LangMem

LangMem 帮助智能体在与用户的交互中不断学习和适应。

它提供了一系列工具，用于从对话中提取重要信息、通过优化提示来改进智能体的行为，并维护长期记忆。

LangMem 既提供了可与任何存储系统配合使用的功能原语，也与 LangGraph 的存储层实现了原生集成。

这使得您的智能体能够持续改进、个性化回复，并在不同会话中保持一致的行为。

核心特性

• 🧩 核心记忆 API，可与任何存储系统兼容
• 🧠 记忆管理工具，智能体可在活跃对话的“热路径”中记录和检索信息
• ⚙️ 后台记忆管理器，自动提取、整合并更新智能体的知识
• ⚡ 与 LangGraph 长期记忆存储的原生集成，默认适用于所有 LangGraph 平台部署

安装

pip install -U langmem

请使用您喜爱的 LLM 提供商的 API 密钥配置环境变量：

export ANTHROPIC_API_KEY="sk-..."  # 或其他支持的 LLM 提供商

创建智能体

以下是如何仅用几行代码创建一个能够主动管理自身长期记忆的智能体：

# 导入核心组件 (1)
from langgraph.prebuilt import create_react_agent
from langgraph.store.memory import InMemoryStore
from langmem import create_manage_memory_tool, create_search_memory_tool

# 设置存储 (2)
store = InMemoryStore(
    index={
        "dims": 1536,
        "embed": "openai:text-embedding-3-small",
    }
) 

# 创建具备记忆能力的智能体 (3)
agent = create_react_agent(
    "anthropic:claude-3-5-sonnet-latest",
    tools=[
        # 记忆工具使用 LangGraph 的 BaseStore 进行持久化 (4)
        create_manage_memory_tool(namespace=("memories",)),
        create_search_memory_tool(namespace=("memories",)),
    ],
    store=store,
)

1. 记忆工具可以在任何 LangGraph 应用中使用。这里我们使用 create_react_agent 来运行带有工具的 LLM，但您也可以将这些工具添加到现有智能体中，或者在没有智能体的情况下构建自定义记忆系统。

2. InMemoryStore 将记忆保存在进程内存中——重启后数据会丢失。在生产环境中，请使用 AsyncPostgresStore 或类似的基于数据库的存储，以确保记忆在服务器重启后仍能持久化。

3. 记忆工具（create_manage_memory_tool 和 create_search_memory_tool）允许您控制哪些内容会被存储。智能体会从对话中提取关键信息，保持记忆的一致性，并判断何时需要搜索过往交互。有关配置选项，请参阅 记忆工具。

接下来即可使用该智能体：

# 存储一条新记忆 (1)
agent.invoke(
    {"messages": [{"role": "user", "content": "记住我偏好暗色模式。"}]}
)

# 检索已存储的记忆 (2)
response = agent.invoke(
    {"messages": [{"role": "user", "content": "我的显示偏好是什么？"}]}
)
print(response["messages"][-1].content)
# 输出： "你曾告诉我你偏好暗色模式。"

1. 智能体会自行决定存储什么以及何时存储。无需特殊指令——只需正常聊天，智能体就会利用 create_manage_memory_tool 存储相关细节。

2. 智能体会在不同会话之间保持上下文连贯。当您询问之前的交互时，LLM 可以调用 create_search_memory_tool 来搜索相关内容的记忆。请参阅 记忆工具，以自定义记忆的存储和检索方式；同时，建议阅读 热路径快速入门，获取更完整的示例，展示如何在不需智能体显式搜索的情况下融入记忆功能。

现在，该智能体已经能够存储对话中的重要信息、在必要时检索记忆，并在不同会话间持久化知识。

[!TIP] 如需开发、调试和部署 AI 智能体及 LLM 应用程序，请参阅 LangSmith。

后续步骤

更多示例和详细文档：

• 热路径快速入门 - 学习如何让您的 LangGraph 智能体在“热路径”中自主管理记忆
• 后台快速入门 - 学习如何使用后台记忆管理器
• 核心概念 - 了解关键理念
• API 参考 - 完整的功能文档
• 构建 RSI 🙂

LangMem 快速上手指南

LangMem 是一款帮助 AI Agent 从交互中学习并适应的工具。它提供了从对话中提取关键信息、优化提示词以及维护长期记忆的功能，支持任意存储系统，并能与 LangGraph 的存储层原生集成。

环境准备

在开始之前，请确保满足以下条件：

• Python 版本：建议 Python 3.9 或更高版本。
• 前置依赖：需要安装 langgraph 相关库（安装 langmem 时通常会自动处理依赖）。
• LLM API Key：你需要一个支持的 LLM 提供商 API Key（如 Anthropic、OpenAI 等）。本指南以 Anthropic 为例。

安装步骤

使用 pip 安装最新版本的 langmem：

pip install -U langmem

配置环境变量，设置你的 LLM 提供商 API Key：

export ANTHROPIC_API_KEY="sk-..."  # 替换为你实际的 Anthropic API Key
# 如果使用 OpenAI，请 export OPENAI_API_KEY="sk-..."

提示：国内开发者若遇到下载慢的问题，可使用国内镜像源安装：

pip install -U langmem -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

以下示例展示如何创建一个具备长期记忆能力的 Agent，使其能够记住用户偏好并在后续对话中检索。

1. 创建具备记忆功能的 Agent

# 导入核心组件
from langgraph.prebuilt import create_react_agent
from langgraph.store.memory import InMemoryStore
from langmem import create_manage_memory_tool, create_search_memory_tool

# 设置存储 (开发测试使用内存存储，生产环境建议改用 AsyncPostgresStore)
store = InMemoryStore(
    index={
        "dims": 1536,
        "embed": "openai:text-embedding-3-small",
    }
) 

# 创建带有记忆工具的 Agent
agent = create_react_agent(
    "anthropic:claude-3-5-sonnet-latest",
    tools=[
        # 记忆工具使用 LangGraph 的 BaseStore 进行持久化
        create_manage_memory_tool(namespace=("memories",)),
        create_search_memory_tool(namespace=("memories",)),
    ],
    store=store,
)

2. 测试记忆存储与检索

存储记忆：直接告诉 Agent 需要记住的信息，它会自动调用工具进行存储。

# 存储新记忆
agent.invoke(
    {"messages": [{"role": "user", "content": "Remember that I prefer dark mode."}]}
)

检索记忆：在后续对话中询问相关信息，Agent 会自动搜索记忆并回答。

# 检索已存储的记忆
response = agent.invoke(
    {"messages": [{"role": "user", "content": "What are my lighting preferences?"}]}
)
print(response["messages"][-1].content)
# 输出示例："You've told me that you prefer dark mode."

注意事项

• 存储持久化：上述示例使用的 InMemoryStore 仅在进程运行期间有效，重启后数据会丢失。生产环境请使用 AsyncPostgresStore 或其他数据库支持的存储方案。
• 自动化：无需特殊命令触发记忆，Agent 会在对话过程中自动判断何时存储或搜索记忆。