欢迎回到《Python + AI Agent 实战开发完全指南》！

在前五讲中，我们构建了一个具备"大脑"（ReAct推理）、“眼睛耳朵”（输入）和"手脚"（Tool Calling）的Agent。但如果你仔细观察它的行为，会发现它有一个致命的弱点：它没有记忆。

一旦对话轮数超过了API的上下文窗口，或者你想让Agent在明天继续昨天的对话，它就会一脸茫然。这就好比一个只有短期记忆的金鱼，永远无法积累"阅历"。

在这一讲中，我们将为Agent装上记忆系统（Memory）。我们将抛弃已被官方弃用的旧版ConversationBufferMemory，全面拥抱LangChain最新的LangGraph Checkpoint（检查点）机制来实现短期记忆，让你的Agent从此具备"人格"和"经验"。

---

一、核心痛点：为什么你的Agent总是"失忆"？

在第3讲和第5讲的代码中，我们是通过一个简单的messages列表来维持对话的。这种方式存在两个巨大的工程缺陷：

1. Token爆炸（Context Length Overflow）：大模型的上下文窗口是有限的。如果你把几百轮对话全塞进去，不仅速度慢、费用高，还会直接报错context length exceeded。
2. 状态丢失（Stateless）：目前的代码运行完就结束了。重启程序后，Agent完全不记得你是谁，之前聊过什么。

要解决这两个问题，我们需要引入短期记忆和长期记忆的双层架构。

---

二、筑牢地基：短期记忆（基于LangGraph Checkpoint）

短期记忆对应的是Working Memory，也就是我们常说的"上下文"。在最新的LangChain生态中，官方强烈推荐使用LangGraph提供的Checkpointers来自动管理对话历史。

2.1 什么是Checkpointer？

你可以把它理解为一个"存档点"。每次Agent执行一步操作，Checkpointer就会自动把当前的messages状态保存到内存或数据库中。下次用户提问时，它会通过一个唯一的thread_id（线程ID）自动加载之前的对话历史。

2.2 安装必要的依赖

pip install langgraph langchain-openai

---

三、实战：基于LangGraph的完整记忆系统

3.1 核心架构设计

我们将采用您提供的代码架构，这是一个非常标准且优雅的LangGraph状态机实现，完美解决了Agent的短期记忆问题。

3.2 完整代码实现

import os
os.environ["PYTHONUTF8"] = "1"

# --- 1. 配置区 ---
# 你的API密钥和模型配置
API_KEY = "sk-***********************"  # 请替换为你的实际API密钥
BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
MODEL = "qwen-turbo"

# --- 2. 初始化大模型 ---
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    api_key=API_KEY,
    base_url=BASE_URL,
    model=MODEL
)

# --- 3. 构建LangGraph状态机 ---
from langchain_core.messages import HumanMessage, SystemMessage
from langgraph.graph import StateGraph, MessagesState, START
from langgraph.checkpoint.memory import InMemorySaver

def chat_node(state: MessagesState):
    """
    核心对话逻辑
    state["messages"]: 包含了该会话ID下的所有历史消息
    """
    # 1. 构建系统提示词
    system_prompt = SystemMessage(content="你是一个友好的聊天助手")
    
    # 2. 拼接消息：系统指令 + 历史对话 + 当前输入
    all_msg = [system_prompt] + state["messages"]
    
    # 3. 调用模型
    resp = llm.invoke(all_msg)
    
    # 4. 返回新消息，LangGraph会自动将其存入state["messages"]
    return {"messages": resp}

# --- 4. 编译图 (Graph Compilation) ---
checkpointer = InMemorySaver()  # 使用内存存储检查点（短期记忆）

builder = StateGraph(MessagesState)
builder.add_node("chat", chat_node)
builder.add_edge(START, "chat")

# 编译图，注入记忆机制
chat_graph = builder.compile(checkpointer=checkpointer)

3.3 交互测试

# --- 5. 主交互循环 ---
if __name__ == "__main__":
    print(" 智能体已启动！(输入'exit'退出)")
    
    # 会话配置：同一个thread_id共享记忆
    cfg = {"configurable": {"thread_id": "session_001"}}
    
    while True:
        user_input = input("\n你: ")
        if user_input.lower() in ["exit", "quit"]:
            break
            
        # 调用图执行
        result = chat_graph.invoke(
            {"messages": [HumanMessage(content=user_input)]}, 
            config=cfg
        )
        
        # 提取并打印回复
        ai_response = result["messages"][-1].content
        print(f" 助手: {ai_response}")

---

四、关键特性分析

4.1 会话隔离机制

通过不同的thread_id，Agent可以轻松区分不同用户的会话：

# 用户A的会话
cfg_user_a = {"configurable": {"thread_id": "user_a_123"}}
# 用户B的会话  
cfg_user_b = {"configurable": {"thread_id": "user_b_456"}}

4.2 自动上下文管理

LangGraph自动处理对话历史的拼接和存储，开发者无需手动维护消息列表。

4.3 状态持久化

通过Checkpointer机制，对话状态在多次调用间自动保持。

---

五、工程建议与最佳实践

5.1 生产环境配置

• Checkpointer选择：在生产环境中，建议使用SqliteSaver或PostgresSaver替代InMemorySaver，实现真正的持久化存储。
• 错误处理：添加适当的异常处理机制，确保系统稳定性。
• 性能优化：对于长对话，考虑实现对话摘要功能，控制上下文长度。

5.2 安全配置

• API密钥管理：将API密钥存储在环境变量或配置文件中，避免硬编码。
• 输入验证：对用户输入进行必要的验证和过滤。

---

六、本节小结

今天我们成功为Agent构建了完整的短期记忆系统：

1. 状态管理：通过LangGraph的MessagesState，我们实现了自动化的对话历史管理。
2. 会话隔离：利用thread_id机制，确保不同用户的对话相互独立。
3. 持久化存储：通过Checkpointer，实现了对话状态的自动保存和恢复。

核心价值：这段代码证明了Agent能够通过thread_id区分不同用户的会话，并在同一个会话中记住用户的信息，实现了真正的个性化对话体验。

---

七、扩展思考

1. 长期记忆：如何结合向量数据库实现跨会话的知识存储和检索？
2. 记忆清理：如何实现对话历史的自动清理，防止内存溢出？
3. 分布式部署：在微服务架构中，如何实现跨节点的会话状态同步？

---

八、作业练习

1. 实践任务：将本讲的代码部署为一个Web服务，支持多用户同时访问。
2. 扩展挑战：为Agent添加对话摘要功能，当对话过长时自动生成摘要。
3. 性能测试：测试不同长度对话对系统性能的影响，找出最优的上下文长度。

---

下一讲预告：
在第7讲《RAG（检索增强生成）实战》中，我们将结合今天搭建的记忆系统，接入企业内部的PDF、Word文档，打造一个真正懂业务的私有知识库问答机器人。