15天学会AI应用开发（十八）使用LangGraph实现精确记忆功能

​上一篇文章介绍了如何使用LangGraph实现会话记忆功能，可是历史会话又多又杂，难以全部记忆，开发者更希望AI应用记住关键信息，比如用户喜欢什么、爱好什么等等。

对于AI应用的精确记忆需求，LangChain支持在调用create_agent时输入store参数，以指定数据存储方式，接下来介绍如何通过store参数存取用户的偏好信息。

一、创建智能体实例时的输入参数

上一篇文章调用create_agent时，仅用到了少数几个参数，为方便后续的函数引用，下面逐一说明create_agent的常见输入参数：

model：智能体推理所需的大模型实例。
tools：智能体可调用的工具集合，如计算器、搜索、数据库等。
system_prompt：智能体的提示词信息，可规定智能体的特定行为。
middleware：给智能体的执行链路挂载全局拦截处理器，在大模型调用、工具执行、消息流转的前后统一做切面处理，无需修改智能体的主要逻辑。可用于压缩历史记录、统一打印日志、过滤输入输出、限制请求流量、异常统一捕获等等。
context_schema：智能体会话的上下文信息，包括用户ID、租户信息、数据库连接、访问权限等等。
checkpointer：智能体的状态快照持久化管理器，可开启会话记忆、断点续跑、状态存档能力。不传该参数则智能体完全无状态，每轮调用后会清空所有历史对话与工具执行记录。
store：智能体的数据存储器，可长期记忆用户的业务数据。为InMemoryStore实例时，表示数据保存在内存中；为SqliteStore实例时，表示数据保存在Sqlite。
debug：是否打印调试日志。

二、存储工具Store的常见用法

不管InMemoryStore还是SqliteStore，都基于BaseStore，且拥有统一的存取方法，说明如下：

put：往指定键名存入对应的键值。
get：从指定键名获取对应的键值。
delete：删除指定键名及其对应的键值。
search：按照指定条件搜索对应的键名及其键值。

比如下面的代码就定义了存取用户偏好的两个工具方法：

from dataclasses import dataclass
from langchain.tools import tool, ToolRuntime

@dataclass
class Context:
    user_id: str

@tool
def remember_user_preference(
    key: str,
    value: str,
    runtime: ToolRuntime[Context]
) -> str:
    """记住用户的偏好设置"""
    user_id = runtime.context.user_id

    # 写入 Store
    runtime.store.put(
        ("users",user_id),           # namespace，名字空间
        user_id,              # key，键名
        {"preferences": {key: value}}  # value，键值
    )
    return f"已记住：{key} = {value}"

@tool
def get_user_preference(
    key: str,
    runtime: ToolRuntime[Context]
) -> str:
    """获取用户的偏好设置"""
    user_id = runtime.context.user_id

    # 从 Store 读取
    item = runtime.store.get(("users",user_id), user_id)
    if item:
        prefs = item.value.get("preferences", {})
        return prefs.get(key, "未设置")
    return "未找到用户信息"

三、使用InMemoryStore记住用户偏好

在命令行窗口执行下面命令，即可安装LangChain及其用到的Ollama插件，以及记忆功能需要的LangGraph：

pip install langchain langchain-core langchain-ollama langgraph

由于之前使用的离线大模型Qwen2:1.5B不支持tool工具调用，因此得下载支持tool工具调用的离线大模型Qwen2.5:3B，也就是在命令行窗口执行下面命令，即可下载大模型qwen2.5:3b：

ollama pull qwen2.5:3b

等待大模型下载完毕，在命令行窗口执行下面命令，即可启动Ollama并加载大模型：

ollama serve

在Python代码开头添加下面的导包语句，表示引入LangChain的智能体组件create_agent、人类消息组件HumanMessage、LangChain的大模型工具OllamaLLM，以及LangGraph的内存存储组件InMemoryStore：

from langchain.agents import create_agent
from langchain.messages import HumanMessage
from langchain_ollama import ChatOllama
from langgraph.store.memory import InMemoryStore

在OllamaLLM的构造方法中填写model参数，指定当前引用的离线大模型名称，如下：

llm = ChatOllama(model="qwen2.5:3b")  # 改成你本地的模型

然后编写下面的LangChain调用代码，先调用create_agent创建支持内存存取的智能体实例，再通过智能体实例的invoke实例调用离线大模型，示例代码如下：

# 用户提到喜欢什么东西时，会调用remember_user_preference工具；用户询问喜欢什么东西时，会调用get_user_preference工具。
agent = create_agent(
    model=llm,
    context_schema=Context,
    tools=[remember_user_preference, get_user_preference],
    system_prompt="当用户提到喜欢什么东西时，请调用remember_user_preference工具；当用户询问喜欢什么东西时，请调用get_user_preference工具。",
    store=InMemoryStore()
)

while True:
    user_input = input("用户：")
    if user_input in ["退出", "exit", "quit"]:
        print("对话结束")
        break

    # 调用离线大模型
    result = agent.invoke(
        {"messages": [HumanMessage(content=user_input)]},
        context=Context(user_id="user_123")
    )
    print(f"AI：{result['messages'][-1].content}\n")

运行上面的Python代码，根据提示先后输入问题内容“我喜欢绿色”、“我喜欢什么颜色？”，输出日志结果如下：

用户：我喜欢绿色
AI：你的最喜欢的颜色是绿色。如果你有其他偏好想要记住，随时告诉我哦！

用户：我喜欢什么颜色？
AI：你的喜欢的颜色是绿色。如果你有任何其他问题，或者需要帮助，请告诉我！

由日志信息发现，AI应用在第一个问答中得知用户喜欢绿色，在第二个问答中正确回忆起用户的偏好颜色。可见通过LangGraph的内存存储组件InMemoryStore，初步实现了用户偏好的精确记忆功能。

本系列的AI应用开发文章目录为《15天学会AI应用开发全目录（零基础小白，零Token消耗）》。​