===")
for chunk in agent.stream(
    input={
        "messages": [
            {
                "role": "system",
                "content": f"当前时间：{datetime.datetime.now().strftime('%Y-%m-%d %H:%M:%S')}",
            },
            {"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） =====
print("=== 第2次调用 ===")
for chunk in agent.stream(
    input={
        "messages": [{"role": "user", "content": "我刚才问你什么了？"}]
    },
    config={"configurable": {"thread_id": "abc123"}},   # ← 相同thread_id
):
    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） =====
print("=== 第3次调用（新会话） ===")
for chunk in agent.stream(
    input={
        "messages": [{"role": "user", "content": "我刚才问你什么了？"}]
    },
    config={"configurable": {"thread_id": "xyz789"}},   # ← 不同thread_id
):
    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 记忆的局限性 ​

Checkpointer解决了"失忆"问题，但引入了一个新问题：随着对话轮次增加，保存的消息列表会越来越长。

第1轮：  [用户消息1, AI回复1]                          → 2条消息
第10轮： [用户消息1, AI回复1, ..., 用户消息10, AI回复10]  → 20条消息
第100轮：[用户消息1, AI回复1, ..., 用户消息100, AI回复100] → 200+条消息

每次调用时，所有历史消息都会发送给LLM。消息太多会导致两个问题：Token消耗剧增（费钱），甚至超出模型的上下文窗口限制（报错）。

这个问题的解决方案就是下一章要讲的中间件——可以在消息发给LLM之前自动进行压缩和总结。

4.6 本章小结 ​

  1. Agent默认无记忆： 每次invoke是独立的，上一轮对话不会自动带入下一轮。
  2. 添加记忆只需一步： 创建InMemorySaver实例传给checkpointer参数即可。
  3. Thread ID实现多会话隔离： 不同的thread_id维护各自独立的对话历史。
  4. 记忆有代价： 消息列表会无限增长，需要通过中间件来压缩——这是下一章的主题。

版权所有 © 2026-至今