内容很长，收藏起来，未来可能用得上哦

大家好！欢迎来到但问智能的公开课堂。在上一讲中，我们探讨了智能体的基础架构与工具调用。今天，我们将进入一个非常关键且有趣的话题——记忆体。

你是否曾想过，如何让智能体像人一样，随着交互次数的增加而变得越来越聪明？在企业级应用中，用户往往期望智能体能够记住过往的对话历史、用户偏好或关键信息，从而实现更精准、个性化的服务。这一切，都离不开“记忆”。

一、什么是记忆？为什么它如此重要？

记忆是智能体变得“聪明”的核心机制之一。我们可以把记忆分为两大类：

·短期记忆：指的是在当前会话（或线程）内记住的信息。比如在一个对话中，你告诉智能体“我叫小明，在北京工作”，它会在本次对话中记住这些信息，并在后续回答中调用。

·长期记忆：指的是跨会话、跨线程的记忆能力。即使你开启新的对话，智能体依然能记住你之前告诉它的关键信息，比如你的身份、喜好或历史查询记录。

为什么需要这样区分？因为如果把所有聊天记录都一股脑塞给大模型，不仅低效，还可能超出模型的上下文限制。真正的智能记忆，是选择性地记住关键信息。

二、短期记忆：会话内的记忆管理

在LangChain和LangGraph中，实现短期记忆非常简单。我们可以使用 create_agent 配合 InMemorySaver 来存储当前会话的历史记录。下面是一个简单的示例：

pythonfrom langchain.agents import create_agentfrom langgraph.checkpoint import InMemorySaver # 创建智能体agent = create_agent(    llm=llm,    tools=[weather_tool],    checkpoint=InMemorySaver()) # 用户对话config = {"thread_id": "user_001"}response = agent.invoke("你好，我叫小明，我在北京工作。", config)response = agent.invoke("帮我查一下所在城市的天气。", config)

在这个例子中，智能体会记住用户在第一句话中提到的“北京”，并在查询天气时自动定位到北京。但如果你更换 thread_id 为 user_002，它就不会记得之前的信息了。

三、长期记忆：跨会话的智能记忆

长期记忆的实现更为复杂，也更为强大。它不仅仅是存储所有历史记录，而是有选择地存储关键信息，比如用户明确说“请记住我是……”这样的内容。

在LangGraph中，我们可以使用 PostgresStore 或其他向量数据库来实现长期记忆。系统会在对话中识别出需要长期保存的信息（例如带有“记住”“喜欢”“我是”等关键词的句子），并将其存入向量数据库中。下次用户再次对话时，系统会先从数据库中检索相关记忆，再结合当前上下文生成回答。

这样，智能体就能够实现跨会话的记忆延续，真正成为一个“越用越聪明”的助手。

四、实战：从内存存储到持久化存储

在实际生产环境中，我们通常需要将记忆持久化存储，以便服务重启后依然能保留记忆。LangGraph支持多种存储后端，例如 PostgreSQL、MySQL 等，你甚至可以根据自己的需求进行二次开发。

以下是一个使用 PostgreSQL 作为记忆存储后端的示例：

pythonfrom langgraph.checkpoint import PostgresSaver checkpointer = PostgresSaver.from_conn_string("postgresql://user:pass@localhost/langgraph_db")agent = create_agent(llm=llm, tools=[tool], checkpoint=checkpointer)