今天，我们来讨论一个非常关键且有趣的话题——记忆体。

你是否曾想过，如何让智能体像人一样，随着交互次数的增加而变得越来越聪明？在企业级应用中，用户往往期望智能体能够记住过往的对话历史、用户偏好或关键信息，从而实现更精准、个性化的服务。这一切，都离不开“记忆”。

一、什么是记忆？为什么它如此重要？

记忆是智能体变得“聪明”的核心机制之一。我们可以把记忆分为两大类：

·短期记忆：指的是在当前会话（或线程）内记住的信息。比如在一个对话中，你告诉智能体“我叫小明，在北京工作”，它会在本次对话中记住这些信息，并在后续回答中调用。

·长期记忆：指的是跨会话、跨线程的记忆能力。即使你开启新的对话，智能体依然能记住你之前告诉它的关键信息，比如你的身份、喜好或历史查询记录。

为什么需要这样区分？因为如果把所有聊天记录都一股脑塞给大模型，不仅低效，还可能超出模型的上下文限制。真正的智能记忆，是选择性地记住关键信息。

二、短期记忆：会话内的记忆管理

在LangChain和LangGraph中，实现短期记忆非常简单。我们可以使用 create_agent 配合 InMemorySaver 来存储当前会话的历史记录。下面是一个简单的示例：

python
from langchain.agents import create_agent
from langgraph.checkpoint import InMemorySaver
 
# 创建智能体
agent = create_agent(
    llm=llm,
    tools=[weather_tool],
    checkpoint=InMemorySaver()
)
 
# 用户对话
config = {"thread_id": "user_001"}
response = agent.invoke("你好，我叫小明，我在北京工作。", config)
response = agent.invoke("帮我查一下所在城市的天气。", config)

在这个例子中，智能体会记住用户在第一句话中提到的“北京”，并在查询天气时自动定位到北京。但如果你更换 thread_id 为 user_002，它就不会记得之前的信息了。

三、长期记忆：跨会话的智能记忆

长期记忆的实现更为复杂，也更为强大。它不仅仅是存储所有历史记录，而是有选择地存储关键信息，比如用户明确说“请记住我是……”这样的内容。

在LangGraph中，我们可以使用 PostgresStore 或其他向量数据库来实现长期记忆。系统会在对话中识别出需要长期保存的信息（例如带有“记住”“喜欢”“我是”等关键词的句子），并将其存入向量数据库中。下次用户再次对话时，系统会先从数据库中检索相关记忆，再结合当前上下文生成回答。

这样，智能体就能够实现跨会话的记忆延续，真正成为一个“越用越聪明”的助手。

四、实战：从内存存储到持久化存储

在实际生产环境中，我们通常需要将记忆持久化存储，以便服务重启后依然能保留记忆。LangGraph支持多种存储后端，例如 PostgreSQL、MySQL 等，你甚至可以根据自己的需求进行二次开发。

以下是一个使用 PostgreSQL 作为记忆存储后端的示例：

python
from langgraph.checkpoint import PostgresSaver
 
checkpointer = PostgresSaver.from_conn_string("postgresql://user:pass@localhost/langgraph_db")
agent = create_agent(llm=llm, tools=[tool], checkpoint=checkpointer)

这样一来，所有的对话记忆都会被保存到数据库中，即使服务重启，记忆也不会丢失。

写在最后：记忆，是智能体从「工具」走向「伙伴」的核心

从会话内即时响应的短期记忆，到跨场景持久留存的长期记忆，我们搭建起了智能体「学习与成长」的底层逻辑。

短期记忆让交互更连贯，解决当下对话的上下文衔接；长期记忆让服务更懂人，实现跨会话的个性化延续；而持久化存储，则让这份「智慧」真正落地企业级场景，稳定、可靠、永不丢失。

本质上，给智能体赋予记忆，不是简单地存储对话，而是让它从「被动应答的程序」，变成「越用越贴心、越交互越精准」的智能伙伴。这正是企业级智能体实现个性化服务、持续迭代优化的关键 ——有记忆，才会成长；会成长，才够智能。

未来，随着记忆机制的不断优化，智能体将真正读懂用户、沉淀经验，成为业务与服务中不可或缺的「专属智囊」。

📞 支持与反馈

维护团队: 北京慧测·杭州但问智能技术团队​​​​