代码开源Github ↗
在构建智能 Agent 时，一个关键挑战是如何让模型在多轮对话中记住上下文信息——比如用户的名字、偏好或之前的请求。然而，大语言模型（LLM）本身是无状态的，每次调用都是独立的。因此，我们需要一种机制来持久化对话历史，并在后续交互中将其重新注入上下文。
LangChain 结合 LangGraph 提供了强大的 短期记忆（Short-Term Memory） 能力，它不仅支持基础的记忆功能，还能灵活地实现消息裁剪、主动遗忘、上下文摘要等高级策略，从而在保持上下文连贯性的同时，避免超出 LLM 的上下文窗口限制。
📌 核心思想：与 LangGraph 中的状态图一样，Agent 的短期记忆依赖于检查点（Checkpointer） 机制。通过将对话历史持久化到内存或数据库中，Agent 可以在中断后恢复会话，实现真正的“有记忆”的交互。
1. 使用短期记忆：记住用户的名字#
最简单的短期记忆场景，就是让 Agent 记住用户在对话初期提供的信息。
使用 InMemorySaver 作为检查点存储（适用于测试），并为会话指定唯一的 thread_id：
from langchain.agents import create_agent
from langgraph.checkpoint.memory import InMemorySaver
import sys
import os
# 直接指定 src 路径
src_path = "/root/shared-nvme/LLM-Learning/Agent-Learning/src"
sys.path.insert(0, src_path)
from Models import ModelManager
model_manager = ModelManager()
llm = model_manager.get_qwen_model()
checkpointer = InMemorySaver()
agent = create_agent(
model=llm,
tools=[],
checkpointer=checkpointer,
)
config = {"configurable": {"thread_id": "session-1"}}
# 第一轮：用户告诉名字
agent.invoke({"messages": "你好！我叫小李。"}, config)
# 第二轮：随便聊点别的
agent.invoke({"messages": "今天天气真不错。"}, config)
# 第三轮：问名字，看是否还记得
final = agent.invoke({"messages": "我刚才告诉你我叫什么名字？"}, config)
print("\n✅ 最终回答：")
final["messages"][-1].pretty_print()💡 说明：只要使用了
checkpointer并传入相同的thread_id，Agent 就会在每次调用时自动加载完整的对话历史作为上下文。
预期效果：即使中间插入无关对话，Agent 仍能准确回忆起“小李”这个名字。
✅ 最终回答：
================================== Ai Message ==================================
是的，你刚才告诉我你叫小李。我记住了！😊 有什么我可以帮你或和你聊的吗，小李？2. 自动裁剪消息：防止上下文爆炸#
随着对话轮次增加，消息列表会不断增长。若不加控制，很容易超出 LLM 的上下文长度限制（如 32K tokens），导致性能下降甚至报错。
LangChain 允许我们通过 中间件（middleware） 在模型调用前动态调整消息历史。下面的例子实现了“保留第一条 + 最近 3 条”的策略：
from typing import Any, Optional
from langchain_core.messages import RemoveMessage
from langgraph.checkpoint.memory import MemorySaver
from langchain.agents import create_agent, AgentState
from langchain.agents.middleware import before_model
from langgraph.graph.message import REMOVE_ALL_MESSAGES
@before_model
def trim_messages(state: AgentState, runtime) -> Optional[dict[str, Any]]:
"""保留第一条 + 最近 3 条消息，防止上下文过长"""
messages = state["messages"]
if len(messages) <= 4:
return None
first_msg = messages[0]
recent_msgs = messages[-3:]
new_messages = [first_msg] + recent_msgs
return {
"messages": [
RemoveMessage(id=REMOVE_ALL_MESSAGES),
*new_messages
]
}
tools = []
agent = create_agent(
model=llm,
tools=tools,
middleware=[trim_messages],
checkpointer=MemorySaver(),
)
config = {"configurable": {"thread_id": "1"}}
# 测试对话
agent.invoke({"messages": "你好，我叫小陈。"}, config)
agent.invoke({"messages": "我全名叫陈小春。"}, config)
agent.invoke({"messages": "帮我写一首关于春天的诗。"}, config)
agent.invoke({"messages": "再写一首关于夏天的。"}, config)
agent.invoke({"messages": "秋天呢？也来一首。"}, config)
final = agent.invoke({"messages": "我叫什么名字？你知道我的全名吗？只需要回答我的问题，不需要回答其他内容"}, config)
print("\n✅ 最终回答：")
final["messages"][-1].pretty_print()🔧 原理：
@before_model装饰器定义了一个在每次 LLM 调用前执行的钩子函数。我们在此函数中构造新的消息列表，并通过RemoveMessage(id=REMOVE_ALL_MESSAGES)清空旧历史，再插入精简后的消息。
预期效果：尽管发送了 5 条消息，但 Agent 实际看到的上下文只有 4 条（首条 + 最近 3 条），因此不能记住“陈小春”这个全名。
✅ 最终回答：
================================== Ai Message ==================================
你叫小陈，我没有你的全名。3. 主动删除消息：强制“遗忘”早期信息#
有时我们希望 Agent 主动丢弃某些敏感或过时的信息。下面的例子演示了如何在每轮对话后自动删除最早的两条消息：
@before_model
def post_model_hook(state: AgentState, runtime) -> Optional[dict[str, Any]]:
messages = state["messages"]
# 如果消息超过 2 条，就删除最早的 2 条
if len(messages) > 2:
return {"messages": [RemoveMessage(id=m.id) for m in messages[:2]]}
return {}
agent = create_agent(
model=llm,
tools=[],
middleware=[post_model_hook],
checkpointer=InMemorySaver(),
)
config = {"configurable": {"thread_id": "session-3"}}
# 发送三条消息
agent.invoke({"messages": "我是张敏。"}, config)
agent.invoke({"messages": "我今年 28 岁。"}, config)
agent.invoke({"messages": "你能记住我的年龄吗？"}, config)
# 再问名字或年龄（应已丢失）
response = agent.invoke({"messages": "我叫什么名字？"}, config)
print("\n✅ 删除后回答（应不记得名字）：")
response["messages"][-1].pretty_print()⚠️ 注意：这里使用的是
@before_model（实际应在模型调用前处理），但逻辑上模拟了“每轮后清理”的行为。严格来说，若要在模型响应后删除，应使用@after_model或post_model_hook。
预期效果：当第三条消息被处理时，前两条（名字和年龄）已被删除，因此 Agent 无法回答“我叫什么名字”。
✅ 删除后回答（应不记得名字）：
================================== Ai Message ==================================
你叫“用户”。在我们这次对话中，这是你的默认身份。如果你想告诉我你的名字，我很乐意记住并使用它！总结#
LangChain 的短期记忆机制为 Agent 提供了强大而灵活的上下文管理能力：
- ✅ 基础记忆：通过
checkpointer实现跨轮次状态保持； - ✅ 智能裁剪：利用中间件动态精简上下文，避免 token 耗尽；
- ✅ 主动遗忘：按需删除敏感或冗余信息，提升安全性与效率。
这些能力使得 Agent 不仅“聪明”，而且“可靠”——既能记住重要信息，又不会被冗长的历史拖累。