不过，

为什么需要记忆？

在 AI 应用开发中。我们必须面对一个残酷的真相：大语言模型本身是一个“金鱼脑”，它没有任何记忆功能。

大模型的底层 API本质上是无状态的。每一次 invoke 调用对它来说都是一次完全独立的、全新的运算。它绝对记不住上一秒你们聊了什么。

使用者痛点 1：无法保持上下文连续性，导致对话频繁中断。

• 你问: “你好，我叫小明。”
• AI 答: “很高兴认识你，小明。”
• 你紧接着问: “我叫什么名字？”
• AI 答: “我不知道你的名字，除非你告诉我。说起来，”

为了让 AI 看起来像是一个有记忆、能连贯交流的“人”。我们就必须引入记忆机制。

记忆的主要本质

简单讲的“记忆”。并不是大模型自己主动回想起来的，而是 Agen 框架在后台默默地把历史聊天记录存了下来。

User Pain Point 2：开发者手动维护长消息数组极其繁琐且易出错。

程序化管理三大痛点：

1. 手动拼接消息数组极其恶心，代码可读性差。
2. Token 超载导致报错与费用激增。
3. 短期会话失效后数据清零，需要持久化跨会话存储。

短期 vs 长期记忆

You may wonder: who defined short-term vs long-term memory?It’s not a LangChain invention;其实，it originates from cognitive psychology.

通用定义这方面。

• 短期记忆 = .
  • The working surface of LLM.
  • Limited by token cap;overrun leads to cost spikes and performance drop.
• 长期记忆 = 数据库 .
  • An infinite capacity store such as Vector DB,graph DB or relational DB.
  • The model retrieves relevant facts on-demand.

LangChain / LangGraph 在代码里的实现方式：

• 短期 = 跟随 .thread_id s 的流水账；持久化到数据库也是可以但仅在同一会话内可见。
• 长期 = 跨越 .thread_id s 的全局画像； 通过工具将信息写入/读取全局 Store。

短期记忆实现的观点是，Checkpointer

The core mechanism is Checkpointer.

主要概念的观点是。.thread_id

This ensures conversations don’t bleed into each or.

从失忆到拥有记忆示例代码：

agent = create_agent

agent.invoke]})

response = agent.invoke]})