LangGraph 对话内容筛选与存储实现指南

核心机制概览

功能	核心机制	实现方法/工具	关键点
筛选	状态管理	RemoveMessage、filter_messages、trim_messages、SummarizationNode	可删除、过滤、修剪或总结对话历史，以控制上下文长度和成本。
存储	检查点 (Checkpoints)	InMemorySaver (开发), AsyncPostgresSaver (生产)	用于持久化单次对话线程的状态，实现短期记忆。
存储	存储层 (Store)	InMemoryStore, AsyncPostgresStore	用于跨会话、跨线程的长期记忆存储，可按命名空间和键值检索。
检索	向量检索	PostgresStore.search(), 集成Mem0, langmem 工具	通过语义相似度在长期记忆中查找相关信息。

---

🧠 如何筛选对话内容

对话筛选的核心是管理上下文窗口，控制Token消耗和成本。LangGraph 提供了以下方法：

消息过滤 (Message Filtering)

此方法不修改原始状态，只在调用LLM前临时筛选消息列表。

• filter_messages：按消息类型（如是否删除 SystemMessage）或角色过滤。
• RemoveMessage：从图状态中直接删除指定ID的消息，可减少状态存储开销。

消息修剪 (Message Trimming)

基于Token数量，精确控制传给LLM的消息历史。

• trim_messages：从 langchain_core.messages 导入，可设置 max_tokens 和策略（如 strategy="last"），确保传入的消息在Token预算内。

LLM摘要 (LLM Summarization)

用LLM将对话历史压缩为摘要，用简短的摘要文本替代原始消息，保留关键信息。

• 实现：在LangGraph图中创建一个专门的“摘要节点”，定期触发并将结果存入状态。

---

💾 对话内容如何存储

LangGraph的存储机制分为“短期”和“长期”，服务于不同目的。

短期记忆：检查点 (Checkpoints)

它像“会话记忆”，用于在同一对话线程内记住上下文，实现多轮对话和“人在环”。

• 作用：LangGraph 在图的每个“节点”执行后自动保存状态（如 messages 列表）。
• 实现：在编译图时传入 checkpointer 对象，并通过 config 参数为每个对话指定唯一的 thread_id。

from langgraph.checkpoint.memory import InMemorySaver
checkpointer = InMemorySaver() # 开发环境，也可用AsyncPostgresSaver等用于生产
graph = builder.compile(checkpointer=checkpointer)

config = {"configurable": {"thread_id": "1"}}
graph.invoke({"messages": [HumanMessage(content="你好")]}, config)

长期记忆：存储层 (Store)

它像“知识库”，用于跨会话、跨线程地保存用户偏好、事实等持久信息。

• 实现：使用 BaseStore 接口，可选用 InMemoryStore（开发）或 AsyncPostgresStore（生产）。通过命名空间（namespace）和键（key）来组织数据-。

from langgraph.store.memory import InMemoryStore

store = InMemoryStore()
store.put(("user_preferences", "123"), "theme", {"value": "dark"})
theme = store.get(("user_preferences", "123"), "theme")

🏗️ 筛选与存储的协同：记忆架构设计

筛选与存储常常协同工作。LangMem 就是一个优秀的整合方案，它通过提供一系列工具，让智能体自主决定何时存储、更新或搜索长期记忆。

• 初始化存储层 (Store)：配置 InMemoryStore 并设置索引以支持向量搜索。

• 创建记忆管理工具：使用 langmem 提供的 create_manage_memory_tool 和 create_search_memory_tool。

• 创建并运行智能体：将这些工具添加到你的 Agent 中。Agent 会自然地使用这些工具进行记忆的筛选和存储。

💡 最佳实践建议

• 环境区分：开发测试用 InMemorySaver/Store；生产环境务必用 AsyncPostgresSaver/Store 实现数据持久化。

• 性能考量：存储到长期记忆前，通过过滤和摘要来压缩数据，能有效减少Token消耗、节省成本。

• 时间戳策略：使用 PostgresStore 时，为按时间范围检索，应在存储的数据内容中加入时间戳字段。

• 生态集成：如果LangGraph原生功能不够用，可以集成Mem0等专门服务。它以极少的代码（仅需 add() 和 search() 两个方法）提供强大的记忆层能力。

LangGraph 的“筛选”与“存储”能力是其核心优势。通过组合 filter_messages、trim_messages、Checkpointer 和 Store 等工具，你可以为智能体构建出强大、个性化和经济的记忆系统。
LangMem 概念解析

LangMem：为 LangGraph 智能体赋予长期记忆的开源 SDK

什么是 LangMem？

LangMem 是 LangChain 团队专为 LangGraph 智能体（Agent）开发的开源长期记忆 SDK。它解决了 AI 在多轮对话中容易“失忆”的核心痛点，让智能体不仅能“记住”用户说过的话，还能从中“学习”和“进化”。

核心能力速览

特性	描述	解决的问题
核心定位	专为 LangGraph 设计的开源记忆SDK。	为原生框架提供无缝集成的记忆方案。
记忆类型	语义记忆（事实/偏好）、情景记忆（经验/摘要）、程序性记忆（行为/规则）。	模拟人类记忆模式，信息结构化存储。
整合模式	支持热路径工具（对话中实时调用）和后台管理器（对话后异步处理）。	适应不同性能场景，平衡实时性与吞吐量。
独特优势	1. 自动整合与去重 2. 提示词自我优化（程序性记忆） 3. 框架无关的核心API	解决记忆膨胀、提升智能体“情商”和长期性能。

---

快速上手：为智能体安装 LangMem

以下极简示例展示了如何快速集成 LangMem（需提前安装 langgraph、langmem 并配置大模型 API Key）。

1. 初始化带语义搜索的内存库

from langgraph.store.memory import InMemoryStore

# 开发环境使用内存存储，生产环境请使用 AsyncPostgresStore
store = InMemoryStore(
    index={
        "dims": 1536,  # 嵌入向量维度
        "embed": "openai:text-embedding-3-small",  # 使用的嵌入模型
    }
)

2.创建智能体并授予记忆工具

from langgraph.prebuilt import create_react_agent
from langmem import create_manage_memory_tool, create_search_memory_tool

agent = create_react_agent(
    "anthropic:claude-3-5-sonnet-latest",
    tools=[
        create_manage_memory_tool(namespace=("user_memories",)),
        create_search_memory_tool(namespace=("user_memories",)),
    ],
    store=store,
)

3. 对话：智能体自主记忆与检索

# 第一轮：存储用户偏好
agent.invoke(
    {"messages": [{"role": "user", "content": "记住我喜欢用暗色模式。"}]}
)
# 智能体内部会自动调用 manage_memory 工具记录此偏好。

# 第二轮：检索记忆中的信息
response = agent.invoke(
    {"messages": [{"role": "user", "content": "我上次说的界面偏好是什么？"}]}
)
print(response["messages"][-1].content) 
# 预期输出: "您之前提到过喜欢使用暗色模式。"

LangMem 与主流记忆方案对比

为了帮助你做出技术选型，这里将 LangMem 与其他热门方案进行对比：

特性	LangMem (LangChain)	Mem0	Zep	Letta (原MemGPT)
核心定位	LangGraph 的原生记忆库（SDK）	平台化的记忆服务	上下文工程平台	完整的智能体运行时平台
部署方式	开源库，需自托管	开源 + 云服务	主要为云服务	开源 + 云服务
知识图谱	无	有 (Pro+)	有 (核心特性)	无
独特优势	提示词自我优化、框架无缝集成	生态成熟、记忆压缩、合规性强	强大的实体提取和事实去重	操作系统级的三级记忆架构
适用场景	深度使用 LangGraph 构建，且需要程序性记忆（自适应学习）的场景	需要企业级功能、知识图谱和平台服务的团队	需要构建复杂、可进行深层上下文推理的应用	希望更换智能体底层架构，实现极致记忆管理的项目

最佳实践建议

环境区分：开发测试使用 InMemoryStore，生产环境务必切换到 AsyncPostgresStore 等持久化方案。

按需提取：使用 Pydantic 模型定义清晰的记忆结构，确保提取的信息精准、可用。

监控整合：定期检查记忆库，LangMem 的自动整合功能可防止记忆膨胀。

隐私合规：处理用户数据时，必须遵守 GDPR 等法规，并提供记忆管理的用户界面（如查看、删除）。