LangChain vs LangGraph：对话记忆实现有何不同？

最新推荐文章于 2025-10-04 19:38:01 发布

原创最新推荐文章于 2025-10-04 19:38:01 发布 · 978 阅读

11 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #转行 #程序员 #ai #大模型 #学习 #产品经理

“ 大模型记忆本质上就是在外部把对话内存存储下来，但在langchain和langgraph中实现又有所区别。”

在大模型开发框架——Langchain家族中，Langchain是开发大模型应用的基础框架，而Langgraph是构建智能体的基础框架；两者虽同源，但又有些不同，因此今天我们看一下两者关于记忆功能的实现的区别。

记忆模块可以说是大模型对话场景中非常重要的一个功能，没有记忆大模型就失去了上下文，也就失去了持续对话的能力。

今天我们就来学习一下langchain和langgraph关于记忆功能的不同实现方式。

在这里插入图片描述

大模型记忆功能的实现方式

从功能上来说记忆就类似于我们人类的记忆，使得大模型知道我们当前对话的场景是什么，前面说了什么话；但从功能实现的角度来看，大模型所谓的记忆，其实就是把之前对话的内容拼接到提示词中，类似于聊天记录，这样大模型就可以根据聊天记录知道我们当前在讨论什么问题，也就是上下文。

之所以需要记忆功能，原因就在于大模型没有记忆能力，对大模型来说每次对话都是一次全新的对话。

所以，从这里也可以看出，大模型的记忆功能实现特别简单，就是把每次对话的内容记录下来即可，不论是保存在文件中，数据库中，亦或者是任何地方；形式可以是基于QA形式进行存储，问题是Q，大模型的回答是A。

但从软件开发的角度来看，记忆功能是一个通用的功能，如果每次都要开发人员自己处理记忆功能，不但增加了工作量，还不利于记忆的统一管理；因此，在langchain和langgraph中提供了记忆的功能模块，只需要进行简单的配置即可使用，不需要开发者对每次对话进行记忆处理。

在langchain中，记忆是通过专门的记忆组件实现的，也就是Memory，比如说基于窗口的记忆模块——ConversationBufferWindowMemory，此模块有一个参数k，用来保存指定对话长度的记忆，比如说k=10就是保存最近十轮对话的内容，其余的内容会被丢弃，原因就是大模型的窗口是有大小限制的，太长的上下文会导致窗口超长，而且也不利于大模型进行处理。

记忆分为短期记忆和长期记忆，短期记忆比较经典的场景就是基于内存的记忆，当系统重启或崩溃会导致记忆丢失；而长期记忆是把记忆保存在外部数据库中，当系统重启或崩溃时，不会导致记忆丢失。

而在langgraph中，记忆是通过检查点实现的——MemorySaver，事实上说langgraph记忆是通过检查点实现的不太准确；应该说记忆是检查点的一个子功能而已；因为在langgraph中，检查点的作用是保存当前智能体运行时的数据，当系统中断时下次可以从当前检查点再次加载数据继续执行。

这也是Langgraph中状态图StateGraph的核心功能，而在Langgraph中把记忆保存在状态图中，这样记忆就不会丢失；其原理和Langchain的Memory一样，只不过langgraph的状态图功能更加强大。而且，langgraph中的记忆能力也是被封装好的，只需要在编译图传一个MemorySaver参数即可。

代码如下所示：

memory=InMemorySaver()graph=graph_builder.compile(checkpointer=memory)

只需要在状态图中配置checkpointer=memroy之后，再在调用智能体时在参数中传入thread_id参数即可；代码如下所示：

config={"configurable":{"thread_id":"1"}}# The config is the **second positional argument** to stream() or invoke()!events=graph.stream({"messages":[{"role":"user","content":user_input}]},                    config,                    stream_mode="values",)for event in events:  event["messages"][-1].pretty_print()

这样，langgraph就会自动把对话内容保存到状态图中，也就间接实现了记忆功能。