1、概述

1.1 为什么需要记忆(Memory)

记忆是一种记住之前互动信息的系统。随着Agent处理涉及大量用户交互的复杂任务，记忆变得至关重 要！

大多数的大模型应用程序都会有一个 会话接口 ，允许我们进行 多轮的对话 ，并有一定的上下文记忆能 力。比如

但实际上，大模型本身是“无状态”的， 不会记忆 任何上下文的。即每次调用 agent.invoke() 都是全新 的开始，不记得之前的对话。

举例：

from langchain.agents import create_agent
from langchain.messages import HumanMessage
from dotenv import load_dotenv
load_dotenv(verbose=True)

agent = create_agent(
    model="deepseek:deepseek-v4-pro",
    tools=[]
)

print("\n第一轮对话：")

response1 = agent.invoke({
    "messages": [
        HumanMessage("我叫张三")
    ]
})

print(f"Agent: {response1['messages'][-1].content}")


print("\n第二轮对话：")

response2 = agent.invoke({
    "messages": [
        HumanMessage("我叫什么？")
    ]
})

print(f"Agent: {response2['messages'][-1].content}")

我们希望的智能体应该是右图的情况：

1.2 如何解决记忆问题

1 上下文工程

实现这个记忆功能，就需要 额外的模块 去保存我们和模型对话的上下文信息，然后在下一次请求时， 把历史信息都输入给模型，让模型输出结果。

在 LangChain 中， 记忆(Memory) 就是专门负责“ 存储历史交互信息 ”的组件，核心作用是「 保存上下 文 」和「 提供上下文 」，让LLM在每次响应时，都能“看到”之前的对话内容。

上下文工程(Context Engineering) 负责 “合理组织”这些记忆和任务信息 ，让LLM的响应更连贯、更贴 合需求。这也是Agent能实现 复杂多轮交互 的核心基础

2 上下文类型及相关的API

LangChain的上下文工程是基于Agent讨论的，而上下文工程是构建在LangGraph之上的。

LangGraph 提供了三种管理上下文的方法，这些方法结合了可变性和生命周期维度：

1.3 LangChain的记忆

1 记忆的分类

官方说明：https://docs.langchain.com/oss/python/concepts/memory

记忆分为短期记忆和长期记忆，对应不同的使用场景：

• 短期记忆（Short-term memory、会话级记忆、thread-scoped memory）：作用范围是单个 对话线程（Thread）内，一旦开启新对话（更换 thread_id ），记忆即消失。
• 长期记忆（Long-term memory，跨会话级记忆 ）：在会话间存储用户特定或应用级数据， 并 在 会话线程间共享 。它可以随时在任何线程中被调用。记忆的范围是任意自定义命名空间，而不 仅仅是单一线程 ID。

2 记忆的管理

在LangChain v0.x版本中，通过专用的xxxMemory类管理记忆。

在LangChain v1.x版本中，Agent是构建在LangGraph图结构之上的，通过上文提到的state和store构 建记忆系统。使用更简单、功能更统一。

state：短期记忆对象，以 会话 为单位组织，包含当前会话的所有消息记录以及自定义信息。

store：长期记忆对象， 跨会话持久化 的数据，通常需要结合向量数据库或外部存储实现