CNDBA社区
LangGraph Agent 的持久化记忆能力主要通过 检查点（Checkpoints） 和 Store 抽象 实现，两者分别针对 短期记忆 和 长期记忆，并支持多种存储后端。以下是具体的实现方式、对比以及 Store 抽象支持的数据库：
一、持久化记忆的实现方式及对比
1. 检查点（Checkpoints）：短期记忆的持久化
实现方式：
- 检查点机制：通过
checkpointer参数将图的状态（Graph State）持久化到指定存储中。每次执行图时会自动保存状态，后续可通过thread_id恢复上下文。 - 支持的存储后端：
- InMemorySaver：内存存储（临时，程序终止后数据丢失）。
- SqliteSaver：SQLite 数据库（轻量级，适合本地持久化）。
- PostgresSaver：PostgreSQL 数据库（适合高可靠性场景）。
- 自定义存储：开发者可实现
Checkpoint接口集成外部存储（如 Redis、云数据库）。
特点对比：
| 特性 | InMemorySaver | SqliteSaver | PostgresSaver |
|---|---|---|---|
| 持久性 | ❌（程序终止后丢失） | ✅（本地文件持久化） | ✅（分布式数据库） |
| 性能 | ⭐⭐⭐⭐（内存快） | ⭐⭐⭐（本地 I/O） | ⭐⭐（网络延迟） |
| 适用场景 | 快速测试、调试 | 单机应用、轻量级持久化 | 高并发、分布式系统 |
代码示例：
from langgraph.checkpoint.memory import InMemorySaver
from langgraph.checkpoint.sqlite import SqliteSaver
from langgraph.checkpoint.postgres import PostgresSaver
agent = create_react_agent(model=llm, tools=tools, checkpointer=InMemorySaver()) # 内存存储
agent = create_react_agent(model=llm, tools=tools, checkpointer=SqliteSaver(database="memory.db")) # SQLite
agent = create_react_agent(model=llm, tools=tools, checkpointer=PostgresSaver(connection_string="postgres://...")) # PostgreSQL
2. Store 抽象：长期记忆的持久化
实现方式：
- Store 接口：通过
langgraph.store.base.BaseStore抽象基类实现，支持键值存储、命名空间管理、向量相似性搜索等功能。 - 支持的数据库：
- Redis：键值存储，适合快速读写。
- FAISS/Chroma：向量数据库，支持语义检索。
- 自定义存储：开发者可通过继承
BaseStore实现自定义存储（如 MySQL、MongoDB）。
特点对比：
| 特性 | Redis | FAISS/Chroma | 自定义存储 |
|---|---|---|---|
| 数据类型 | 键值对、JSON | 向量数据 | 自定义结构 |
| 查询能力 | 精确匹配 | 语义相似性搜索 | 自定义查询逻辑 |
| 适用场景 | 用户画像、配置存储 | 知识库问答、推荐系统 | 企业级定制需求 |
代码示例（结合 Redis）：
from langgraph.store.base import Store
store = Store(redis_url="redis://localhost:6379/0")
# 存储长期记忆
store.put("user_123/profile", {"preferences": {"language": "en", "theme": "dark"}})
# 检索长期记忆
user_profile = store.get("user_123/profile")
二、Store 抽象支持的数据库详解
LangGraph 的 Store 抽象通过 BaseStore 类提供统一接口，开发者可通过以下方式扩展支持的数据库：
1. Redis
- 特点：
- 高性能键值存储，支持字符串、哈希等数据结构。
- 适合存储结构化数据（如用户偏好、配置）。
- 集成方式：
from langgraph.store.redis import RedisStore store = RedisStore(redis_url="redis://localhost:6379/0")
2. FAISS/Chroma
- 特点：
- 向量数据库，支持语义相似性搜索。
- 适合知识库问答、推荐系统等需要语义匹配的场景。
- 集成方式：
from langgraph.store.chroma import ChromaStore store = ChromaStore(collection_name="chat_memory", persist_directory="./chroma_db")
3. 自定义存储
- 特点：
- 通过继承
BaseStore实现自定义逻辑。 - 可适配任意数据库（如 MySQL、MongoDB）。
- 通过继承
示例代码：
from langgraph.store.base import BaseStore class MyCustomStore(BaseStore): def put(self, namespace, key, value): # 自定义存储逻辑（如写入 MySQL） pass def get(self, namespace, key): # 自定义查询逻辑 pass
三、实现方式对比总结
| 维度 | 检查点（短期记忆） | Store（长期记忆） |
|---|---|---|
| 目标 | 多轮对话上下文管理 | 跨会话的长期数据存储 |
| 存储内容 | 图状态（如对话历史） | 用户偏好、历史决策、知识库 |
| 存储后端 | 内存、SQLite、PostgreSQL | Redis、FAISS、Chroma、自定义 |
| 持久性 | 可选（内存为临时） | 强持久化（依赖后端） |
| 开发复杂度 | 低（内置接口） | 中（需适配存储后端） |
| 典型场景 | 任务流执行、客服对话 | 个性化推荐、用户画像管理 |
四、如何选择？
- 短期记忆（多轮对话）：
- 调试阶段：使用
InMemorySaver（快速启动）。 - 生产环境：使用
SqliteSaver（单机应用）或PostgresSaver（分布式系统）。
- 调试阶段：使用
- 长期记忆（跨会话数据）：
- 结构化数据：使用 Redis 或自定义数据库。
- 语义搜索需求：使用 FAISS/Chroma。
- 企业级定制：通过
Store接口扩展自定义存储。
五、扩展：与 Mem0 等工具的集成
LangGraph 可结合 Mem0 等工具增强记忆能力：
- Mem0 特点：
- 自动提取对话中的关键信息并生成摘要。
- 支持 LLM 驱动的记忆更新和淘汰策略。
- 集成向量数据库（如 Chroma）实现智能检索。
代码示例（Mem0 + LangGraph）：
from mem0 import Memory
mem0 = Memory.from_config({
"llm": {"model": "gpt-4o-mini"},
"vector_store": {"provider": "chroma", "collection_name": "chat_memory"}
})
# 添加长期记忆
mem0.add("user_123", "I prefer Italian cuisine for dinner.")
# 检索相关记忆
retrieved_memories = mem0.get("user_123", query="What are your dining preferences?")
总结
LangGraph 的持久化记忆能力通过 检查点机制（短期）和 Store 抽象（长期）实现，开发者可根据场景选择合适的存储后端。短期记忆适合多轮对话的上下文管理，长期记忆则用于跨会话的个性化数据存储。结合 Mem0 等工具，可进一步增强记忆的智能性和动态更新能力。
