记忆，让 Agent 从"工具"变成"助手"一个没有记忆的 Agent，每次对话都是从零开始。你告诉它你叫李雷、你是 Python 工程师、你喜欢动手实践——下次对话，它完全不记得。这不是 Bug，是架构缺失。LLM 本身没有持久记忆，每次调用都是无状态的。要让 Agent 记住事情，需要在架构层显式地存储、管理和读取记忆。这就是记忆管理模块要解决的问题。本篇从四个维度拆解 Agent 记忆：记忆类型的分类模型、上下文管理的三种策略、LangGraph 提供的两种记忆机制（checkpointer 和 store）、以及超长对话的自动压缩方案。四种记忆类型：从认知科学到工程实现借鉴认知科学对人类记忆的分类，Agent 的记忆也可以分为四层，每一层在 LangGraph 中都有对应的实现方式：┌──────────────────────────────────────────────────────────┐ │ 记忆层级 │ ├──────────────────────┬───────────────────────────────────┤ │ 感觉记忆 (Sensory) │ 当前 Turn 的 in-flight 消息 │ │ │ 生命周期：单次 LLM 调用 │ ├──────────────────────┼───────────────────────────────────┤ │ 工作记忆 (Working) │ 对话历史 MessageHistory（有限 K 轮）│ │ │ 实现：messages 列表注入 Prompt │ ├──────────────────────┼───────────────────────────────────┤ │ 情景记忆 (Episodic) │ 向量化/摘要化的历史片段 │ │ │ 实现：摘要压缩 + VectorStore 检索 │ ├──────────────────────┼───────────────────────────────────┤ │ 语义记忆 (Semantic) │ 长期存储的用户偏好、事实 │ │ │ 实现：LangGraph store (KV Store) │ └──────────────────────┴───────────────────────────────────┘感觉记忆：当前 Turn 的消息最短暂的记忆。一次 LLM 调用的输入和输出，用完即弃：q="Python 中 len([1, 2, 3]) 等于多少"answer=llm.invoke([HumanMessage(q)])# answer.content → "len([1, 2, 3]) 的结果等于 3。"# 这次 invoke 结束后，这个 answer 就消失了不需要任何机制来"管理"感觉记忆——它是 LLM 调用本身。工作记忆：有限的对话历史把之前几轮对话消息拼接进 Prompt，是最直接的记忆实现。效果立竿见影：history=[HumanMessage("我叫李雷，是一名 Python 工程师"),AIMessage("你好，李雷！很高兴认识你。"),HumanMessage("我最近在学习 LangGraph"),AIMessage("LangGraph 很强大，特别适合构建有状态的 Agent。"),]test_q="我之前告诉你我叫什么名字？"实测对比：有历史 → "是的，你之前告诉我你的名字是李雷，并且你是一名 Python 工程师..." 无历史 → "抱歉，我无法回忆起您之前告诉我的名字，因为作为一个 AI，我没有 持久的记忆功能来存储个人数据..."差距非常直观。工作记忆的限制是 Token 成本随对话长度线性增长，需要结合截断或摘要来管理。情景记忆：摘要化的历史片段当对话历史很长时，把全部历史直接塞进 Prompt 代价太高。情景记忆的做法是先压缩，再存储：long_history=history*4# 16 条消息summary=llm.invoke([SystemMessage("将以下对话压缩为 60 字以内的摘要，保留关键信息"),HumanMessage(str([m.contentforminlong_history])),])# → "李雷，Python工程师，积极学习LangGraph，赞其强大，适合构建有状态Agent。"16 条消息压缩成 28 个字，下一轮用摘要代替原始历史，Token 消耗大幅下降。语义记忆：跨会话的用户事实最持久的记忆层。不随对话结束而消失，专门存储关于用户的长期事实（姓名、职业、偏好等）：# 把用户信息存入 KV Store，下一次会话直接读取user_profile={"name":"李雷","role":"Python 工程师","interests":["LangGraph","Agent 开发"],"level":"中级",}# 基于这些信息，Agent 能给出个性化的回答# "下一步学习方向
Agent系列（六）：记忆管理——让 Agent 记住重要的事
记忆，让 Agent 从"工具"变成"助手"一个没有记忆的 Agent，每次对话都是从零开始。你告诉它你叫李雷、你是 Python 工程师、你喜欢动手实践——下次对话，它完全不记得。这不是 Bug，是架构缺失。LLM 本身没有持久记忆，每次调用都是无状态的。要让 Agent 记住事情，需要在架构层显式地存储、管理和读取记忆。这就是记忆管理模块要解决的问题。本篇从四个维度拆解 Agent 记忆：记忆类型的分类模型、上下文管理的三种策略、LangGraph 提供的两种记忆机制（checkpointer 和 store）、以及超长对话的自动压缩方案。四种记忆类型：从认知科学到工程实现借鉴认知科学对人类记忆的分类，Agent 的记忆也可以分为四层，每一层在 LangGraph 中都有对应的实现方式：┌──────────────────────────────────────────────────────────┐ │ 记忆层级 │ ├──────────────────────┬───────────────────────────────────┤ │ 感觉记忆 (Sensory) │ 当前 Turn 的 in-flight 消息 │ │ │ 生命周期：单次 LLM 调用 │ ├──────────────────────┼───────────────────────────────────┤ │ 工作记忆 (Working) │ 对话历史 MessageHistory（有限 K 轮）│ │ │ 实现：messages 列表注入 Prompt │ ├──────────────────────┼───────────────────────────────────┤ │ 情景记忆 (Episodic) │ 向量化/摘要化的历史片段 │ │ │ 实现：摘要压缩 + VectorStore 检索 │ ├──────────────────────┼───────────────────────────────────┤ │ 语义记忆 (Semantic) │ 长期存储的用户偏好、事实 │ │ │ 实现：LangGraph store (KV Store) │ └──────────────────────┴───────────────────────────────────┘感觉记忆：当前 Turn 的消息最短暂的记忆。一次 LLM 调用的输入和输出，用完即弃：q="Python 中 len([1, 2, 3]) 等于多少"answer=llm.invoke([HumanMessage(q)])# answer.content → "len([1, 2, 3]) 的结果等于 3。"# 这次 invoke 结束后，这个 answer 就消失了不需要任何机制来"管理"感觉记忆——它是 LLM 调用本身。工作记忆：有限的对话历史把之前几轮对话消息拼接进 Prompt，是最直接的记忆实现。效果立竿见影：history=[HumanMessage("我叫李雷，是一名 Python 工程师"),AIMessage("你好，李雷！很高兴认识你。"),HumanMessage("我最近在学习 LangGraph"),AIMessage("LangGraph 很强大，特别适合构建有状态的 Agent。"),]test_q="我之前告诉你我叫什么名字？"实测对比：有历史 → "是的，你之前告诉我你的名字是李雷，并且你是一名 Python 工程师..." 无历史 → "抱歉，我无法回忆起您之前告诉我的名字，因为作为一个 AI，我没有 持久的记忆功能来存储个人数据..."差距非常直观。工作记忆的限制是 Token 成本随对话长度线性增长，需要结合截断或摘要来管理。情景记忆：摘要化的历史片段当对话历史很长时，把全部历史直接塞进 Prompt 代价太高。情景记忆的做法是先压缩，再存储：long_history=history*4# 16 条消息summary=llm.invoke([SystemMessage("将以下对话压缩为 60 字以内的摘要，保留关键信息"),HumanMessage(str([m.contentforminlong_history])),])# → "李雷，Python工程师，积极学习LangGraph，赞其强大，适合构建有状态Agent。"16 条消息压缩成 28 个字，下一轮用摘要代替原始历史，Token 消耗大幅下降。语义记忆：跨会话的用户事实最持久的记忆层。不随对话结束而消失，专门存储关于用户的长期事实（姓名、职业、偏好等）：# 把用户信息存入 KV Store，下一次会话直接读取user_profile={"name":"李雷","role":"Python 工程师","interests":["LangGraph","Agent 开发"],"level":"中级",}# 基于这些信息，Agent 能给出个性化的回答# "下一步学习方向
