前面我们讲的智能体都是没有记忆的，也就是前面问的话，后面第二次聊天调用就忘了，不能连接
Agent的记忆：
· 短期记忆（short-term memory）：当前任务或会话的上下文
· 长期记忆（long-term memory）：跨任务或会话的经验与知识
一、短期记忆 -- 内存存储
在LangChain短期记忆是通过AgentState实现的，而会话历史（也就是消息列表）是AgentState的一部分。
LangChain提供了Checkpointer对象来保存AgentState，每一次用户与AI的交互都会生成一个快照，记录为一个Checkpoint。可以回退到任意一次对话的位置，同一会话的多个Checkpoint形成一个组，用同一个thread_id来标记
接下来就是创建短期记忆了，依旧到了熟悉的步骤：读langchain官方文档
这就是官方给出的短期记忆的文档，我来拆解一下，首先就是引入一个包，然后在创建的agent里示例化一个checkpointer对象用来存储当前agent的短期记忆，再创建编号，在每一段相同话题的对话的时指定引入这个编号
from langchain_core.messages import HumanMessage thread_config = {"configurable": {"thread_id": "1"}} response = agent.invoke( {"messages": [HumanMessage(content="西安的天气怎么样")]}, thread_config, )["messages"][-1].content print(response) response = agent.invoke( {"messages": [HumanMessage(content="我刚刚问的是哪个地方的天气")]}, thread_config, )["messages"][-1].content print(response)回答：
西安今天天气晴朗，气温 25°C，挺舒适的，适合外出活动。
您刚刚问的是**西安**的天气。 西安今天是晴天，气温 25°C。
二、短期记忆 -- 持久存储
短期记忆都是把对话存储在内存的，如果内存不够就会溢出，所以大多情况下都会用数据库存储代替内存存储短期记忆。
还是读langchain文档短期记忆的In production的部分，有很多的数据库存储方法，我用sqlite举例阅读文章后拆解步骤就是：
· 导入依赖
· 初始化checkpointer
· 自动建表
· 创建Agent，指定checkpointer
import sqlite3 from langgraph.checkpoint.sqlite import SqliteSaver #连接sqlite connection = sqlite3.connect("./checkpoint.db",check_same_thread=False) #初始化checkpointer checkpointer = SqliteSaver(connection) #给checkpointer建表 checkpointer.setup() #创建Agent agent = create_agent( model=llm, tools=[get_weather], checkpointer=checkpointer ) config = {"configurable": {"thread_id": "2"}} response1 = agent.invoke( {"messages":[HumanMessage(content="今天上海天气怎么样")]}, config )["messages"][-1].content print(response1) response1 = agent.invoke( {"messages":[HumanMessage(content="我刚刚问的是哪个地区的天气")]}, config )["messages"][-1].content三、记忆管理策略
1、方法策略
多轮对话会导致消息越来越多，最终超出模型的上下文限制（DeepSeek的上下文不能超过128k），LangChain提供了一些记忆管理的策略来解决这个问题，包括：修剪、删除、总结摘要、自定义（如根据用户的问题筛选历史消息）
修剪：拿到消息历史后，先移除前N条或后N条消息，再调用模型。有记忆消失的风险
删除：永久删除AgentState的快照，回滚不了，风险大
总结摘要：先总结历史消息中的早期消息，得到消息摘要。用消息摘要和最近的消息形成消息列表，再调用模型
2、具体实现（看langchain官网文档）
具体参数看文档解释
from langchain.agents import create_agent from langchain.agents.middleware import SummarizationMiddleware from langgraph.checkpoint.memory import InMemorySaver from langchain_core.runnables import RunnableConfig from langchain_core.messages import HumanMessage from langchain.chat_models import init_chat_model from langchain.tools import tool from dotenv import load_dotenv import os llm = init_chat_model( model="deepseek-chat", model_provider="openai", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com", temperature = 0.7 ) @tool def get_weather(location:str)->str: """ 获取天气 """ return f"{location}的天气是晴朗" checkpointer = InMemorySaver() agent = create_agent( model=llm, tools=[get_weather], middleware=[ SummarizationMiddleware( model=llm, trigger=("messages", 3), keep=("messages", 1) ) ], checkpointer=checkpointer, ) config: RunnableConfig = {"configurable": {"thread_id": "1"}} agent.invoke({"messages": [HumanMessage(content='我喜欢的动物是小猫。')]}, config) agent.invoke({"messages": [HumanMessage(content='我喜欢的运动是游泳。')]}, config) agent.invoke({"messages": [HumanMessage(content='我的名字叫张飞?')]}, config) final_response = agent.invoke({"messages": "你认识我吗？"}, config) final_response["messages"][-1].pretty_print()回答：你好，张飞！是的，我记得你的信息——你喜欢小猫，也喜欢游泳。😊
