文章介绍了LangChain框架中的记忆治理机制，分为短期记忆和长期记忆两层。短期记忆基于Thread和Checkpointer维持单次会话连贯性；长期记忆通过Store接口实现跨会话用户偏好沉淀。文章通过代码示例展示两种记忆实现方式，强调记忆治理是智能体从"玩具"走向"生产力工具"的关键，需平衡连贯性、个性化和可持续性。

---

01 前言

在上一篇的[LangChain 系列 | 上下文工程]中，我们探讨了如何在单次交互中为模型提供精准的信息。如果说上下文工程解决的是空间维度（当前输入的信息量与质量）的问题，那么记忆（Memory）解决的则是时间维度（跨越交互的连续性）的问题。

在当下，基础模型（Base Models）的上下文窗口虽然已经极大扩展，但“无限上下文”并不等于“无限智能”。在实战中，智能体往往因为缺乏对历史信息的有效索引而出现“断片”。

在 LangChain V1.0+ 的架构体系中，记忆治理被严格划分为两个层级：

1、****短期记忆（Short-term Memory）：它的作用范围是会话级（Conversation-scoped），主要负责存储当前对话的消息、上传的文件、身份验证状态以及工具执行的结果。基于 Thread, 保证单次会话的连贯性。

2、长期记忆（Long-term Memory）：它的作用范围是跨会话（Cross-conversation），用于持久化存储用户的偏好、提取出的深度洞察、历史数据以及长期的记忆片段。基于 Store, 实现跨会话的用户偏好沉淀与知识管理。

注意: 短期记忆也是一种持久上下文，作用于某整个会话。

02 架构概览

框架通过将存储层（LangGraph实现）与计算层（LangChain实现）分离，建立了一套完整的数据治理体系，即如何根据存储层的数据，为计算层构建出“正确”的内容。

下图展示了运行时（Runtime）如何分别与短期记忆和长期记忆进行交互：

03 短期记忆

大多数 LLM 本质上是**无状态（Stateless）**的。LangGraph 实现短期记忆的方式，是构建一个有状态的系统（Stateful System）。这套机制由三个核心要素组成：

1、Thread (线程)：类似于 Email 的会话 ID，用于隔离不同用户的对话。

2、State (状态)：当前会话中累积的数据（Messages），随着每一步交互而更新。

3、Checkpointer (检查点)：负责在每一步（Step）执行后，将 State 序列化并持久化到数据库。

工作流原理如下图所示：

一个示例：启用 Checkpointer 实现短期记忆

# pip install langgraph langchain-deepseek
from langchain.agents import create_agent
import os
from langgraph.checkpoint.memory import InMemorySaver
# 生产环境建议使用: from langgraph.checkpoint.postgres import PostgresSaver
# 1. 初始化 Checkpointer (记忆后端)
# InMemorySaver 仅用于测试，重启后数据会丢失
memory = InMemorySaver()
os.environ["DEEPSEEK_API_KEY"] = "sk-..."
# 2. 构建 Agent 时注入 checkpointer
agent = create_agent(
"deepseek-chat",
tools=[],
checkpointer=memory,
)
# 3. 运行时配置 (Runtime Config)
# 只要 thread_id 相同，Agent 就会自动加载之前的 State
config_session_A = {"configurable": {"thread_id": "session_001"}}
# 第一轮对话
print("--- Round 1 ---")
agent.invoke(
{"messages": [{"role": "user", "content": "你好，我是工程师 DJ"}]},
config_session_A
)
# 第二轮对话 (Agent 会自动从内存恢复 "我是 DJ" 这个上下文)
print("--- Round 2 ---")
response = agent.invoke(
{"messages": [{"role": "user", "content": "我的职业是什么？"}]},
config_session_A
)
# 输出: 你的职业是架构师。
print(response["messages"][-1].content)

示例首先定义InMemorySaver，用于内存中存储短期记忆，生产环境通常使用PostgreSQL等数据库；然后通过create_agent创建Agent，并指定checkpointer；最后通过两轮agent的invoke调用，并指定同一个配置了thread_id的config。

最后输出如下：

--- Round 1 ---
--- Round 2 ---
根据我们对话的开始，你提到过：**“我是工程师 DJ”**。
所以，你的职业是 **工程师**。

04 长期记忆

短期记忆的致命弱点在于：一旦 thread\_id 改变，或者历史记录被修剪（Trimming），信息就永久丢失了。

长期记忆（Long-term Memory）利用 Store 接口，允许智能体将关键信息从“对话流”中提取出来，存储到独立的数据库文档中。它使用 **Namespace（命名空间）**来隔离数据，结构类似于文件路径 (scope, identifier)。

跨会话交互原理如下图所示：

一个示例：工具读写实现长期记忆Store：

from langgraph.store.memory import InMemoryStore
from langchain.tools import tool, ToolRuntime
from langchain.agents import create_agent
import os
from pydantic import BaseModel
# 初始化存储后端 (生产环境通常连接 Redis 或 PostgreSQL)
store = InMemoryStore()
# 这决定了工具中 runtime.context 能访问到哪些字段
classContext(BaseModel):
user_id: str
@tool
defsave_user_preference(pref_detail: str, runtime: ToolRuntime):
"""
保存用户偏好到长期记忆。
当用户提到“我喜欢...”或“我不吃...”时调用此工具。
"""
# 1. 获取 Store 实例
current_store = runtime.store
# 2. 从运行时上下文中安全获取 user_id (非用户输入，防注入)
# 这需要在 invoke 时通过 configurable 传入
user_id = runtime.context.user_id
# 3. 写入数据
# Namespace: 类似文件夹路径 ("users", "bob")，用于数据隔离
# Key: 文件名 "food_prefs"
current_store.put(
("users", user_id),
"food_prefs",
{"detail": pref_detail, "updated_at": "2026-01-19"}
)
return"已记录您的偏好。"
@tool
defget_user_info(runtime: ToolRuntime):
"""读取用户的历史偏好信息"""
current_store = runtime.store
user_id = runtime.context.user_id
# 4. 读取数据
item = current_store.get(("users", user_id), "food_prefs")
return item.value if item else"暂无该用户偏好记录"
# 定义agent
os.environ["DEEPSEEK_API_KEY"] = "sk-..."
agent = create_agent(
model="deepseek-chat",
tools=[save_user_preference, get_user_info],
store=store,               # 注入长期记忆存储
context_schema=Context     # 声明运行时上下文结构
)
user_context = Context(user_id="DJ_001")
print("--round 1--")
# 第一次交互：保存信息
agent.invoke(
{"messages": [{"role": "user", "content": "记一下，我超级喜欢吃辣，尤其是川菜。"}]},
context=user_context
)
print("--round 2--")
# 第二次交互：跨会话/跨工具读取
result = agent.invoke(
{"messages": [{"role": "user", "content": "我刚才说我喜欢吃什么来着？"}]},
context=user_context
)
print(result["messages"][-1].content)

示例首先定义InMemoryStore，用于存储长期记忆，生产环境通常连接 Redis 或 PostgreSQL等；然后分别定义了两个可以操作长期记忆的工具；最后通过create_agent创建Agent，并指定tools、store和context_schema；通过两轮agent的invoke调用，并指定了同一个context。

最后输出如下：

根据记录，你之前提到过你**超级喜欢吃辣，尤其是川菜**！这是你在2026年1月19日分享的饮食偏好。
川菜确实很美味，像麻婆豆腐、水煮鱼、回锅肉这些经典川菜都很受欢迎。你最近有尝试什么新的川菜吗？

说明：长期记忆通常不直接暴露给 LLM 的 Context（太长且昂贵），而是通过 Tools 按需调用。

05 总结

记忆治理是 Agent 从“玩具”走向“生产力工具”的分水岭。在构建系统时，请遵循以下原则：

1. Checkpointer (短期记忆)：解决“连贯性”，主要用于维持对话流（Flow）。

2. Store (长期记忆)：解决“个性化”。用于持久存储知识（Knowledge）和偏好。

3. Middleware (治理)：解决“可持续性”。防止记忆膨胀拖垮系统，通过自动总结和修剪保持上下文的精炼。

如何学习AI大模型？

如果你对AI大模型入门感兴趣，那么你需要的话可以点击这里大模型重磅福利：入门进阶全套104G学习资源包免费分享！

这份完整版的大模型 AI 学习和面试资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

这是一份大模型从零基础到进阶的学习路线大纲全览，小伙伴们记得点个收藏！

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

100套AI大模型商业化落地方案

大模型全套视频教程

200本大模型PDF书籍

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

LLM面试题合集

大模型产品经理资源合集

大模型项目实战合集

👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓