LangGraph添加记忆(任务级别记忆)

在LangGraph中又被称为检查点（checkpointing），它是 LangGraph 能够支持 长周期任务执行 和 断点续执行 的关键机制。

在前两节中，我们通过手动维护一个 messages 列表来实现多轮对话。然而，这种方式在面对 多用户、多任务 以及 复杂图结构 时，维护成本会急剧上升。

添加记忆模块

为了解决这一问题，LangGraph 提供了更为简洁的记忆模块。只需修改3行代码，就能启用内存记忆：

from langgraph.checkpoint.memory import InMemorySaver
memory = InMemorySaver()
# ...省略重复代码
app = graph_builder.compile(checkpointer=memory)

在调用时，只需配置 thread_id：

# ...省略重复代码，注意 config thread_id的配置
response = app.invoke({"messages": {"role": "user", "content": user_input}},
                      config = {"configurable": {"thread_id": "1"}})

这样便实现了基于内存的记忆。但需要注意的是：一旦程序重启，记忆会丢失。

使用 Redis 持久化记忆

为了避免重启导致数据丢失，我们可以改用 Redis 作为记忆存储。只要 Redis 保持正常运行，记忆就能持续存在。

1. 1. 安装医依赖

   pip install langgraph-checkpoint-redis
   

2. 2. 修改代码：

   from redis import Redis
   from langgraph.checkpoint.redis import RedisSaver
   
   redis_client = Redis(
       host="127.0.0.1",
       port=6379,
       password="Tali1234"
   )
   memory = RedisSaver(redis_client=redis_client)
   

Redis 中的存储内容大致如下：

在 PyPI 上搜索 langgraph-checkpoint，还能发现更多数据库的存储实现，方便不同场景使用。

效果如下

LangGraph集成Mem0(用户级别记忆)

任务级别记忆帮助我们保持单个对话的上下文， Mem0 更进一步，提供了 跨任务、跨会话的用户级别记忆。

Mem0 是一个轻量化、模块化的智能记忆层框架，其目标是：

“通过保留用户偏好与上下文信息，随着时间推移不断适应，提供个性化和高效的交互体验。”

它支持 对话层、用户层和 Agent 层 的多层记忆组织方式，常用于聊天机器人、RPA 自动化助手、AI Copilot 等场景。

Mem0 的记忆流程分为 提取 和 更新 两个阶段：

• 在提取阶段，系统会从 最新对话、滚动摘要、最近 m 条对话 中抓取关键信息，并借助 LLM 生成简洁候选记忆。
• 在后台，长期摘要会异步更新，从而保证推理流程不会被打断。

更多内容，见之前的专题文章

为 AI Agent 添加记忆：Mem0 框架解析

安装 Mem0

pip install mem0ai

示例代码（核心逻辑已标注）

from typing import Annotated
from typing_extensions import TypedDict
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START
from langgraph.graph.message import add_messages
from langchain_tavily import TavilySearch
from langgraph.prebuilt import ToolNode, tools_condition
from mem0 import Memory
from langchain_openai import OpenAIEmbeddings

openai_embeddings = OpenAIEmbeddings(
    model="gte-large-zh",
    check_embedding_ctx_length=False
)
# 此处定义你自己的模型
llm = ChatOpenAI(model="qwen3_32")

# 定义工具
tool = TavilySearch(max_results=2)
tools = [tool]
# 工具绑定到模型
llm_with_tools = llm.bind_tools(tools)
# 创建Mem0记忆配置
config = {
"vector_store": {
"provider": "milvus",
"config": {
"collection_name": "mem0",
"embedding_model_dims": "1024",
"url": "http://127.0.0.1:9530",
"token": "root:root",
        },
    },
"embedder": {
"provider": "langchain",
"config": {
"model": openai_embeddings,
        },
    },
"llm": {
"provider": "openai",
"config": {
"model": "qwen3_32",
"temperature": 0.2,
"max_tokens": 20000,
        },
    },
}
memory = Memory.from_config(config)

# 定义图状态
class State(TypedDict):
    messages: Annotated[list, add_messages]  # 此处维护完整的消息历史
    mem0_user_id: str # 增加用户id

graph = StateGraph(State)

def chatbot(state: State):
    messages = state["messages"]
    user_id = state["mem0_user_id"]

# 检索记忆
    memories = memory.search(messages[-1].content, user_id=user_id)

    context = "Relevant information from previous conversations:\n"
for m in memories.get("results", []):
        context += f"- {m['memory']}\n"

    system_message = {"role":"system", "content": f"""You are a helpful customer support assistant. Use the provided context to personalize your responses and remember user preferences and past interactions.
{context}"""}

    full_messages = [system_message] + messages
    response = llm_with_tools.invoke(full_messages)

# 存储记忆
    memory.add(
f"User: {messages[-1].content}\nAssistant: {response.content}", user_id=user_id
    )
return {"messages": [response]}

# 使用LangGraph提供的工具节点
tool_node = ToolNode(tools=tools)

graph.add_node("chatbot", chatbot)
# 添加工具节点
graph.add_node("tools", tool_node)
# 添加工具 条件分支
graph.add_conditional_edges(
"chatbot",
    tools_condition,
)
graph.add_edge("tools", "chatbot")
graph.add_edge(START, "chatbot")

app = graph.compile()

if __name__ == "__main__":
while True:
        user_input = input("👨‍💻: ")
if user_input.lower() in ["quit", "exit", "q"]:
print("Exiting...")
break
        response = app.invoke({"messages": {"role": "user", "content": user_input}, "mem0_user_id":"mem0_wiley"})
        messages = response["messages"]
print(f'🤖: {response["messages"][-1].content}')

效果如下

总结与延伸

• 任务级别记忆（Checkpointing）：适合短期会话和任务流程的状态保存，轻量易用。
• 用户级别记忆（Mem0）：适合需要长期交互和个性化体验的应用，比如智能客服、AI 助手。

两者结合，在不同层面增强 LangGraph 应用的智能化和可持续性。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！