前言

在基于 LangGraph 搭建大模型智能体、多轮对话应用时，记忆系统是核心刚需。很多开发者疑惑：用 LangGraph 还需要从零自研长短期记忆架构吗？Pre-Hook、Checkpointer 各自承担什么角色？消息截断、对话摘要又该如何嵌入记忆流程？

本文系统拆解 LangGraph 原生记忆底层逻辑，厘清核心组件分工、两种上下文瘦身模式、完整对话记忆流转流程，帮你彻底吃透 LangGraph 记忆体系，告别重复造轮子。

一、核心定论：LangGraph 可省略自研记忆系统

LangGraph 原生封装了短期多轮对话记忆与长期跨会话记忆能力，开发者无需从零搭建记忆存储、加载、上下文管理架构：

1. 同会话多轮短期记忆：框架开箱即用，仅配置检查点即可自动维系对话上下文；
2. 跨会话长期记忆：官方提供标准 Store 接口，对接 Redis、MongoDB 等数据库即可快速落地；
3. 上下文超长瘦身：原生支持 trim_messages 截断、summarization_node 摘要两种主流方案，通过 Pre-Hook 无缝嵌入执行流程。

只需聚焦业务智能体逻辑，底层记忆读写、持久化、上下文裁剪全由框架托管。

二、两大核心组件：Pre-Hook 与 Checkpointer 分工

1. Checkpointer：短期记忆专属「存储仓库」

Checkpointer 是 LangGraph 短期记忆的持久化写入核心，核心职责：

• 智能体每轮执行完毕后，自动将当前对话状态、消息历史、上下文数据进行保存；
• 支持多存储适配：开发环境用 InMemorySaver 内存存储，生产环境无缝切换 SQLite、PostgreSQL 等持久化存储；
• 依托 thread_id 作为会话唯一标识，隔离不同用户、不同会话的记忆数据。

简单理解：Checkpointer 只负责「存」，是记忆的持久化容器。

2. Pre-Hook：短期记忆专属「加载处理器」

Pre-Hook（你提及的 pre_mode_hook 为场景化俗称）是每轮智能体执行前置钩子，核心职责：

• 每次调用智能体前，根据 thread_id 从 Checkpointer 中读取加载历史对话记忆；
• 加载记忆后，执行上下文预处理：消息截断或对话摘要，解决上下文超长、Token 溢出问题；
• 把处理后的干净上下文注入智能体状态，保障多轮对话无缝接续。

简单理解：Pre-Hook 只负责「读 + 预处理」，是记忆的加载与瘦身入口。

3 记忆基础流转闭环

plaintext

用户输入消息 
→ Pre-Hook 加载历史记忆 + 预处理瘦身 
→ 智能体核心业务节点执行 
→ 执行结束 Checkpointer 自动保存最新对话状态

三、Pre-Hook 两大上下文处理模式

当多轮对话累积消息过多，超出 LLM 上下文窗口限制时，Pre-Hook 支持两种成熟的记忆瘦身模式，可按需选型。

模式一：trim_messages 消息截断模式

核心原理

采用固定规则截断，保留最近指定条数、指定 Token 阈值的对话消息，老旧消息直接丢弃。

优缺点

• 优点：逻辑简单、执行速度快、无额外 LLM 调用成本；
• 缺点：会丢失早期对话关键信息，适合简单闲聊、轻量化对话智能体。

适用场景

客服问答、普通多轮闲聊、低延迟刚需的轻量智能体。

模式二：summarization_node 对话摘要模式

核心原理

不直接丢弃老旧消息，调用 LLM 对历史对话进行浓缩摘要，最终只保留「历史摘要 + 最新几轮实时消息」。

优缺点

• 优点：最大限度保留全局对话信息，节省 Token 同时不丢失关键上下文；
• 缺点：需要额外调用 LLM 生成摘要，有少量耗时与 Token 消耗。

适用场景

专业问答、任务型智能体、长流程业务对话、需要长期上下文关联的场景。

四、LangGraph 长短期记忆完整定位

1. 短期记忆依托 Checkpointer + Pre-Hook 组合，基于 thread_id 实现同一会话多轮上下文自动读写、持久化、预处理，全程无需手动管理消息列表。

2. 长期记忆基于 LangGraph 原生 Store 接口，实现跨会话、跨设备、跨时间的用户记忆沉淀（用户偏好、个人信息、历史业务记录等），支持 InMemoryStore、RedisStore、MongoDBStore 等快速接入，只需实现基础配置即可使用，无需自研存储检索逻辑。

五、什么时候需要自定义开发？

绝大多数业务场景用原生能力即可，仅以下情况需少量定制，不用重构整套记忆系统：

1. 自定义消息裁剪规则：按业务场景定制保留策略、过滤无效系统消息；
2. 定制摘要逻辑：指定摘要风格、只摘要特定类型对话内容；
3. 适配自研存储：实现 LangGraph 标准 BaseStore 接口，对接自有数据库；
4. 记忆去重与合并：对用户重复偏好、历史记录做自动合并优化。

六、总结

1. LangGraph 原生完备记忆能力，无需自研长短期记忆架构，避免重复造轮子；
2. 分工明确：Checkpointer 负责存储写入，Pre-Hook 负责加载与预处理；
3. Pre-Hook 内置两种核心瘦身方案：trim_messages 简单截断、summarization_node LLM 摘要，适配不同业务场景；
4. 短期记忆靠「Checkpointer+Pre-Hook」闭环，长期记忆靠框架 Store 接口快速落地，开发者只需专注智能体业务逻辑。

5. pre_hook 管读和瘦身，checkpointer 管存和持久。瘦身两种：截断 trim，摘要 summarization。