咱就是说让 Agent 记住之前的对话内容，这事儿挺重要的。

不然你跟它聊了半天它还像个新手一样，啥dou不记得。

LangChain 这个框架就提供了记忆功Neng，挺好用的。

在 LangChain v1.2 版本里记忆机制被重构了。

现在用的是 LangGraph 的 Checkpointer 机制。

害，你就理解为它Neng给对话内容拍快照就行了。

代码示例：

from langgraph.checkpoint.memory import InMemorySaver
checkpointer = InMemorySaver
agent = create_agent
config = {"configurable": {"thread_id": "user_001"}}

这里的 thread_id 就像微信聊天窗口的唯一标识一样。

短期记忆就是同一会话内的多轮对话上下文缓存。

你跟 Agent 聊天它Neng记住之前的内容，不会一轮一轮地断掉。

但默认情况下Agent 每轮dou是“新开始”的。

说实话，这挺麻烦的，所以我们得开启记忆功Neng。

相对无记忆 Agent，只需三步：

. 初始化记忆引擎，比如 InMemorySaver 或 RedisSaver；

. 创建 Agent 时绑定这个记忆引擎；

. 配置会话，指定 thread_id。

from llm import llm from tools import tools from langchain.agents import create_agent from langgraph.checkpoint.memory import InMemorySaver checkpointer = InMemorySaver agent = create_agent( llm, tools, checkpointer=checkpointer, system_prompt="精准使用工具回答用户问题", ) config = {"configurable": {"thread_id": "user_001"}} res1 = agent.invoke print res2 = agent.invoke print

预期效果是：第二次调用时模型Neng准确回答“你叫小明”。

对话累积多了会超出模型上下文窗口，所以一般用窗口截断的方式，只保留Zui近 N 轮用户提问。

KEEP_ROUNDS = 3  # 保留Zui近 3 轮 user 提问
@wrap_model_call
def trim_window:
    messages = request.messages
    human_idxs = 
    if len> KEEP_ROUNDS:
        start = human_idxs
        messages = messages
    return handler)
agent = create_agent(
    llm, tools,
    checkpointer=checkpointer,
    middleware=,
    system_prompt="精准使用工具回答用户问题；记住用户提到的姓名、喜好等信息",
)

本地调试用 InMemorySaver 没问题，但上线必须换持久化存储，否则重启后记忆就没了。 用 Redis Zuo持久化存储挺不错的。 得安装 Redis Stack，因为 RedisSaver 依赖 RediSearch 模块。

docker pull redis/redis-stack-server:latest
docker run -d --name redis-stack -p 6379:6379 redis/redis-stack-server:latest
pip install langgraph-checkpoint-redis

RediSearch 模块有什么用呢？简单来说它Neng让 Redis 支持geng复杂的查询操作。

import os
from llm import llm
from tools import tools
from langchain.agents import create_agent
from langgraph.checkpoint.redis import RedisSaver
REDISURI = os.getenv
with RedisSaver.fromconnstring as checkpointer:
    checkpointer.setup
    agent = createagent
    config = {"configurable": {"threadid": "user001"}}
    res1 = agent.invoke
    res2 = agent.invoke
验证持久化效果：
第一次运行上述代码；
关闭 Python 进程，
运行，但只执行第二轮对话；
仍然Neng正确回答“小明”。
这样就说明记忆被成功持久化到 Redis 里了。
通过这些方法，我们就Neng让 Agent 真正拥有“记忆”Neng力，无论是客服机器人还是其他智Neng应用，douNeng因此变得geng智Neng、geng贴心。 
说白了就是给它装个“大脑”，让它Neng记住之前聊过的内容。 
你懂的，这样用户体验才会geng好。 
哈哈，总之 LangChain 的记忆机制还是挺强大的，用好它绝对Neng提升咱们的应用水平。
咱就是说用对了方法，让 Agent “记住”之前的对话，其实并不难。 
那篇文章写得不错，对 LangChain 的原理剖析得hen清楚。 
不是我说这玩意儿要是深入研究下去，还真有点意思。
好了今天就先聊到这儿吧，希望对大家有帮助！ 
拜拜~