说起来，

一、什么是 Agent 的记忆

这篇文章基于 LangChain 框架的 InMemoryChatMessageHistory 实现。从变量数据类型的粒度 Agent 记忆处理的底层机制。

二、记忆程序的主要数据结构

消息的观点是，记忆的基本单元

消息是构成对话历史的最小单元。在 LangChain 中，消息有多种类型。每种类型对应不同的角色和数据结构。

1. 消息基类结构

每条消息本质上是一个具有以下主要属性的对象：

2. 三种主要消息类型

. SystemMessage:

# 示例
const systemMessage = new SystemMessage;说起来，# type = 'system'
# 用途：定义 AI 的角色、行为准则和输出风格
# 生命周期：通常在对话开始时设置，贯穿整个会话
# 数据特征：content 为 string 类型。由开发者预设

. HumanMessage:

# 示例
const userMessage1 = new HumanMessage;# type = 'human'
# 用途：代表使用者输入的信息
# 数据特征：
## content：string 类型，使用者输入文本
## 可包含多媒体内容。此时 content 为数组类型

. AIMessage:

# 示例
const response1 = await model.invoke;// response1 是 AIMessage 实例
# type = 'ai'
# 用途：代表模型生成回复
# 数据特征：
## content：string 类型，模型输出文本
## additional_kwargs：可能包含 tool_calls 等
字段
## response_metadata：Record 类型。包含 token 使用量、完成原因等元数据

ChatMessageHistory：记忆容器

The InMemoryChatMessageHistory 是 LangChain 提供的一种内存级别实现，它把所有对话记录保存在进程内存里。它既能快速访问，又极易实现，但也正因为“只存在内存”。所以会遇到以下痛点：

• **易失性** - 进程重启后所有聊天记录立即消失。对于长期运行或高可用需求，这无疑是一大障碍。
• **容量受限** - 因为对话轮数增多，一次性缓存大量历史信息会导致内存使用爆炸甚至 OOM。在大型场景或多使用者并发时更为突出。
• **无法共享** - 单进程独占导致同一业务实例间无法共享历史，对跨服务部署提出挑战。
• **缺乏持久化保障** - 没有序列化到磁盘或云存储。一旦发生故障就无法恢复，也不支持离线分析与审计。
• **调试困难** - 内存中的状态难以跟踪和日志化，对问题定位造成障碍。
• **性能瓶颈潜伏点** - 虽然读写速度快。但如果需要频繁序列化/反序列化到数据库或者向量库，会产生额外 I/O 开销；当切换为持久化后仍需考虑索引与查询延迟。
*Please note that due to platform formatting limitations some nested lists may appear broken;intent is clear.*

---

--- ### 内部数据结构 scala class InMemoryChatMessageHistory extends BaseChatMessageHistory { private messages: BaseMessage; // 主要存储：消息数组 }

属性名	数据类型	说明
messages	BaseMessage	按时间顺序存储所有对话消息 按对话发生时间顺序线性存储 进程结束即丢失

主要方法签名

...

方法名	参数类型	返回值类型	作用
' />	' />	' />

---

三、记忆完整生命周期

从初始化来看，创建记忆容器

ini const history = new InMemoryChatMessageHistory;执行过程： 1️⃣ 调用构造函数 `new InMemoryChatMessageHistory` 2️⃣ 内部初始化空数组 `messages = ` 3️⃣ 返回 `InMemoryChatMessageHistory` 实例 此时内存状态的观点是。ini history: { messages : }

写入这方面，将消息存入记忆

ini const userMsg = new HumanMessage;await history.addMessage;执行流程： 1️⃣ 参数校验 – 检查传入是否为 `BaseMessage` 2️⃣ 追加操作 – `this.messages.push` 3️⃣ 异步返回 – 返回 `Promise` 从写入后的结构来看。ini history.messages =

说到读取，从记忆检索上下文

ini const messages1 =;流程：
• 返回 Promise.resolve
• 使用展开运算符 ... 展开数组并与程序消息拼接。

组合后的结果的观点是，

css messages1:

至于模型调用。记忆 + 推理

ini const response = await model.invoke;

• 接收 输入 → 输出
• 内部将完整上下文送入 LLM 推理。

从更新来看，回复写回记忆

csharp await history.addResponse;怎么说呢，

从更新后状态来看，

ini history.messages:

---

四、完整示例的数据流转分析

阶段	初始	第一轮	第二轮
步骤① 写入使用者信息
步骤② 拼接 + 程序信息	—	system+Human	system+Human+AI+Human
步骤③ 模型推理	—	AI 回复①	AI 回复②
步骤④ 写入回复	—	+AI①	+AI②

---

五、内存级别记忆优缺点概览

特性	说明	数据视角
& 强大速度 & 快速读写。无 I/O 开销 & Array 操作直接在 RAM 上完成
& 简单实现 & 基于原生数组，无需外部 DB 或缓存依赖 & 对象实例保留完整类信息
& 易失性 & 进程重启即丢失 & 无磁盘/云备份；适合短期任务但不适合长期会话记录或灾难恢复
& 容量受限 & 限制于可用 RAM；过长记录导致 OOM & BaseMesssage 数组无限增长导致性能下降/崩溃
& 单进程隔离 & 无共享机制，多实例间不能共用同一历史记录 & 缺乏跨服务共享能力；需自行同步/复制到共享介质
& 无持久化保障 & 对话历史无法保存，不支持离线分析或审计需求 & 缺少序列化/持久化方案，需要手动实现或切换至 Redis/Postgres 等持久层
& 调试难度高 & 难以追踪内存中的变化导致定位困难 & 日志捕获不直观。需要额外工具监控对象引用与变化

---

六、面向生产环境的 方向

持久化方案替代 InMemoryChat…

• 🗄️ RedisChatHistory 基于 Redis 的键值缓存，以 JSON 序列化字符串形式保存；适合横向 与高吞吐场景，
• 🗄️ PostgresChatHistory 关系型数据库表。其中 message 列采用 JSONB，可借助 PostGIS 或 pgvector 做向量检索。
• 🗄️ FileChatHistory 本地文件方式，通常为 JSON 格式；适合轻量级部署或日志归档。
• ⚙️ VectorStoreChat 将聊天内容先转成向量。再保存在专门向量数据库，如 Pinecone/Chroma；支持语义检索提高上下文质量。⛔️ 如果您只想保持简单且不考虑分布式，可直接保留 InMemory 并通过滑动窗口来剪裁过长记录

This is an example that uses JavaScript for toggling a custom UI component. It also looks at …，!#..‑‑‑，?“N/A，“–..—…...
­–
​ .

---