LangMem 托管长期记忆

代理为什么会「失忆」

多数基于 LangGraph 构建的代理本质上是无状态的：每一次对话都从空上下文开始，模型无法感知上一次会话中已经确认的事实。即使加了简单的 messages_history，历史也只是越堆越长，关键信息被淹没在噪声里，推理成本随之上升，而真正需要跨会话保留的偏好、身份、业务事实依然没有被结构化地沉淀下来。

更麻烦的是，缺乏统一入口时，记忆的写入和读取往往散落在业务代码各处：有的塞进了提示词模板，有的堆在某个自定义的字典里，缺少检索路径，也没有明确的更新策略。

这个技能做了什么

这个技能引入 langmem，为 LangGraph 代理补齐托管式长期记忆这一层。它向代理暴露内存管理与搜索两类工具，让代理在运行过程中能够：

• 存储：把跨会话仍然有效的事实（用户偏好、账号信息、项目约定等）写入持久层；
• 检索：在新会话开始或需要决策时，按语义或关键词把相关事实取回来；
• 更新：当事实发生变化时覆盖或合并旧记录，而不是无限追加。

关键在于「代理主动管理」：代理自己决定什么时候该记、记什么、如何更新，而不是依赖外部脚本定期清洗数据。上手路径很短——配置好 LLM 提供商的 API 密钥，再用几行代码初始化代理，就可以得到一个具备主动长期记忆能力的运行时。

适用边界与注意点

• 运行时绑定：需要 LangGraph 或 LangChain 的代理运行时配合使用，langmem 不是独立可跑的通用记忆服务。
• 生产环境必须配持久化存储：默认的内存态方案只适合开发调试，正式部署时应接入如 Postgres 这类持久化存储，否则重启即丢。
• 依赖外部 LLM：记忆的提取、合并与检索都依赖模型能力，API 密钥与额度是硬前提。
• 不是向量库的替代品：它解决的是「代理如何读写记忆」这一层，底层存储选型仍需要自己规划。
• 事实质量取决于模型：写入记忆的内容来自模型对对话的归纳，关键业务场景下建议对写入结果做校验或设置来源标记。

上游文档见 langmem 官方站点 langchain-ai.github.io/langmem。