记忆管理

每次都陌生

智能体和用户聊了 20 分钟，关掉重开就全忘了——每次都像第一次见面。

开始之前

两种记忆

短期记忆管对话，长期记忆管用户

短期记忆

MemorySaver + thread_id = 多轮对话

import { MemorySaver, StateGraph } from "@langchain/langgraph";

const checkpointer = new MemorySaver();
const graph = builder.compile({ checkpointer });

// 第一轮
await graph.invoke(
  { messages: [{ role: "user", content: "hi! i am Bob" }] },
  { configurable: { thread_id: "1" } }
);

// 第二轮 — 同一个 thread_id，保留上一轮的上下文
await graph.invoke(
  { messages: [{ role: "user", content: "what is my name?" }] },
  { configurable: { thread_id: "1" } }
);
// 模型知道你是 Bob！

📄 完整代码：10_short_term_memory.ts

生产环境

内存存储重启就丢。生产环境用数据库后端。

// 短期记忆：PostgresSaver
import { PostgresSaver } from "@langchain/langgraph-checkpoint-postgres";

const DB_URI = "postgresql://postgres:postgres@localhost:5442/postgres?sslmode=disable";
const checkpointer = PostgresSaver.fromConnString(DB_URI);
// await checkpointer.setup(); // 首次使用需要初始化表结构

// 长期记忆：PostgresStore
import { PostgresStore } from "@langchain/langgraph-checkpoint-postgres/store";

const store = PostgresStore.fromConnString(DB_URI);
// await store.setup(); // 首次使用需要初始化表结构

const graph = builder.compile({ checkpointer, store });

📄 完整代码：10_production_backends.ts

const subgraph = subgraphBuilder.compile(); // 不需要单独指定
const graph = builder.compile({ checkpointer }); // 父图指定即可

长期记忆

InMemoryStore + namespace = 跨线程的用户数据

import { InMemoryStore, StateGraph } from "@langchain/langgraph";

const store = new InMemoryStore();
const graph = builder.compile({ store });

import { v4 as uuidv4 } from "uuid";

// 在节点中访问 store
const callModel: GraphNode<typeof State> = async (state, runtime) => {
  const userId = runtime.context?.userId;
  const namespace = [userId, "memories"];

  // 搜索相关记忆
  const memories = await runtime.store?.search(namespace, {
    query: state.messages.at(-1)?.content,
    limit: 3,
  });
  const info = memories?.map((d) => d.value.data).join("\n") || "";

  // 存储新记忆
  await runtime.store?.put(namespace, uuidv4(), { data: "User prefers dark mode" });

  // 使用记忆增强模型调用...
};

📄 完整代码：10_long_term_memory.ts

语义搜索

用嵌入模型实现"模糊匹配"记忆

import { OpenAIEmbeddings } from "@langchain/openai";

const store = new InMemoryStore({
  index: {
    embeddings: new OpenAIEmbeddings({ model: "text-embedding-3-small" }),
    dims: 1536,
  },
});

// 存入记忆
await store.put(["user_123", "memories"], "1", { text: "I love pizza" });
await store.put(["user_123", "memories"], "2", { text: "I am a plumber" });

// 语义搜索——"我饿了" 匹配到 "I love pizza"
const items = await store.search(["user_123", "memories"], {
  query: "I'm hungry",
  limit: 1,
});

📄 完整代码：10_semantic_memory.ts

语义搜索实战

在图节点中用 runtime.store 实现记忆增强的对话

const chat: GraphNode<typeof State> = async (state, runtime) => {
  // 根据用户最后一条消息搜索相关记忆
  const items = await runtime.store.search(
    ["user_123", "memories"],
    { query: state.messages.at(-1)?.content, limit: 2 }
  );
  const memories = items.map((item) => item.value.text).join("\n");
  const memoriesText = memories
    ? `## Memories of user\n${memories}` : "";

  // 将记忆注入 system prompt
  const response = await model.invoke([
    { role: "system", content: `You are a helpful assistant.\n${memoriesText}` },
    ...state.messages,
  ]);
  return { messages: [response] };
};

const builder = new StateGraph(State)
  .addNode("chat", chat)
  .addEdge(START, "chat");
const graph = builder.compile({ store });

📄 完整代码：10_semantic_memory.ts

管理短期记忆

消息越来越多时要控制——裁剪、删除、总结

import { trimMessages } from "@langchain/core/messages";

const messages = trimMessages(state.messages, {
  tokenCounter: model,  // 必填：用模型的 token 计数器（也可传自定义函数）
  strategy: "last",
  maxTokens: 128,
  startOn: "human",
  endOn: ["human", "tool"],
});

import { RemoveMessage } from "@langchain/core/messages";

if (messages.length > 2) {
  return {
    messages: messages
      .slice(0, 2)
      .map((m) => new RemoveMessage({ id: m.id })),
  };
}

管理检查点

查看、遍历、清理线程数据

// 查看线程当前状态
await graph.getState({ configurable: { thread_id: "1" } });

// 遍历线程历史
for await (const state of graph.getStateHistory({ configurable: { thread_id: "1" } })) {
  console.log(state);
}

// 删除线程的所有检查点
await checkpointer.deleteThread("1");

排错指南

动手练习

构建一个有记忆的聊天机器人

• 加上 MemorySaver，让多轮计算能保持上下文
• 加上 InMemoryStore，在节点中存储用户的计算偏好（比如"总是返回整数"）
• 用 trimMessages 限制最多保留最近 10 条消息

参考答案

// 1. 添加 MemorySaver
const checkpointer = new MemorySaver();

// 2. 添加 InMemoryStore
const store = new InMemoryStore();

// 3. 编译时同时传入
const graph = builder.compile({ checkpointer, store });

// 4. 在 llmCall 节点中管理记忆
const llmCall: GraphNode<typeof State> = async (state, runtime) => {
  // 裁剪消息
  const messages = trimMessages(state.messages, {
    tokenCounter: model,  // 必填：token 计数器
    strategy: "last",
    maxTokens: 2000,
    startOn: "human",
  });

  // 读取用户偏好
  const userId = runtime.context?.userId;
  const prefs = await runtime.store?.search([userId, "prefs"], { limit: 3 });

  // ... 使用偏好增强模型调用
};

本章回顾

延伸阅读