使用LangGraph构建具备记忆功能的智能对话Agent

使用LangGraph构建具备记忆功能的智能对话Agent

在AI应用开发中，构建一个既能调用外部工具又能保持对话记忆的智能Agent是一个常见需求。本文将通过一个完整的代码示例，详细介绍如何使用LangGraph框架创建一个具备天气查询功能和对话记忆的React Agent。

项目概述

本项目实现了一个智能对话Agent，具备以下核心功能：

• 工具调用能力：能够调用天气查询工具获取指定地区的天气信息
• 对话记忆：通过MemorySaver保持对话历史，实现上下文理解
• 流式输出：支持实时流式响应，提升用户体验
• 线程隔离：通过thread_id实现多用户会话隔离

环境准备与依赖导入

首先，我们需要导入必要的依赖包并加载环境变量：

import os

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import MemorySaver

load_dotenv()

这些导入包括：

• dotenv：用于加载环境变量，安全管理API密钥
• langchain_openai：提供OpenAI模型接口
• langchain_core.tools：工具装饰器，用于定义可调用的工具函数
• langgraph：核心框架，提供Agent创建和记忆管理功能

定义工具函数

使用@tool装饰器定义一个天气查询工具：

@tool
def get_weather(region: str) -> str:
    """
    获取指定地区的天气
    :param region: 地区
    :return: 天气信息
    """
    return f"{region}晴天，25度"

关键特点：

• 使用@tool装饰器将普通函数转换为Agent可调用的工具
• 函数文档字符串对Agent理解工具功能至关重要
• 参数类型注解帮助Agent正确传递参数
• 这里使用模拟数据，实际应用中可接入真实天气API

配置语言模型

llm = ChatOpenAI(
    base_url="https://ark.cn-beijing.volces.com/api/v3", 
    api_key=os.getenv("OB_OPENAI_KEY"),
    model="doubao-1.5-lite-32k-250115"
)

配置说明：

• base_url：指定API服务地址，这里使用的是字节跳动的豆包模型
• api_key：从环境变量中获取API密钥，保证安全性
• model：指定使用的模型版本

实现流式输出处理

def print_stream(stream):
    print(stream)
    for chunk in stream:
        message = chunk['messages'][-1]
        if isinstance(message, tuple):
            print(message)
        else:
            message.pretty_print()

这个函数负责处理Agent的流式响应：

• 遍历流式输出的每个chunk
• 提取最新的消息内容
• 根据消息类型选择合适的打印方式

创建具备记忆功能的Agent

prompt = "你是一个智能助手，能够回答用户的问题。你可以选择调用工具，也可以选择不调用，针对用提出的问题，用英文回复"

# 创建记忆管理器
memory = MemorySaver()

# 创建React Agent
agent = create_react_agent(
    llm, 
    tools=[get_weather], 
    checkpointer=memory, 
    prompt=prompt
)

核心组件：

• MemorySaver：负责保存和恢复对话历史
• create_react_agent：创建具备推理-行动能力的Agent
• checkpointer：启用记忆功能的关键参数
• prompt：定义Agent的行为指令和回复语言

多轮对话测试

配置会话线程

config = {"configurable": {"thread_id": "2"}}

通过thread_id实现会话隔离，不同的thread_id对应独立的对话历史。

第一轮：天气查询

inputs = {"messages": [("user", "上海天气怎么样？")]}
print_stream(agent.stream(inputs, config=config, stream_mode="values"))

Agent会：

1. 理解用户询问上海天气
2. 调用get_weather工具
3. 返回英文回复结果

第二轮：记忆测试

inputs = {"messages": [("user", "我刚问了你什么问题？")]}
print_stream(agent.stream(inputs, config=config, stream_mode="values"))

由于具备记忆功能，Agent能够回忆起之前的对话内容。

第三轮：身份询问

inputs = {"messages": [("user", "你是谁？")]}
print_stream(agent.stream(inputs, config=config, stream_mode="values"))

Agent会根据初始prompt回答自己的身份。

技术特点与优势

1. React模式

Agent采用"推理-行动"模式：

• Reasoning：分析用户问题，决定是否需要调用工具
• Acting：执行相应的行动（调用工具或直接回复）

2. 记忆持久化

• 使用MemorySaver自动保存对话历史
• 支持跨会话的上下文理解
• 通过thread_id实现多用户隔离

3. 流式处理

• 支持实时流式输出
• 提升用户体验
• 适合长文本生成场景

扩展应用场景

这个基础架构可以轻松扩展为更复杂的应用：

1. 多工具集成：添加更多工具（搜索、计算、数据库查询等）
2. 复杂业务逻辑：结合业务规则和工作流
3. 多模态支持：集成图像、语音等多模态输入
4. 企业级部署：添加用户认证、权限管理等功能

总结

本文通过一个完整的代码示例，展示了如何使用LangGraph构建具备工具调用和记忆功能的智能Agent。这种架构为开发更复杂的AI应用提供了坚实的基础，通过合理的抽象和模块化设计，可以快速适应各种业务场景的需求。

关键takeaway：

• 工具定义要清晰明确，文档字符串至关重要
• 记忆功能通过MemorySaver轻松实现
• 流式输出提升用户体验
• thread_id机制保证多用户会话隔离