LangGraph 实战指南：长期记忆管理

LangGraph为智能对话系统设计了一种独特的“记忆”机制，它包括长期记忆和短期记忆两种类型。

基本信息

• 模型调用通义千问（阿里Tongyi大模型）
• 短期记忆：通过维护会话中的消息的历史记录，来跟踪正在进行的对话。短期记忆也称为线程级记忆。
• 长期记忆：跨会话存储用户特定或应用程序级数据。长期记忆又称为跨线程记忆。

长期记忆就像是一个“记忆仓库”，可以存储用户的各种信息，比如名字、语言偏好、历史对话记录等。这些信息被组织成一个个“记忆单元”，每个单元都有自己的“文件夹”（命名空间）和“文件名”（键）。比如，一个聊天机器人可以为每个用户创建一个独立的命名空间，里面存储着用户的各种偏好信息。

使用 LangGraph 管理长期记忆

通过三个简单的demo例子来看看LangGraph是如何在实际中工作的。

要使用长期记忆，需要：

• 配置存储以在调用之间保留数据
• 使用该get_store功能从工具或提示中访问LangSmith商店

1 保存用户信息

首先，初始化一个内存存储，然后定义一个保存用户信息的函数。这个函数会把用户的信息存储到长期记忆中。

把用户的名字“小何慢行”保存到了长期记忆中。

# -*- coding: utf-8 -*-
from langgraph.prebuilt import create_react_agent
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import AnyMessage
from langchain_core.runnables import RunnableConfig
from typing_extensions import TypedDict

from langgraph.store.memory import InMemoryStore
from langgraph.config import get_store


#模型初始化
llm = ChatTongyi(
    model="qwen-turbo",#qwen-max-latest qwen-plus
    temperature=0,
    verbose=True,
    )

# 写入get_store()
store = InMemoryStore() 

class UserInfo(TypedDict): 
    name: str

# 类似于文件夹
user_namespace = "users" 

def save_user_info(user_info: UserInfo, config: RunnableConfig) -> str: 
    """保存用户信息"""

    # 与create_react_agent提供的一样
    store = get_store() 
    user_id = config["configurable"].get("user_id")
    store.put((user_namespace,), user_id, user_info) 
    return