LangGraph实战：如何用MemorySaver为Agent添加短期记忆（附完整代码）

LangGraph实战：为智能体注入短期记忆，打造有“温度”的对话体验

你是否曾与一个健忘的聊天机器人对话，感觉就像每次都在和一位新朋友重新介绍自己？那种重复和断裂的体验，极大地削弱了交互的流畅感和信任感。在构建真正智能、能理解上下文的应用时，让Agent记住刚刚发生的事，是迈向人性化交互的关键一步。这不仅仅是技术上的“状态保持”，更是创造有“温度”、有连续感用户体验的核心。

今天，我们就深入LangGraph的实战腹地，聚焦于如何利用其内置的MemorySaver机制，为你的Agent赋予可靠的短期记忆能力。无论你是在构建一个需要记住用户偏好的个性化推荐助手，还是一个需要追踪复杂任务进度的项目管理Bot，短期记忆都是其“大脑”中不可或缺的工作记忆区。本文面向已经对LangGraph基础概念有所了解，并希望将Agent交互体验提升到新层次的开发者。我们将从原理拆解到代码实战，一步步构建一个能记住“你是谁”的智能体。

1. 理解LangGraph中的记忆体系：从状态到持久化

在深入代码之前，我们必须先厘清LangGraph中“记忆”的本质。它并非一个独立的、神秘的黑盒，而是紧密围绕**状态（State）和检查点（Checkpoint）**这两个核心概念构建的。

状态是Agent在任意时刻的“快照”，它包含了当前对话中的所有消息、工具调用结果、以及任何你自定义的变量。你可以把它想象成游戏中的存档点，记录了角色当前的位置、装备和任务进度。在LangGraph中，我们通过定义一个StateGraph来管理这个状态的流转。

而短期记忆的实现，关键在于如何保存和恢复这些状态快照。这就是Checkpointer（检查点存储器）的职责。MemorySaver是LangGraph提供的一种轻量级、基于内存的Checkpointer实现。它的工作流程可以概括为：

1. 步骤执行前：根据当前会话的thread_id，从存储器中读取上一次保存的状态，作为本次执行的初始状态。
2. 步骤执行后：将执行产生的新状态作为检查点，保存回存储器，并与thread_id关联。

这个过程确保了在同一会话线程内，每一次交互都不是孤立的，而是建立在前序交互累积的上下文之上。

注意：MemorySaver将数据存储在进程内存中。这意味着当Python进程重启后，所有记忆都会丢失。它非常适合开发、测试以及不需要跨进程或服务器持久化的短期会话场景。

为了更清晰地对比不同记忆类型的特性，我们可以参考下表：