上一篇文章采用langchain_community包协助LangChain实现了对话记忆功能但langchain_community属于早期链式架构的临时补丁仅适配简单线性对话。LangChain官方推荐使用LangGraph实现复杂的会话记忆功能LangGraph是从底层统一管理全流程状态、支持长短双记忆、原生持久化、适配复杂Agent的标准化记忆架构常作为生产环境的首选方案。接下来介绍LangGraph在会话记忆方面的简单用法。一、使用LangGraph的环境准备在命令行窗口执行下面命令即可安装LangChain及其用到的Ollama插件以及记忆功能需要的LangGraphpip install langchain langchain-core langchain-ollama langgraph确保本地已经通过Ollama下载了离线大模型比如在命令行窗口执行下面命令即可下载大模型qwen2:1.5bollama pull qwen2:1.5b等待大模型下载完毕在命令行窗口执行下面命令即可启动Ollama并加载大模型ollama serve二、使用LangGraph记住历史会话在Python代码开头添加下面的导包语句表示引入LangChain的智能体组件create_agent、LangChain的大模型工具OllamaLLM以及LangGraph的内存保存器InMemorySaverfrom langchain.agents import create_agentfrom langchain_ollama import ChatOllamafrom langgraph.checkpoint.memory import InMemorySaver # 内存存储在OllamaLLM的构造方法中填写model参数指定当前引用的离线大模型名称如下llm ChatOllama(modelqwen2:1.5b) # 改成你本地的模型然后编写下面的LangChain调用代码先调用create_agent创建启用短期记忆的智能体实例再通过智能体实例的invoke方法调用离线大模型示例代码如下agent create_agent(modelllm,checkpointerInMemorySaver(), # 启用短期记忆)# 测试对话print( 内存中的临时记忆 )while True:user_input input(用户)if user_input in [退出, exit, quit]:print(对话结束)break# 调用离线大模型result agent.invoke({messages: [{role: user, content: user_input}]},{configurable: {thread_id: session_001}})print(fAI{result[messages][-1].content}\n)运行上面的Python代码根据提示先后输入问题内容“我叫张三”、“我叫什么”输出日志结果如下 内存中的临时记忆 你我叫张三AI你好张三。有什么问题或需要帮助的吗你我叫什么AI你的名字是“张三”。由日志信息发现AI应用在第一个问答中得知用户叫做张三在第二个问答中仍然记得用户叫做张三。可见通过LangGraph的内存保存器InMemorySaver初步实现了简单的AI对话记忆功能。三、使用SummarizationMiddleware压缩历史记忆前面虽然实现了初步的记忆功能但随着问答的交互次数增长要记忆的历史会话也越来越多。为了节省大模型的Token消耗势必精简历史记忆以便保留最新的会话记录。LangGraph提供了摘要中间件SummarizationMiddleware支持在历史会话超出限制时自动压缩会话记录。引入SummarizationMiddleware之后增加的代码部分说明如下在Python代码开头添加下面的导包语句表示引入LangChain的摘要中间件SummarizationMiddlewarefrom langchain.agents.middleware import SummarizationMiddleware另外声明新的大模型实例用于压缩历史会话记录如下llm_summary ChatOllama(modelqwen2:0.5b) # 改成你本地的模型调用create_agent创建智能体实例时增加输入middleware参数并设定摘要中间件用到的摘要大模型、Token个数限制、保留消息数等配置示例代码如下agent create_agent(modelllm,checkpointerInMemorySaver(), # 启用短期记忆# 压缩历史记忆并移除早期记忆middleware[SummarizationMiddleware(modelllm_summary,trigger(tokens, 100), # 超过 100 token 触发keep(messages, 3), # 保留最近 3 条消息)])重新运行修改后的Python代码根据提示先后输入问题内容“我叫张三”、“我叫什么”、“长江有多长”、“黄河有多长”、“珠江有多长”、“黑龙江有多长”、“我叫什么”输出日志结果如下 内存中的临时记忆 你我叫张三AI你好张先生。有什么我可以帮助你的吗你我叫什么AI你好张先生。你叫张三。你长江有多长AI长江是中国最长的河流全长约6300公里。你黄河有多长AI黄河是中国第二长的河流全长约5464公里。你珠江有多长AI珠江是长江流域的一条重要河流全长约2794公里。你黑龙江有多长AI黑龙江是亚洲最长的河流之一全长约1800公里。你我叫什么AI根据您的描述您似乎没有提供自己的名字。如果您有其他姓名请告知我以便我能为您提供更准确的回答。由日志信息发现在第一次询问“我叫什么”时AI应用能够正确回答用户叫做张三但多轮对话后再次询问“我叫什么”AI应用已经忘记了用户叫什么。可见通过SummarizationMiddleware初步实现了压缩历史记忆在会话记录超出限制后将只保留最新的问答信息。本系列的AI应用开发文章目录为《15天学会AI应用开发全目录零基础小白零Token消耗》