智能对话系统的短期记忆管理：LangGraph 实战指南

在构建智能对话系统时，短期记忆管理是实现流畅、连贯对话的关键。

LangGraph 提供了强大的工具来管理智能体的短期记忆，帮助开发者轻松实现这一目标。

本文将通过实际代码示例，详细讲解如何在 LangGraph 中使用短期记忆来跟踪对话历史，并通过总结和修剪消息历史记录来优化对话管理。

基本信息

• 模型调用通义千问（阿里Tongyi大模型）
• 短期记忆：通过维护会话中的消息的历史记录，来跟踪正在进行的对话。短期记忆也称为线程级记忆。
• 长期记忆：跨会话存储用户特定或应用程序级数据。长期记忆又称为跨线程记忆。

使用 LangGraph 管理短期记忆

短期记忆使智能体能够跟踪多轮对话。要使用它，您必须：

• checkpointer:创建代理时提供。checkpointer使得智能体状态能够持久化。
• thread_id:在配置config时需提供thread_id。thread_id是短期记忆会话的唯一标识符。

LangGraph 提供了两种主要方式来管理短期记忆：总结和修剪消息历史记录。这两种方法可以帮助智能体在长对话中保持高效的上下文管理，避免超出语言模型的上下文窗口限制

1 短期记忆的基本实现

首先，我们需要创建一个智能体，并为其配置短期记忆管理工具。LangGraph 提供了 InMemorySaver 类来实现短期记忆的持久化。

# -*- coding: utf-8 -*-
from langchain_community.chat_models.tongyi import ChatTongyi
from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import InMemorySaver

#模型初始化
llm = ChatTongyi(
    model="qwen-turbo",#qwen-max-latest qwen-plus
    temperature=0,
    verbose=True,
    )
#定义一个工具函数
def get_ICBC(anyStr: str) -> str:  
    """获得中国工商银行的保险."""
    return f"工银安盛人寿保险有限公司 简称工银安盛人寿!"

# 检查点/短期记忆
checkpointer = InMemorySaver() 

#构建一个智能体
agent = create_react_agent(
    model=llm,
    tools=[get_ICBC],
    checkpointer=checkpointer 
)

#智能体的调用
config = {
   "configurable": {
   "thread_id": "1" } }
sf_response = agent.invoke(
    {
   "messages": [{
   "role": "user", "content": "你能告诉杭州中国工商银行的保险名称？"}]},
    config
)
print("第一个问题: "+sf_response["messages"