Agent 记忆
InMemorySaver · thread_id · 跨调用持久化

1 无记忆的 Agent：每次 invoke 都是全新对话

默认情况下，create_agent 创建的 Agent没有记忆。每次 agent.invoke() 都是完全独立的：Agent 不知道之前说过什么，也不知道用户叫什么名字。

agent = create_agent(deepseek_model())

# 第一次对话：告诉 Agent 我的名字和爱好
response1 = agent.invoke({
    "messages": [HumanMessage(content="Hello my name is Seán and my favourite colour is green")]
})
print(response1['messages'][-1].content)

# 第二次对话（独立的 invoke）：问 Agent 我的爱好
response2 = agent.invoke({
    "messages": [HumanMessage(content="What's my favourite colour?")]
})
print(response2['messages'][-1].content)

第二次调用时，Agent 完全不记得第一次对话——它不知道用户叫 Seán，也不知道最爱绿色。每次 invoke 都是一个全新的、无上下文的对话。

2 有记忆 vs 无记忆：直观对比

3 Checkpointer：LangGraph 的状态持久化机制

LangGraph 的记忆机制叫做 Checkpointer（检查点）。它的工作原理很简单：

• 每次 agent.invoke() 执行后，Checkpointer 把完整的 State（包括所有消息历史）保存到存储里
• 下次用相同的 thread_id 调用时，Checkpointer 先从存储里加载之前的 State
• 新的用户消息追加到已有的消息历史上，模型能"看到"所有历史对话

4 InMemorySaver：最简单的内存记忆方案

在 create_agent 里传入 checkpointer=InMemorySaver()，即可为 Agent 开启记忆功能：

from langgraph.checkpoint.memory import InMemorySaver
from langchain.agents import create_agent

agent = create_agent(
    deepseek_model(),
    checkpointer=InMemorySaver(),   # 开启内存记忆
)

光有 checkpointer 还不够——还需要通过 config 参数传入 thread_id，告诉 Agent 这次对话属于哪个"线程"（即哪个用户）。

5 thread_id：区分不同用户的对话上下文

thread_id 是对话的唯一标识符。同一个 thread_id 的多次 invoke 共享消息历史；不同 thread_id 的对话完全隔离，互不干扰。

# config 字典：指定这次 invoke 属于哪个线程
config = {"configurable": {"thread_id": "1"}}

# 第一次调用：告知名字和爱好
response1 = agent.invoke(
    {"messages": [HumanMessage(content="Hello my name is Seán and my favourite colour is green")]},
    config   # 传入 config
)

# 第二次调用：同一个 config（同一个 thread_id）
response2 = agent.invoke(
    {"messages": [HumanMessage(content="What's my favourite colour?")]},
    config   # 同一个 config = 同一个对话历史
)

print(response2['messages'][-1].content)

6 完整多轮对话演示

下面是完整的两轮对话代码，展示记忆在实际多轮对话中的工作效果：

from langgraph.checkpoint.memory import InMemorySaver
from langchain.agents import create_agent
from pprint import pprint

# 创建有记忆的 Agent
agent = create_agent(
    deepseek_model(),
    checkpointer=InMemorySaver()
)

config = {"configurable": {"thread_id": "1"}}

# 轮次 1：建立上下文
response1 = agent.invoke(
    {"messages": [{"role": "user", "content": "Hello my name is Seán and my favourite colour is green"}]},
    config
)

# 轮次 2：利用上下文
response2 = agent.invoke(
    {"messages": [{"role": "user", "content": "What's my favourite colour?"}]},
    config
)

# 查看第二次 invoke 的完整消息历史
for msg in response2["messages"]:
    pprint(msg.content)
    print()

注意消息历史包含了两次 invoke 的所有消息（共 4 条）。第二次调用时，Agent 看到了第一次对话里 Seán 提到的绿色，所以能正确回答。

7 记忆的局限性与生产环境方案

InMemorySaver 的局限

• 进程内存：数据存在 Python 进程的内存里，重启服务后消失
• 上下文窗口限制：随着对话变长，消息历史会增大，最终超出 LLM 的上下文窗口（大多数模型 8K-128K tokens）
• 无法跨进程共享：多个服务实例不能共享同一份记忆

生产环境记忆方案对比