🎯 课程主题

实现 短期记忆（Short-term Memory） 的核心方案——基于内存的 Checkpointer（持久化器）：InMemorySaver，让 Agent 在同一线程（Thread）内具备记忆历史对话的能力。

📝 核心知识点

1. LangChain 1.0+ 短期记忆的三要素

要素说明
State存储当前会话内的历史消息列表（messages），由 LangGraph 的状态图管理
Checkpointer对 State 在某一时刻的快照进行持久化存储（类比 RPG 游戏的"自动存档"）
thread_id区分不同会话线程的标识符，同一 thread_id 内部共享记忆，不同 thread_id 之间隔离

2. InMemorySaver 的特点

  • 将记忆数据存储在进程内存中。
  • 同进程内有效，进程结束或重启后数据丢失。
  • 适用于开发测试阶段，生产环境需改用外部存储介质（SQLite / PostgreSQL）。

3. 实现短期记忆的四步法

步骤操作
Step 1创建 InMemorySaver 实例
Step 2在创建 Agent 时将 InMemorySaver 作为 checkpointer 参数传入
Step 3构建 config 字典，指定 thread_id（字符串类型）
Step 4调用 invoke 时传入 config 参数，同一 thread_id 的调用共享记忆

🏗️ 架构与工作流

无记忆 vs 有记忆的调用对比

【无记忆 — 两次独立 invoke】
invoke({"messages": [HumanMessage("我叫张三")]})     → State: [Human:我叫张三, AI:你好张三]
invoke({"messages": [HumanMessage("我叫什么？")]})   → State: [Human:我叫什么？, AI:不知道]  ❌ 不共享

【有记忆 — 同一 thread_id】
invoke({"messages": [HumanMessage("我叫张三")]}, config=config)  → State: [Human:我叫张三, AI:你好张三]
invoke({"messages": [HumanMessage("我叫什么？")]}, config=config) → State: [..., Human:我叫什么？, AI:你叫张三]  ✅ 共享

InMemorySaver 内部工作原理

thread_id = "1" 的消息列表:
┌──────────────────────────────────────────────┐
│ [Human: 我叫张三]                              │
│ [AI: 你好张三！]                               │
│ [Human: 我叫什么？]  ← 第2次 invoke 追加       │
│ [AI: 你叫张三]       ← AI 回复追加             │
│ [Human: 我刚才问了什么？] ← 第3次 invoke 追加   │
│ [AI: 你刚才问了你叫什么名字]   ← AI 回复追加    │
└──────────────────────────────────────────────┘

thread_id = "2" 的消息列表:
┌──────────────────────────────────────────────┐
│ [Human: 我叫什么？]                            │
│ [AI: 我还不知道你叫什么]  ← 与 thread_id=1 隔离  │
└──────────────────────────────────────────────┘

每次 invoke 的执行流程

  1. 读取当前 thread_id 对应的历史 messages 列表
  2. 将新的用户消息追加到列表末尾
  3. 将完整消息列表发送给大模型
  4. 大模型返回响应（AI Message）
  5. 将 AI 响应也追加到消息列表中（State 更新）

💻 代码实战

完整示例：基于 InMemorySaver 的短期记忆

from langgraph.checkpoint.memory import InMemorySaver
from langchain_core.messages import HumanMessage
from rich import print as rprint

# ===== Step 1: 创建内存级 Checkpointer =====
checkpointer = InMemorySaver()

# ===== Step 2: 创建 Agent 时传入 checkpointer =====
agent = create_react_agent(
    model=model,
    tools=[],
    checkpointer=checkpointer      # 👈 关键参数
)

# ===== Step 3: 构建 config，指定 thread_id =====
config = {"configurable": {"thread_id": "1"}}

# ===== Step 4: invoke 时传入 config =====

# 第一轮对话
response1 = agent.invoke(
    {"messages": [HumanMessage(content="我叫张三")]},
    config=config
)
print(response1["messages"][-1].content)
# 输出: 好的，我记住了，你叫张三！

# 第二轮对话 — 同一 thread_id，共享记忆
response2 = agent.invoke(
    {"messages": [HumanMessage(content="我叫什么？")]},
    config=config
)
print(response2["messages"][-1].content)
# 输出: 你叫张三！  ← 有记忆了！

# 第三轮对话 — 继续同一线程
response3 = agent.invoke(
    {"messages": [HumanMessage(content="我刚才问了什么问题？")]},
    config=config
)
print(response3["messages"][-1].content)
# 输出: 你刚才问我你叫什么名字 ← 跨多轮记忆

查看当前线程的 State

# 获取 thread_id="1" 的完整 State（含所有历史消息）
state = agent.get_state(config)
rprint(state.values["messages"])
# 输出: 6 条消息（3 轮对话 × 每条 2 条消息）

# 查看不同线程的 State
config2 = {"configurable": {"thread_id": "2"}}
state2 = agent.get_state(config2)
rprint(state2.values["messages"])
# 输出: 仅 2 条消息（与 thread_id="1" 隔离）

演示：不同 thread_id 不共享记忆

# 新线程
config2 = {"configurable": {"thread_id": "2"}}

response4 = agent.invoke(
    {"messages": [HumanMessage(content="我叫什么？")]},
    config=config2
)
print(response4["messages"][-1].content)
# 输出: 我还不知道你叫什么  ← 与 thread_id="1" 隔离

⚠️ 常见问题与避坑指南

问题原因解决方案
Agent 不记得之前信息未创建 InMemorySaver 或未传入 checkpointer 参数确认 create_react_agent(..., checkpointer=...)
Agent 不记得之前信息invoke 时未传 config确保 invoke(..., config=config)
Agent 不记得之前信息两次 invoke 使用了不同的 thread_id确保同一对话使用相同的 thread_id
get_state 返回空该 thread_id 下还未执行过任何 invoke先执行一次 invoke 再调用 get_state

💡 个人总结与延伸

  1. 短期记忆的核心是"线程隔离 + State 持久化"，InMemorySaver 是理解这一机制的最简入口。
  2. thread_id 的设计非常灵活：可用于多用户聊天（每个用户独立 thread）、同一用户的多任务隔离（编码任务 vs 写作任务）。
  3. InMemorySaver 仅适合开发测试——进程重启数据丢失。下一节将介绍基于 SQLite / PostgreSQL 的外部存储 Checkpointer，实现真正的持久化短期记忆。
  4. 获取 State 的能力（agent.get_state(config)）不仅是调试利器，也是实现"查看历史"等功能的 API 基础。
最近更新:
Contributors: yangwenguang