> ## Documentation Index > Fetch the complete documentation index at: https://langchain-zh.cn/llms.txt > Use this file to discover all available pages before exploring further. # 内存概述 [内存](/oss/python/langgraph/add-memory) 是一个记录先前交互信息的系统。对于 AI 智能体而言，内存至关重要，因为它能让智能体记住之前的交互、从反馈中学习并适应用户偏好。随着智能体处理更复杂的任务和大量的用户交互，这种能力对于效率和用户满意度都变得至关重要。 本概念指南根据其回忆范围涵盖两种类型的内存： * [短期记忆](#短期记忆)，或称[线程](/oss/python/langgraph/persistence#threads)范围的内存，通过维护会话内的消息历史来跟踪正在进行的对话。LangGraph 将短期记忆作为智能体[状态](/oss/python/langgraph/graph-api#state)的一部分进行管理。状态通过[检查点器](/oss/python/langgraph/persistence#checkpoints)持久化到数据库，以便线程可以随时恢复。短期内存在图被调用或步骤完成时更新，并在每个步骤开始时读取状态。 * [长期记忆](#长期记忆) 跨会话存储用户特定或应用级别的数据，并在对话线程之间共享。它可以随时在任何线程中被回忆起来。内存的作用域可以是任何自定义命名空间，而不仅限于单个线程 ID。LangGraph 提供了[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 vs 长期 ## 短期记忆 [短期记忆](/oss/python/langgraph/add-memory#add-short-term-memory) 让你的应用能够记住单个[线程](/oss/python/langgraph/persistence#threads)或对话内的先前交互。[线程](/oss/python/langgraph/persistence#threads)组织会话中的多次交互，类似于电子邮件将消息分组在单个对话中的方式。 LangGraph 将短期记忆作为智能体状态的一部分进行管理，通过线程范围的检查点持久化。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，机器人可以访问给定对话的完整上下文，同时保持不同线程之间的分离。 ### 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。完整的历史可能无法放入 LLM 的上下文窗口，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 在处理长上下文时仍然表现不佳。它们会被陈旧或离题的内容“分散注意力”，同时还会遭受响应时间变慢和成本增加的困扰。 聊天模型使用消息来接受上下文，这些消息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推移变得越来越长。由于上下文窗口有限且令牌丰富的消息列表可能成本高昂，许多应用可以受益于使用技术手动删除或遗忘陈旧信息。 过滤 有关管理消息的常用技术的更多信息，请参阅[添加和管理内存](/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**线程范围**的短期记忆不同，长期记忆保存在自定义的“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，帮助你了解不同的技术： * 内存的类型是什么？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 智能体可以以相同的方式使用内存。例如，AI 智能体可以使用内存来记住关于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) 内存可以作为智能体应用逻辑的一部分进行更新（例如，“在热路径上”）。在这种情况下，智能体通常在响应用户之前决定记住事实。或者，内存可以作为后台任务进行更新（在后台/异步运行并生成记忆的逻辑）。我们在[下面的部分](#写入记忆)中解释了这些方法之间的权衡。 不同的应用需要各种类型的内存。尽管类比并不完美，但研究[人类记忆类型](https://www.psychologytoday.com/us/basics/memory/types-of-memory?ref=blog.langchain.dev)可以带来启发。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 智能体中使用的类型。 | 记忆类型 | 存储内容 | 人类示例 | 智能体示例 | | ------------- | ---- | --------- | -------- | | [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 | 过去的智能体动作 | | [程序性](#程序性记忆) | 指令 | 本能或运动技能 | 智能体系统提示 | ### 语义记忆 [语义记忆](https://en.wikipedia.org/wiki/Semantic_memory)，无论是在人类还是 AI 智能体中，都涉及特定事实和概念的保留。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 智能体，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。 语义记忆不同于“语义搜索”，后者是一种使用“含义”（通常作为嵌入）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含义而非精确匹配来检索信息的方法。 语义记忆可以通过不同的方式管理： #### 配置文件 记忆可以是一个单一的、持续更新的“配置文件”，包含关于用户、组织或其他实体（包括智能体本身）的、范围明确且具体的信息。配置文件通常只是一个 JSON 文档，包含你选择代表你领域的各种键值对。 当记住一个配置文件时，你需要确保每次都在**更新**配置文件。因此，你需要传入先前的配置文件，并[要求模型生成一个新的配置文件](https://github.com/langchain-ai/memory-template)（或一些要应用于旧配置文件的 [JSON 补丁](https://github.com/hinthornw/trustcall)）。随着配置文件变得越来越大，这可能会变得容易出错，并且可能受益于将配置文件拆分为多个文档或在生成文档时进行**严格**解码，以确保内存模式保持有效。 更新配置文件 #### 集合 或者，记忆可以是一个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，这意味着你不太可能随时间推移**丢失**信息。对于 LLM 来说，为新信息生成\_新\_对象比将新信息与现有配置文件协调起来更容易。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，这会将一些复杂性转移到内存更新上。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，而另一些可能默认过度更新。请参阅 [Trustcall](https://github.com/hinthornw/trustcall) 包以了解一种管理方法，并考虑评估（例如使用 [LangSmith](/langsmith/evaluation) 等工具）来帮助你调整行为。 使用文档集合也会将复杂性转移到内存**搜索**上。`Store` 目前同时支持[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的模式，但这种结构可能无法捕捉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配置文件方法中更容易获得的重要上下文信息。 更新列表 无论采用哪种内存管理方法，核心点是智能体将使用语义记忆来[锚定其响应](/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 智能体中，都涉及回忆过去的事件或动作。[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 智能体，情景记忆通常用于帮助智能体记住如何完成任务。 在实践中，情景记忆通常通过少样本示例提示来实现，智能体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 从示例中学习得很好。少样本学习让你可以通过在提示中更新输入-输出示例来说明预期行为来[“编程”](https://x.com/karpathy/status/1627366413840322562)你的 LLM。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，内存[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。如果你希望有更多的开发者参与，或者将少样本与你的评估工具更紧密地结合，你也可以使用 [LangSmith 数据集](/langsmith/manage-datasets)来存储你的数据，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/)，展示了使用少样本提示来提高工具调用性能，以及这篇[博客文章](https://blog.langchain.dev/aligning-llm-as-a-judge-with-human-preferences/)使用少样本示例来使 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 智能体中，都涉及记住用于执行任务的规则。在人类中，程序性记忆类似于如何执行任务的内化知识，例如通过基本运动技能和平衡骑自行车。另一方面，情景记忆涉及回忆特定的经历，例如你第一次在没有辅助轮的情况下成功骑自行车，或者一次穿越风景优美的难忘骑行。对于 AI 智能体，程序性记忆是模型权重、智能体代码和智能体提示的组合，共同决定了智能体的功能。 在实践中，智能体修改其模型权重或重写其代码的情况相当少见。然而，智能体修改自己的提示更为常见。 完善智能体指令的一种有效方法是通过[“反思”](https://blog.langchain.dev/reflection-agents/)或元提示。这包括向智能体提供其当前指令（例如，系统提示）以及最近的对话或明确的用户反馈。然后智能体根据此输入完善自己的指令。这种方法对于难以预先指定指令的任务特别有用，因为它允许智能体从其交互中学习和适应。 例如，我们构建了一个[推文生成器](https://www.youtube.com/watch?v=Vn8A3BxfplE)，使用外部反馈和提示重写来为 Twitter 生成高质量的论文摘要。在这种情况下，具体的摘要提示很难*先验地*指定，但用户很容易批评生成的推文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如何使用 LangGraph 内存[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（以及从与用户的对话中捕获的反馈，记录在 `state["messages"]` 中），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来生成响应。 ```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] # 内存逻辑 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 智能体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 vs 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。它还支持透明度，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。如果智能体需要一个新的工具来决定将什么提交到内存，它可能会增加复杂性。此外，推理要保存到内存的内容的过程可能会影响智能体的延迟。最后，智能体必须在内存创建和其他职责之间进行多任务处理，这可能会影响创建记忆的数量和质量。 例如，ChatGPT 使用一个 [save\_memories](https://openai.com/index/memory-and-new-controls-for-chatgpt/) 工具来以内容字符串的形式更新插入记忆，并决定是否以及如何使用此工具处理每条用户消息。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。它消除了主应用中的延迟，将应用逻辑与内存管理分离，并允许智能体更专注地完成任务。这种方法还提供了在时间安排上创建内存的灵活性，以避免冗余工作。 然而，这种方法也有其自身的挑战。确定内存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。决定何时触发内存形成也很重要。常见的策略包括在一段时间后安排（如果发生新事件则重新安排）、使用 cron 计划，或允许用户或应用逻辑手动触发。 请参阅我们的 [memory-service](https://github.com/langchain-ai/memory-template) 模板作为参考实现。 ### 内存存储 LangGraph 将长期记忆作为 JSON 文档存储在[存储](/oss/python/langgraph/persistence#memory-store)中。每个记忆都组织在自定义的 `namespace`（类似于文件夹）和不同的 `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，以便更容易地组织信息。这种结构支持记忆的分层组织。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": [ "User likes short, direct language", "User only speaks English & 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”，按内容等价性过滤，按向量相似性排序 items = store.search( namespace, filter={"my-key": "my-value"}, query="language preferences" ) ``` 有关内存存储的更多信息，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 中的内存](/oss/python/langgraph/add-memory) ***
[Edit this page on GitHub](https://github.com/langchain-ai/docs/edit/main/src/i18n\zh-CN\oss\concepts\memory.mdx) or [file an issue](https://github.com/langchain-ai/docs/issues/new/choose). [Connect these docs](/use-these-docs) to Claude, VSCode, and more via MCP for real-time answers.