LangGraph 实战指南：长期记忆管理

最新推荐文章于 2025-07-15 12:28:59 发布

小何慢行

最新推荐文章于 2025-07-15 12:28:59 发布

阅读量923

点赞数 15

CC 4.0 BY-SA版权

分类专栏： LangGraph 文章标签：前端

本文链接：https://blog.youkuaiyun.com/qq_41185191/article/details/148192162

LangGraph 专栏收录该内容

15 篇文章

订阅专栏

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 "已成功保存！"

#构建一个智能体
agent = create_react_agent(
    model=llm,
    tools=[save_user_info],
    store=store
)

# #智能体的调用
response = agent.invoke(
    {"messages": [{"role": "user", "content": "我的名字是小何慢行"}]},
    config={"configurable": {"user_id": "xhmx_id"}} 
)

print(response)
print(response["messages"][-1].content)

#直接访问仓库来获取值。
print(store.get((user_namespace,), "xhmx_id"))
print(store.get((user_namespace,), "xhmx_id").value)

运行结果截图

在这里插入图片描述

2 读取用户信息

需要读取用户信息时，可以定义一个读取函数，从长期记忆中获取用户的信息。
假设第一个用例中保存了用户信息，现在我们来读取它。

# -*- 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,
    )
# 读取get_store()
store = InMemoryStore() 


#类似于文件夹
user_namespace = "users" 
#类似于文件名
user_key = "xhmx_id"

store.put(  
    (user_namespace,),  #可以多个
    user_key,  
    {
        "name": "小何慢行",
        "sex": "男",
        "language": "汉语",
    } 
)

def get_user_info(config: RunnableConfig) -> str:
    """查询用户信息"""
    store = get_store() 
    user_id = config["configurable"].get("user_id")
    user_info = store.get((user_namespace,), user_id) 
    return str(user_info.value) if user_info else "未记录该用户"

#构建一个智能体
agent = create_react_agent(
    model=llm,
    tools=[get_user_info],
    store=store 
)


#直接访问仓库来获取值。
response = agent.invoke(
    {"messages": [{"role": "user", "content": "我要看下自身信息"}]},
    config={"configurable": {"user_id": user_key}}
)

print(response)
print(response["messages"][-1].content)

运行结果截图

在这里插入图片描述

3 语义搜索：找到相关记忆

LangGraph 还允许通过语义相似性搜索长期记忆中的项目。

有时候，我们可能需要根据内容的相似性来搜索记忆，而不仅仅是通过关键词。可以通过描述来找到相关的信息。

# -*- 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,
    )
#返回嵌入向量占位符列表
def embed(texts: list[str]) -> list[list[float]]:
    # 可以替换为实际的嵌入函数。 embed": init_embeddings("openai:text-embedding-3-small")
    return [[1.0, 2.0] * len(texts)]


# from langchain_community.embeddings import DashScopeEmbeddings
# from langchain.embeddings import init_embeddings
# embeddings = DashScopeEmbeddings(dashscope_api_key="sk-b8b221d506c041e08db52e622d48b2")


# 数据保存到内存中的字典。可以使用基于数据库的存储 如postgresql
store = InMemoryStore(index={"embed": embed, "dims": 2})

user_id = "users"
application_context = "chitchat"
namespace = (user_id, application_context)

user_key = "xhmx_id_memory"

store.put(
    namespace,
    user_key,
    {
        "rules": [
            "用户只会说汉语和Python。",
            "用户喜欢简洁直白的语言。",
        ],
        "my-key": "my-value",
    },
)


# 通过ID获取memory信息
item = store.get(namespace, user_key)
print(item)

print("------------------------")
# 按内容等价性进行筛选，按向量相似性会排序
items = store.search(
    namespace, filter={"my-key": "my-value"}, query="语言偏好"
)
print(items)