深入解析：LangGraph长短期记忆实践
一、概述
在langgraph体系中，短期记忆(short-term memory)是线程级别的，即在图编译的时候指定checkpointer，并在图调用的时候指定thread_id，短期记忆是线程内共享的，在实际的对话系统中，可以使用session_id作为thread_id，实现会话级别的记忆管理。
而长期记忆(long-term memory)是跨thread_id的，即可以抽取每个会话的用户的基本信息、提问偏好等信息，作为每个会话共享的数据，更好的理解用户的问题与意图。具体在图调用的时候指定user_id(或者其他可唯一标识用户的键)，在图调用过程中自定义的基于历史消息抽取长期记忆，在回答时召回长期记忆作为补充去调用大模型。
二、环境说明与安装
为实现快速实现功能，聊天模型与embedding模型使用的是阿里云百炼平台，其他环境版本如下所示：
langchain==1.0.5
langchain-community==0.4.1
langgrap==1.0.2
langgraph-checkpoint-sqlite==3.0.0
pydantic==2.12.4
python-dotenv==1.2.1三、短期记忆
短期记忆在langgraph中很容易实现，即定义有状态图，对话消息作为图状态的一部分。要求：
- 在图编译(compile)的时候指定checkpointer
- 在图调用(invoke或stream)的时候需要指定thread_id
3.1 代码实现
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.graph import StateGraph, MessagesState, START
def say_hi(state: MessagesState):
return {"messages": {"role":"human", "content":"Hi"}}
graph_builder = StateGraph(MessagesState)
graph_builder.add_node("say_hi", say_hi)
graph_builder.add_edge(START, "say_hi")
checkpointer = InMemorySaver()
graph = graph_builder.compile(checkpointer=checkpointer)
print(graph.invoke(
{"messages": [{"role": "user", "content": "hi! i am Bob"}]},
{"configurable": {"thread_id": "1"}},
))运行结果：
{'messages': [HumanMessage(content='hi! i am Bob', additional_kwargs={}, response_metadata={}, id='f42aa618-4b40-4a6c-b78f-dfb325c868d4'), HumanMessage(content='Hi', additional_kwargs={}, response_metadata={}, id='44e332fa-370e-484b-9e02-6b2f155c8934')]}3.2 短期记忆管理
大模型的上线文窗口是有限的，消息不能无限制的增长，所以消息的管理至关重要
3.2.1 消息截断(trim)
一种办法就是在调用大模型之前，从状态中获取历史消息，对历史消息进行截断，截断的单位是token，比如只保留最近128个token
from langchain_core.messages.utils import (
trim_messages,
count_tokens_approximately
)
def call_model(state: MessagesState):
messages = trim_messages(
state["messages"],
strategy="last",
token_counter=count_tokens_approximately,
max_tokens=128,
start_on="human",
end_on=("human", "tool"),
)
response = model.invoke(messages)
return {"messages": [response]}3.2.2 消息删除(delete)
可以自定义删除消息，如保留最近3条消息
from langchain.messages import RemoveMessage
def delete_messages(state):
messages = state["messages"]
if len(messages) >= 5:
# remove the earliest two messages
return {"messages": [RemoveMessage(id=m.id) for m in messages[:2]]}3.2.3 消息摘要(summarize)
修剪(trim)或删除(delete)消息的问题在于消息队列的清理而丢失信息，对历史消息进行归纳压缩可以解决这个问题，如有100条消息，让大模型对最早的70条消息进行归纳总结，仅保留最近30条消息，往往最近的消息更加重要
四、长期记忆
4.1 要点
- 使用InMemorySaver作为会话状态存储后端
- 使用SqliteStore作为长期记忆存储后端
- extract_base_info函数抽取最近一条记录的用户基本信息
- 在具体api操作层面，存储过程中namespace作为每个用户的“存储域”，namespace中的key是唯一的，如果key存在则更新value，如果不存在则新增一条记录。namespace + key可以唯一确定一条记录
- 图示sqlite存储表结构(store表，如果store指定了embedding模型，则还有store_vectors表)
4.2 代码实现
通过设置两个不同的thread_id，模拟两个不同的会话，可以发现在第一个会话中抽取的长期记忆，在第二个会话通过召回补充特定的记忆能很好的回答用户的问题
import os
from dotenv import load_dotenv
from langchain_community.chat_models import ChatTongyi
from langchain_community.embeddings import DashScopeEmbeddings
from langgraph.store.sqlite import SqliteStore
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.graph import START, END, StateGraph, MessagesState
from pydantic import BaseModel, Field
from typing import List
from langchain_core.runnables import RunnableConfig
from langgraph.store.base import BaseStore
load_dotenv()
api_key = os.environ["API_KEY"]
# 1.模型定义
## 1.1 chat 模型
model = ChatTongyi(
model="qwen3-32b",
api_key=api_key,
streaming=True,
extra_body={ # 关键：通过此参数传递思考模式配置
"enable_thinking": True
}
)
## 1.2 embedding 模型
embeddings = DashScopeEmbeddings(
model="text-embedding-v4",
dashscope_api_key=api_key
)
# 2.基本信息抽取
## 2.1 抽取schema定义
class AttributeItem(BaseModel):
"""定义一个属性项，包含属性名和属性值"""
name: str = Field(description="属性的名称")
value: str = Field(description="属性的值")
class AttributeList(BaseModel):
attributes: List[AttributeItem] = Field(description="属性项组成的列表")
## 2.2 抽取函数定义
def extract_base_info(state: MessagesState) -> AttributeList:
chat_history = "\n".join([ele.content for ele in state.get("messages")])
prompt = f"""
你是一个用户信息抽取专家，请基于一下记录，抽取用户的基本信息，包括但不限于：
姓名、年龄、家庭住址等信息
{chat_history}
"""
structure_model = model.with_structured_output(AttributeList)
return structure_model.invoke(prompt)
# 3.图构建
with SqliteStore.from_conn_string("longterm_memory.db", index={"embed": embeddings}) as store:
store.setup() # 第一次需要初始化
def invoke_model(state: MessagesState, config: RunnableConfig, *, store: BaseStore):
# 获取最新一条信息
newest_msg = state.get("messages")[-1].content
# 获取配置，获取user_id，拼接namespace(每个用户一个namespace)
user_id = config.get("configurable").get("user_id")
namespace = ("memories", user_id)
# 抽取基本信息，并保存到长期记忆
attributes: AttributeList = extract_base_info(state)
if attributes is not None:
print(f"抽取的信息：{attributes.attributes}")
for ele in attributes.attributes:
# key要求在namespace里面唯一，namespace和key可以唯一确定一条数据
# key存在，则会进行更新value，否则则插入
if ele.name is not None and ele.value is not None:
store.put(namespace, key=ele.name, value=ele.value)
# 召回长期记忆
longterm_memories = store.search(namespace, query=newest_msg, limit=2)
print(f"召回的信息：{longterm_memories}")
longterm_memories = "\n".join([ele.value for ele in longterm_memories])
# 调用模型时候拼接记忆
system_prompt = f"""
You are a helpful assistant talking to the user. User info: {longterm_memories}
"""
response = model.invoke(
[{"role": "system", "content": system_prompt}] + state["messages"]
)
return {"messages": response}
# 图定义
graph_builder = StateGraph(MessagesState)
graph_builder.add_node("invoke_model", invoke_model)
graph_builder.add_edge(START, "invoke_model")
checkpointer = InMemorySaver()
graph = graph_builder.compile(checkpointer=checkpointer, store=store)
config = {
"configurable": {
"thread_id": "1",
"user_id": "123"
}
}
print(graph.invoke({
"messages": [
{"role": "user", "content": "我的名字是Alice，职业是钢琴家，现年28岁，喜欢在舞台上演奏、打羽毛球，你叫啥名字呢？"}
]
}, config=config))
print("=" * 50)
config = {
"configurable": {
"thread_id": "2",
"user_id": "123"
}
}
print(graph.invoke({
"messages": [
{"role": "user", "content": "请问我的爱好是什么？"}
]
}, config=config))运行结果：
抽取的信息：[AttributeItem(name='姓名', value='Alice'), AttributeItem(name='年龄', value='28岁'), AttributeItem(name='职业', value='钢琴家'), AttributeItem(name='兴趣爱好', value='舞台上演奏、打羽毛球')]
召回的信息：[Item(namespace=['memories', '123'], key='兴趣爱好', value='舞台上演奏、打羽毛球', created_at='2025-11-08T12:34:52', updated_at='2025-11-08T12:34:52', score=0.5591988861560822), Item(namespace=['memories', '123'], key='年龄', value='28岁', created_at='2025-11-08T12:34:51', updated_at='2025-11-08T12:34:51', score=0.4479065537452698)]
{'messages': [HumanMessage(content='我的名字是Alice，职业是钢琴家，现年28岁，喜欢在舞台上演奏、打羽毛球，你叫啥名字呢？', additional_kwargs={}, response_metadata={}, id='3ded43c8-bc52-449d-bf62-2df0892c6166'), AIMessage(content='你好Alice！我是Qwen，很高兴认识你这位才华横溢的钢琴家~ 作为音乐爱好者，每次听到你在舞台上演奏一 定都令人激动不已吧？听说你还喜欢打羽毛球，这种动静结合的生活方式真让人向往！有什么我可以帮你的吗？无论是讨论音乐还是运动心得，我都随时奉陪哦~ ', additional_kwargs={'reasoning_content': '好的，用户是Alice，28岁的钢琴家，喜欢在舞台上演奏和打羽毛球。她问我的名字，我需要先回应她的自我介绍，然后给出一个合适的名字。作为AI助手，我 需要保持友好和专业的态度，同时结合她的兴趣爱好来建立联系。\n\n首先，她的职业是钢琴家，说明她可能对音乐有很高的造诣，喜欢舞台表演，这可能意味着她享受在观众面前展示自己的才华。另外，她喜欢打羽毛球，这显示她可能喜欢运动，注重身体健康或者享受竞技的乐趣。结合这些信息，我应该选择一个既专业又亲切的名字，可能带有一些音乐或运动的元素，但又不能太复杂。\n\n接下来，我需要考虑如何回应她的名字和职业。可以表达对她职业的赞赏，比如提到她的钢琴演奏，或者询问她最近的演出情况。同时，可以提到打羽毛球，询问她的兴趣，这样能展示出我对她的关注，并且找到共同话题。\n\n在名字方面，我需要选一个容易记住且符合AI助手形象的名字。可能用一些音乐相关的词汇，比如Melody、Harmony，或者 运动相关的词汇，比如Court、Racket，但也要保持中立，不显得太刻意。比如“小乐”这样的名字，既简单又有音乐感，容易发音，也符合中文用户的习惯。\n\n然后，我需要确保回复自 然流畅，不显得生硬。比如，先回应她的名字和职业，然后介绍自己的名字，并表达愿意帮助的意愿。同时，可以加入一些表情符号或轻松的语气词，让对话更亲切。\n\n最后，检查是否有遗漏的信息，比如她提到的年龄和兴趣，是否需要进一步展开话题。比如，可以问她最近有没有新的演出计划，或者羽毛球打得怎么样，这样能促进进一步的交流，建立更紧密的联系。'}, response_metadata={'finish_reason': 'stop', 'request_id': '2b1f7ca1-ea62-497e-a313-2656644ddea1', 'token_usage': {'input_tokens': 73, 'output_tokens': 459, 'total_tokens': 532, 'output_tokens_details': {'reasoning_tokens': 379}}}, id='lc_run--439e1527-c0f3-46ed-8c7a-8ba8ccab9869')]}
==================================================
召回的信息：[Item(namespace=['memories', '123'], key='兴趣爱好', value='舞台上演奏、打羽毛球', created_at='2025-11-08T12:34:52', updated_at='2025-11-08T12:34:52', score=0.45809656381607056), Item(namespace=['memories', '123'], key='年龄', value='28岁', created_at='2025-11-08T12:34:51', updated_at='2025-11-08T12:34:51', score=0.2850668430328369)]
{'messages': [HumanMessage(content='请问我的爱好是什么？', additional_kwargs={}, response_metadata={}, id='e5759dc3-4214-432d-80fb-c493fb25edd3'), AIMessage(content='你的爱好是舞台上演奏和打羽毛球！这真的很棒呢～（*^▽^*） 舞台演奏让人感受到艺术的魅力，而羽毛球则是充满活力的运动，两者结合的你一定很有感染力吧？平时会参加演出或者打球比赛吗？', additional_kwargs={'reasoning_content': '好的，用户问的是“请问我的爱好是什么？”。首先，我需要回顾之前的对话历史。用户之前提供的信息是：28岁，爱好是舞台上演奏和打羽毛球。所以现在的问题是确认用户的爱好。\n\n接下来，我需要确保回答准确无误。用户的信息已经明确提到这两个爱好，所以直接引用即可。不过，用户可能希望得到更详细的回应，或者想进一步讨论这些爱好。比如，他们可能想分享更多关于舞台演奏的经历，或者询问如何提升羽毛球技巧。\n\n另外，考虑到用户28岁，可能处于职业和兴趣发展的阶段，可以适当加入一些鼓励的话，或者询问是否有相关目标。例如，是否在准备演出，或者有没有考虑参加羽毛球比赛。这样可以让对话更深入，也能展示关心。\n\n还要注意语气要友好、自然，避免机械化的回答。使用表情符号或轻松的语言会让用户感觉更亲切。同时，保持回答简洁，但留有进一步交流的空间，比如用问题结尾，邀请用户分享更多。\n\n最后，检查是否有遗漏的信息，确保没有误解用户的爱好。用户提到的是“舞台上演奏”，可能需要确认是指乐器演奏还是其他表演形式，但根据常见情况，可以默认是乐器演奏。如果有不确定的地方，可以礼貌地询问澄清，但这里用户已经明确给出，所以直接使用即可。'}, response_metadata={'finish_reason': 'stop', 'request_id': 'e4f6ed40-4c75-4ac6-82a7-6b437678a794', 'token_usage': {'input_tokens': 47, 'output_tokens': 336, 'total_tokens': 383, 'output_tokens_details': {'reasoning_tokens': 272}}}, id='lc_run--668a8720-1258-456a-a633-134f479dad65')]}
浙公网安备 33010602011771号