文章介绍LangGraph商品定价智能体的两大核心技术：上下文状态作为工作流中共享的中央数据结构，记录节点状态并引导决策；记忆系统分为短期记忆（单次会话）和长期记忆（跨对话持久化信息），分别解决"当前任务"和"未来决策"。这两大技术使智能体具备多轮对话连续性和跨会话学习能力，从一次性问答工具进化为可控、可解释的业务决策系统。
前言
上一篇我们重点讲解基于LangGraph的商品定价智能体的整体搭建，技术涵盖：意图识别、工具抽取+链式调用。
今天，我们将更进一步，来认识一下智能体内部运作的灵魂之地，两个至关重要的概念：上下文状态和长、短期记忆，他们是如何让智能体拥有“记住你、理解你、随时间变化”的能力。今天，我们将围绕以下三个核心脉络展开深度讲解：
- Why：当前智能体在处理复杂任务时遇到的核心问题。
- How：引入解决问题的两大关键技术。
- Summary：架构加载两大核心技术
问题
1
核心问题
在现实日常对话中，通常我们会是这样提问
“帮我看看这辆车大概值多少钱”
而我们的系统需要知道关于车的以下几个状况：
哪一年的车？
行驶里程多少？
在哪个品牌？
是否有事故 / 改装？
这种情况下，我们可能需要进行多轮的一个追问，才能得到我们想知道的答案，这个时候就需要**记忆**来辅助程序，通过记忆来实现多轮次用户信息补充，收集高价值信息，比如：2021年购买新车？
1万公里”
宝马320
以此多轮获取的信息，加入提示词工程，针对当前用户的问题，给大模型提供更精准的信息，使得模型回复也更精准。
然而，这个里面还有一个问题就是，我们在拆解了问题之后，LangGraph架构中有很多节点执行，针对执行不同节点产生的结果，就需要有一个**上下文工作台**来记录， 每一个节点的状态变更，执行日志都需要通知到下一个节点来实时更新执行结果，让整个智能体链路的执行都能有迹可循。2
上下文信息管理
上下文信息管理，可以简单理解为整个工作流中共享和维护的中央数据结构。LangGraph架构中的State是智能体的大脑信息存储物里单元。例如：
{ "current_sku": "奔驰C200", "city": "上海", "mileage": 34300, "pricing_mode": "market", "step": "waiting_mileage" }它会随着对话动态更新，实现：
1. 能记住上一步做了什么
2.能判断缺哪个参数
3.能决定下一步走向
这让多轮对话真正“像人一样”进行推理，在系统的交互过程中，我们也需要针对上游业务传递一些数据的时候，上下文也能进行透传。在工作流执行期间，如果我们想对某一步进行回滚、中断，也必须通过State进行操作，才能完成比如：Human-in-the-loop指令消息等一系列的工作。3
记忆解决消息填充
通常情况下，我们会把记忆分为：**短期记忆、长期记忆。**但我觉得这样，我们无法分清具体的业务含义。我更喜欢把短期记忆描述为：**一个会话的多轮问答。**而长期记忆描述为：跨对话持久化有价值的信息。
在这里短期记忆，我们要注意的是提示词携带的历史消息，不能太多，容易超过大模型限制的长度，那就只能针对当前会话的历史消息做总结、压缩，用最少的字，概括当前会话的所有内容。 而长期记忆的规则，需要针对不同的业务场景做定制化的开发，但一般情况下我们基本都需要保存以下几个维度的信息，并且要实时的更新：- 用户画像
- 重复性话题
- 点赞的，点踩的
- 业务需要的知识点
短期记忆：当前任务服务
短期记忆解决的是：“我现在在干什么？”
它通常包含：
当前关注的商品（current item）
尚未补齐的参数
正在执行到哪一步
用户刚刚的意图修正
其特点为：
1.单次会话
2.存储位置
3.强依赖执行流程
长期记忆：未来决策服务
长期记忆解决的是：“我以前了解过用户的画像有那些维度的？”
在商品定价场景中，长期记忆极其关键。那些需要存呢？
1.用户维度
常查品类
偏好定价方式
历史成交价
2.商品维度
历史估值
行情变化趋势
价格波动区间
3.企业规则
城市折价系数
新能源特殊规则
库存清仓策略
长期记忆一定是存储“高价值信息”的，需要把信息进行结构化存储到数据库中，以便未来我们在进行跨对话沟通时，即时检索用户画像信息，补充到提示词工程，让模型的回答更贴合生活。
4
LangGraph架构加装两大核心
当我们的智能体加入上下文和记忆后，我们的智能体不会出现下面的问题：
用户提问：
“那台奔驰C，跑了三万多”
模型反问：
“请问是哪台奔驰？
01
LangGraph的上下文状态
前面我们已经描述了,关于状态的使用，在LangGraph中,上下文状态是通过StateGraph类来实现的。
**1.定义状态：**你需要定义一个Python TypedDict或 Pydantic模型来表示你的状态,指定状态中包含哪些键及其对应的值类型。
class AgentState(TypedDict): # 用户的原始输入 user_query: str # LLM的推理结果或中间思想 llm_output: str # 工具调用请求（如：函数名称和参数） tool_calls: list[ToolCall] # 工具执行后的结果 tool_results: dict # 流程是否应该结束的标志 should_end: bool**2.合并函数：**LangGraph提供了多种内置的合并策略(如追加列表、覆盖字典)或允许你自定义合并函数，以控制新旧数据如何整合。
02
LangGraph的记忆
针对短期记忆，是依赖于State来实现的
class AgentState(TypedDict): #历史消息 history_context: List[dict]针对历史消息，我们存储的是消息对，就是一问一答的历史消息，在真实的场景中一般都是5-10轮效果最好，这个需要注意的点。
针对长期记忆，需要连接到外部数据库（如向量数据库）。它负责将外部持久化知识检索出来，拼接到会话的提示词工程中，这里需要注意，针对长期记忆，需要进行即时更新，避免数据是旧的，这里需要添加元数据作为区分。比如：时间、版本之类的。
AI时代，未来的就业机会在哪里？
答案就藏在大模型的浪潮里。从ChatGPT、DeepSeek等日常工具，到自然语言处理、计算机视觉、多模态等核心领域，技术普惠化、应用垂直化与生态开源化正催生Prompt工程师、自然语言处理、计算机视觉工程师、大模型算法工程师、AI应用产品经理等AI岗位。
掌握大模型技能，就是把握高薪未来。
那么，普通人如何抓住大模型风口？
AI技术的普及对个人能力提出了新的要求，在AI时代，持续学习和适应新技术变得尤为重要。无论是企业还是个人，都需要不断更新知识体系，提升与AI协作的能力，以适应不断变化的工作环境。
因此，这里给大家整理了一份《2025最新大模型全套学习资源》，包括2025最新大模型学习路线、大模型书籍、视频教程、项目实战、最新行业报告、面试题等，带你从零基础入门到精通，快速掌握大模型技术！
由于篇幅有限，有需要的小伙伴可以扫码获取！
1. 成长路线图&学习规划
要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。这里，我们为新手和想要进一步提升的专业人士准备了一份详细的学习成长路线图和规划。
2. 大模型经典PDF书籍
书籍和学习文档资料是学习大模型过程中必不可少的，我们精选了一系列深入探讨大模型技术的书籍和学习文档，它们由领域内的顶尖专家撰写，内容全面、深入、详尽，为你学习大模型提供坚实的理论基础。（书籍含电子版PDF）
3. 大模型视频教程
对于很多自学或者没有基础的同学来说，书籍这些纯文字类的学习教材会觉得比较晦涩难以理解，因此，我们提供了丰富的大模型视频教程，以动态、形象的方式展示技术概念，帮助你更快、更轻松地掌握核心知识。
4. 大模型项目实战
学以致用，当你的理论知识积累到一定程度，就需要通过项目实战，在实际操作中检验和巩固你所学到的知识，同时为你找工作和职业发展打下坚实的基础。
5. 大模型行业报告
行业分析主要包括对不同行业的现状、趋势、问题、机会等进行系统地调研和评估，以了解哪些行业更适合引入大模型的技术和应用，以及在哪些方面可以发挥大模型的优势。
6. 大模型面试题
面试不仅是技术的较量，更需要充分的准备。
在你已经掌握了大模型技术之后，就需要开始准备面试，我们将提供精心整理的大模型面试题库，涵盖当前面试中可能遇到的各种技术问题，让你在面试中游刃有余。
为什么大家都在学AI大模型？
随着AI技术的发展，企业对人才的需求从“单一技术”转向 “AI+行业”双背景。企业对人才的需求从“单一技术”转向 “AI+行业”双背景。金融+AI、制造+AI、医疗+AI等跨界岗位薪资涨幅达30%-50%。
同时很多人面临优化裁员，近期科技巨头英特尔裁员2万人，传统岗位不断缩减，因此转行AI势在必行！
这些资料有用吗？
这份资料由我们和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理，现任上海殷泊信息科技CEO，其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证，服务航天科工、国家电网等1000+企业，以第一作者在IEEE Transactions发表论文50+篇，获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目，无论你是小白还是有些技术基础的技术人员，这份资料都绝对能帮助你提升薪资待遇，转行大模型岗位。
大模型全套学习资料已整理打包，有需要的小伙伴可以
微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】
