> ## Documentation Index > Fetch the complete documentation index at: https://cndoc-langchain.site/llms.txt > Use this file to discover all available pages before exploring further. # 记忆概述 [记忆](/oss/python/langgraph/add-memory)是一个记住先前交互信息的系统。对于AI代理而言，记忆至关重要，因为它让代理能够记住先前的交互、从反馈中学习并适应用户偏好。随着代理处理更复杂的任务和大量用户交互，这一能力对于效率和用户满意度都变得至关重要。 本概念指南根据记忆的回忆范围，介绍了两种类型的记忆： * [短期记忆](#短期记忆)，或[线程](/oss/python/langgraph/persistence#threads)作用域记忆，通过维护会话内的消息历史来跟踪正在进行的对话。LangGraph将短期记忆作为代理[状态](/oss/python/langgraph/graph-api#state)的一部分进行管理。状态通过[检查点](/oss/python/langgraph/persistence#checkpoints)持久化到数据库，以便线程可以随时恢复。短期记忆在图被调用或步骤完成时更新，状态在每个步骤开始时被读取。 * [长期记忆](#长期记忆)存储跨会话的用户特定或应用级数据，并在对话线程之间共享。它可以*随时*在*任何线程*中被回忆。记忆被限定在任何自定义命名空间中，而不仅仅在单个线程ID内。LangGraph提供[存储](/oss/python/langgraph/persistence#memory-store)（[参考文档](https://langchain-ai.github.io/langgraph/reference/store/#langgraph.store.base.BaseStore)）来让你保存和回忆长期记忆。 短期与长期记忆 ## 短期记忆 [短期记忆](/oss/python/langgraph/add-memory#add-short-term-memory)让你的应用程序在单个[线程](/oss/python/langgraph/persistence#threads)或对话中记住先前的交互。一个[线程](/oss/python/langgraph/persistence#threads)组织一个会话中的多次交互，类似于电子邮件将消息分组到单个对话中的方式。 LangGraph将短期记忆作为代理状态的一部分进行管理，通过线程作用域的检查点进行持久化。此状态通常可以包括对话历史以及其他有状态数据，例如上传的文件、检索到的文档或生成的工件。通过将这些存储在图的状态中，机器人可以在保持不同线程之间分离的同时访问给定对话的完整上下文。 ### 管理短期记忆 对话历史是最常见的短期记忆形式，而长对话对当今的LLM构成了挑战。完整的历史记录可能无法放入LLM的上下文窗口中，导致不可恢复的错误。即使你的LLM支持完整的上下文长度，大多数LLM在长上下文上仍然表现不佳。它们会因过时或离题的内容而“分心”，同时遭受响应时间变慢和成本增加的困扰。 聊天模型使用消息接受上下文，其中包括开发者提供的指令（系统消息）和用户输入（人类消息）。在聊天应用程序中，消息在人类输入和模型响应之间交替，导致消息列表随时间增长而变长。由于上下文窗口有限且包含大量令牌的消息列表成本高昂，许多应用程序可以从使用技术手动移除或遗忘过时信息中受益。 过滤 有关管理消息的常用技术的更多信息，请参阅[添加和管理记忆](/oss/python/langgraph/add-memory#manage-short-term-memory)指南。 ## 长期记忆 LangGraph中的[长期记忆](/oss/python/langgraph/add-memory#add-long-term-memory)允许系统在不同对话或会话之间保留信息。与**线程作用域**的短期记忆不同，长期记忆保存在自定义“命名空间”中。 长期记忆是一个复杂的挑战，没有一刀切的解决方案。然而，以下问题提供了一个框架，帮助你导航不同的技术： * 记忆的类型是什么？人类使用记忆来记住事实（[语义记忆](#语义记忆)）、经历（[情景记忆](#情景记忆)）和规则（[程序性记忆](#程序性记忆)）。AI代理可以以相同的方式使用记忆。例如，AI代理可以使用记忆来记住用户的特定事实以完成任务。 * [你希望何时更新记忆？](#写入记忆)记忆可以作为代理应用程序逻辑的一部分进行更新（例如，“在热路径上”）。在这种情况下，代理通常在响应用户之前决定记住事实。或者，记忆可以作为后台任务更新（在后台/异步运行并生成记忆的逻辑）。我们将在[下面的部分](#写入记忆)解释这些方法之间的权衡。 不同的应用程序需要各种类型的记忆。虽然类比并不完美，但研究[人类记忆类型](https://www.psychologytoday.com/us/basics/memory/types-of-memory?ref=blog.langchain.dev)可以提供见解。一些研究（例如，[CoALA论文](https://arxiv.org/pdf/2309.02427)）甚至将这些人类记忆类型映射到AI代理中使用的类型。 | 记忆类型 | 存储内容 | 人类示例 | 代理示例 | | ------------- | ---- | --------- | ------- | | [语义](#语义记忆) | 事实 | 我在学校学到的东西 | 关于用户的事实 | | [情景](#情景记忆) | 经历 | 我做过的事情 | 过去的代理行动 | | [程序性](#程序性记忆) | 指令 | 本能或运动技能 | 代理系统提示 | ### 语义记忆 [语义记忆](https://en.wikipedia.org/wiki/Semantic_memory)，无论是在人类还是AI代理中，都涉及保留特定的事实和概念。在人类中，它可以包括在学校学到的信息以及对概念及其关系的理解。对于AI代理，语义记忆通常用于通过记住过去交互中的事实或概念来个性化应用程序。 语义记忆不同于“语义搜索”，后者是一种使用“意义”（通常是嵌入）查找相似内容的技术。语义记忆是心理学中的一个术语，指存储事实和知识，而语义搜索是一种基于意义而非精确匹配检索信息的方法。 语义记忆可以通过不同的方式管理： #### 个人资料 记忆可以是关于用户、组织或其他实体（包括代理本身）的范围明确且具体信息的单一、持续更新的“个人资料”。个人资料通常只是一个JSON文档，包含你选择的用于表示领域的各种键值对。 在记住个人资料时，你需要确保每次**更新**该个人资料。因此，你需要传入之前的个人资料并[要求模型生成新的个人资料](https://github.com/langchain-ai/memory-template)（或一些[JSON补丁](https://github.com/hinthornw/trustcall)应用于旧个人资料）。随着个人资料变大，这可能会变得容易出错，可能受益于将个人资料拆分为多个文档或在生成文档时使用**严格**解码以确保记忆模式保持有效。 更新个人资料 #### 集合 或者，记忆可以是随时间持续更新和扩展的文档集合。每个单独的记忆可以范围更窄且更容易生成，这意味着你随时间**丢失**信息的可能性较小。LLM为新信息生成*新*对象比将新信息与现有个人资料协调更容易。因此，文档集合往往会导致[下游更高的召回率](https://en.wikipedia.org/wiki/Precision_and_recall)。 然而，这将一些复杂性转移到记忆更新上。模型现在必须*删除*或*更新*列表中的现有项目，这可能很棘手。此外，一些模型可能默认过度插入，而其他模型可能默认过度更新。有关管理此问题的一种方法，请参阅[Trustcall](https://github.com/hinthornw/trustcall)包，并考虑使用评估（例如，使用[LangSmith](/langsmith/evaluation)等工具）来帮助你调整行为。 处理文档集合还将复杂性转移到记忆列表的**搜索**上。`Store`目前支持[语义搜索](https://langchain-ai.github.io/langgraph/reference/store/#langgraph.store.base.SearchOp.query)和[按内容过滤](https://langchain-ai.github.io/langgraph/reference/store/#langgraph.store.base.SearchOp.filter)。 最后，使用记忆集合可能使向模型提供全面上下文变得具有挑战性。虽然单个记忆可能遵循特定模式，但这种结构可能无法捕获记忆之间的完整上下文或关系。因此，当使用这些记忆生成响应时，模型可能缺乏在统一的个人资料方法中更容易获得的重要上下文信息。 更新列表 无论记忆管理方法如何，核心点是代理将使用语义记忆来[为其响应提供依据](/oss/python/langchain/retrieval)，这通常会导致更个性化和相关的交互。 ### 情景记忆 [情景记忆](https://en.wikipedia.org/wiki/Episodic_memory)，无论是在人类还是AI代理中，都涉及回忆过去的事件或行动。[CoALA论文](https://arxiv.org/pdf/2309.02427)很好地阐述了这一点：事实可以写入语义记忆，而*经历*可以写入情景记忆。对于AI代理，情景记忆通常用于帮助代理记住如何完成任务。 在实践中，情景记忆通常通过少样本示例提示实现，代理从过去的序列中学习以正确执行任务。有时“展示”比“讲述”更容易，LLM从示例中学习效果很好。少样本学习让你通过更新提示并添加输入输出示例来“编程”你的LLM，以说明预期行为。虽然可以使用各种最佳实践来生成少样本示例，但挑战通常在于根据用户输入选择最相关的示例。 请注意，记忆[存储](/oss/python/langgraph/persistence#memory-store)只是将数据存储为少样本示例的一种方式。如果你希望有更多开发者参与，或将少样本更紧密地与你的评估工具联系起来，你也可以使用[LangSmith数据集](/langsmith/manage-datasets)来存储数据，并实现你自己的检索逻辑，根据用户输入选择最相关的示例。 请参阅这篇[博客文章](https://blog.langchain.dev/few-shot-prompting-to-improve-tool-calling-performance/)，展示少样本提示如何提高工具调用性能，以及这篇[博客文章](https://blog.langchain.dev/aligning-llm-as-a-judge-with-human-preferences/)，使用少样本示例将LLM与人类偏好对齐。 ### 程序性记忆 [程序性记忆](https://en.wikipedia.org/wiki/Procedural_memory)，无论是在人类还是AI代理中，都涉及记住用于执行任务的规则。在人类中，程序性记忆就像执行任务的内化知识，例如通过基本运动技能和平衡来骑自行车。另一方面，情景记忆涉及回忆特定经历，例如你第一次成功骑自行车没有训练轮，或一次难忘的风景路线骑行。对于AI代理，程序性记忆是模型权重、代理代码和代理提示的组合，共同决定了代理的功能。 在实践中，代理修改其模型权重或重写其代码的情况相当少见。然而，代理修改自己的提示更为常见。 完善代理指令的一种有效方法是通过[“反思”](https://blog.langchain.dev/reflection-agents/)或元提示。这涉及向代理提供其当前指令（例如系统提示）以及最近的对话或明确的用户反馈。然后，代理根据此输入完善其自己的指令。这种方法对于难以预先指定指令的任务特别有用，因为它允许代理从其交互中学习和适应。 例如，我们构建了一个[Tweet生成器](https://www.youtube.com/watch?v=Vn8A3BxfplE)，使用外部反馈和提示重写为Twitter生成高质量的论文摘要。在这种情况下，特定的摘要提示很难*先验*指定，但用户很容易批评生成的Tweet并提供关于如何改进摘要过程的反馈。 下面的伪代码展示了你如何使用LangGraph记忆[存储](/oss/python/langgraph/persistence#memory-store)来实现这一点，使用存储来保存提示，`update_instructions`节点获取当前提示（以及从与用户对话中捕获在`state["messages"]`中的反馈），更新提示，并将新提示保存回存储。然后，`call_model`从存储中获取更新后的提示，并使用它生成响应。 ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} # 使用指令的节点 def call_model(state: State, store: BaseStore): namespace = ("agent_instructions", ) instructions = store.get(namespace, key="agent_a")[0] # 应用程序逻辑 prompt = prompt_template.format(instructions=instructions.value["instructions"]) ... # 更新指令的节点 def update_instructions(state: State, store: BaseStore): namespace = ("instructions",) instructions = store.search(namespace)[0] # 记忆逻辑 prompt = prompt_template.format(instructions=instructions.value["instructions"], conversation=state["messages"]) output = llm.invoke(prompt) new_instructions = output['new_instructions'] store.put(("agent_instructions",), "agent_a", {"instructions": new_instructions}) ... ``` 更新指令 ### 写入记忆 代理写入记忆有两种主要方法：[“在热路径上”](#在热路径上)和[“在后台”](#在后台)。 热路径与后台 #### 在热路径上 在运行时创建记忆既有优势也有挑战。积极的一面是，这种方法允许实时更新，使新记忆立即可用于后续交互。它还实现了透明度，因为可以在创建和存储记忆时通知用户。 然而，这种方法也带来了挑战。如果代理需要一个新工具来决定提交什么到记忆中，可能会增加复杂性。此外，推理保存什么到记忆的过程可能会影响代理延迟。最后，代理必须在记忆创建和其他职责之间进行多任务处理，这可能会影响创建的记忆的数量和质量。 例如，ChatGPT使用[save\_memories](https://openai.com/index/memory-and-new-controls-for-chatgpt/)工具将记忆作为内容字符串进行更新，根据每条用户消息决定是否以及如何使用此工具。请参阅我们的[memory-agent](https://github.com/langchain-ai/memory-agent)模板作为参考实现。 #### 在后台 作为单独的后台任务创建记忆有几个优点。它消除了主应用程序中的延迟，将应用程序逻辑与记忆管理分离，并允许代理更专注于完成任务。这种方法还提供了灵活性，可以安排记忆创建的时间以避免冗余工作。 然而，这种方法也有其自身的挑战。确定记忆写入的频率变得至关重要，因为不频繁的更新可能会使其他线程没有新的上下文。决定何时触发记忆形成也很重要。常见策略包括在设定时间段后调度（如果发生新事件则重新调度）、使用cron计划或允许用户或应用程序逻辑手动触发。 请参阅我们的[memory-service](https://github.com/langchain-ai/memory-template)模板作为参考实现。 ### 记忆存储 LangGraph将长期记忆作为JSON文档存储在[存储](/oss/python/langgraph/persistence#memory-store)中。每个记忆都组织在一个自定义`namespace`（类似于文件夹）和一个独特的`key`（如文件名）下。命名空间通常包括用户或组织ID或其他标签，以便于组织信息。此结构支持记忆的层次组织。然后通过内容过滤器支持跨命名空间搜索。 ```python theme={"theme":{"light":"catppuccin-latte","dark":"catppuccin-mocha"}} from langgraph.store.memory import InMemoryStore def embed(texts: list[str]) -> list[list[float]]: # 替换为实际的嵌入函数或LangChain嵌入对象 return [[1.0, 2.0] * len(texts)] # InMemoryStore将数据保存到内存字典中。在生产使用中，请使用数据库支持的存储。 store = InMemoryStore(index={"embed": embed, "dims": 2}) user_id = "my-user" application_context = "chitchat" namespace = (user_id, application_context) store.put( namespace, "a-memory", { "rules": [ "用户喜欢简短、直接的语言", "用户只说英语和Python", ], "my-key": "my-value", }, ) # 通过ID获取“记忆” item = store.get(namespace, "a-memory") # 在此命名空间内搜索“记忆”，按内容等效性过滤，按向量相似性排序 items = store.search( namespace, filter={"my-key": "my-value"}, query="语言偏好" ) ``` 有关记忆存储的更多信息，请参阅[持久化](/oss/python/langgraph/persistence#memory-store)指南。 ## 了解更多 * [上下文概念概述](/oss/python/concepts/context) * [LangChain中的短期记忆](/oss/python/langchain/short-term-memory) * [LangGraph中的记忆](/oss/python/langgraph/add-memory) ***
[将这些文档](/use-these-docs)通过MCP连接到Claude、VSCode等，以获取实时答案。 [在GitHub上编辑此页面](https://github.com/langchain-ai/docs/edit/main/src/oss/concepts/memory.mdx)或[提交问题](https://github.com/langchain-ai/docs/issues/new/choose)。