在之前的教程中，我们的 Chatbot 已经学会了如何使用工具 (Tools)来回答用户的问题。然而，它仍然缺少一个关键能力：记忆。它无法记住之前的交互内容，这使得它难以进行连贯、有上下文的多轮对话。
LangGraph 通过其持久化检查点 (persistent checkpointing) 机制优雅地解决了这个问题。核心思想是：在编译图 (Graph) 时提供一个 checkpointer，并在调用图时指定一个 thread_id。这样，LangGraph 会在每个步骤后自动保存当前的状态 (State)。当用户使用相同的 thread_id 再次调用图时，LangGraph 会加载已保存的状态，从而让 Chatbot 能够“记起”之前的对话，无缝衔接。
稍后你会发现，检查点 (checkpointing) 的功能远比简单的聊天记忆强大。它允许你随时保存和恢复复杂的图状态，这为错误恢复、人机协作 (human-in-the-loop) 工作流、时间旅行 (time travel) 交互等高级应用场景打开了大门。不过，让我们先从基础开始，为我们的 Chatbot 添加多轮对话能力。
注意：本教程基于《为 LangGraph 应用添加工具》一文的代码。
步骤一：创建 Checkpointer
首先，我们需要创建一个检查点工具。LangGraph 提供了多种 checkpointer 实现，这里我们使用 InMemorySaver，它将所有状态保存在内存中，非常适合教学和快速原型验证。
from langgraph.checkpoint.memory import InMemorySaver
memory = InMemorySaver()
InMemorySaver 是一个内存中的检查点程序，对于本教程来说非常方便。但在生产环境中，你可能需要将其替换为 SqliteSaver 或 PostgresSaver，并将状态持久化到数据库中。
步骤二：编译 Graph
接下来，在编译图时，将我们刚刚创建的 checkpointer 传入。这样，图在执行每个节点后，都会自动将当前 State 的快照进行保存。
graph = graph_builder.compile(checkpointer=memory)
步骤三：与 Chatbot 交互
现在，激动人心的时刻到了！我们可以开始与具备记忆功能的 Chatbot 进行对话了。
1. 指定对话线程
为本次对话选择一个唯一的标识符，我们称之为 thread_id。这个 ID 将作为保存和加载对话状态的钥匙。
config = {"configurable": {"thread_id": "1"}}
2. 发起第一次对话
调用你的 Chatbot，并传入配置。
重要提示：
config参数是stream()或invoke()方法的第二个位置参数，它不应嵌套在图的输入数据（即{"messages": [...]}）中。
user_input = "你好！我叫 Will。"
# config 是 stream() 或 invoke() 的第二个位置参数
events = graph.stream(
{"messages": [{"role": "user", "content": user_input}]},
config,
stream_mode="values",
)
for event in events:
event["messages"][-1].pretty_print()
输出结果如下：
================================ Human Message =================================
你好！我叫 Will。
================================== Ai Message ==================================
你好，Will！很高兴认识你。今天有什么可以帮你的吗？有什么具体想知道或讨论的吗？
步骤四：提出后续问题
现在，让我们问一个需要联系上下文的问题，看看 Chatbot 是否能记住我们刚才告诉它的信息。
user_input = "还记得我的名字吗？"
# 同样使用包含相同 thread_id 的 config
events = graph.stream(
{"messages": [{"role": "user", "content": user_input}]},
config,
stream_mode="values",
)
for event in events:
event["messages"][-1].pretty_print()
Chatbot 的回答：
================================ Human Message =================================
还记得我的名字吗？
================================== Ai Message ==================================
当然，我记得你的名字是 Will。我总是努力记住用户与我分享的重要细节。还有其他你想聊的话题或问题吗？我在这里可以帮助你处理各种主题或任务。
看到了吗？我们没有在代码中维护任何外部的记忆列表，所有的对话历史都由 checkpointer 自动处理了！你可以通过这个 LangSmith 链路 查看完整的执行过程，了解其背后原理。
为了进一步验证，让我们尝试使用一个不同的 thread_id 来问同样的问题。
# 唯一的区别是我们将 thread_id 从 "1" 改为了 "2"
events = graph.stream(
{"messages": [{"role": "user", "content": user_input}]},
{"configurable": {"thread_id": "2"}},
stream_mode="values",
)
for event in events:
event["messages"][-1].pretty_print()
这次，Chatbot 的回答截然不同：
================================ Human Message =================================
还记得我的名字吗？
================================== Ai Message ==================================
抱歉，我没有任何关于你名字的先前上下文或记忆。作为一名 AI 助手，我不会保留过去对话中的信息。每次互动都是全新的开始。可以告诉我你的名字吗，以便我能在这次对话中正确地称呼你？
正如预期，由于使用了新的 thread_id，checkpointer 找不到对应的历史状态，因此 Chatbot 开始了一段全新的对话。你可以对比这次调用的 LangSmith 链路。
步骤五：检查图的状态
到目前为止，我们已经在两个不同的线程上创建了几个检查点。那么，一个检查点里到底包含了什么呢？我们可以随时通过 get_state(config) 方法来检查给定 config (即特定 thread_id) 下图的当前状态。
snapshot = graph.get_state(config)
snapshot
输出如下：
StateSnapshot(values={'messages': [HumanMessage(content='你好！我叫 Will.', ...), AIMessage(content="你好，Will！很高兴认识你...", ...), HumanMessage(content='还记得我的名字吗？', ...), AIMessage(content="当然，我记得你的名字是 Will...", ...)]}, next=(), config={'configurable': {'thread_id': '1', ...}}, ...)
我们可以看到，StateSnapshot 对象包含了：
values: 当前的状态值，这里是包含了所有对话历史的messages列表。config: 与此状态对应的配置，包括thread_id。next: 下一个要执行的节点。由于我们的对话在本轮已经结束（走到了END节点），所以next是空的。
恭喜！借助 LangGraph 的检查点系统，你的 Chatbot 现在可以在不同会话间保持对话状态了。这为构建更自然、更具上下文感知能力的交互应用开启了无限可能。更重要的是，LangGraph 的检查点机制能够处理任意复杂的图状态，远比传统的简单聊天记忆列表更为强大和灵活。
下面是本教程中完整的代码，以供回顾：
from typing import Annotated
from typing_extensions import TypedDict
from langchain_core.messages import BaseMessage
from langchain.chat_models import init_chat_model
from langchain_tavily import TavilySearch
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode, tools_condition
from langgraph.checkpoint.memory import InMemorySaver
# 1. 定义状态
class State(TypedDict):
messages: Annotated[list, add_messages]
# 2. 初始化模型和工具
# 假设 llm 已通过 init_chat_model("openai:gpt-4o") 等方式初始化
llm = init_chat_model("openai:gpt-4o") # 替换为你选择的模型
tool = TavilySearch(max_results=2)
tools = [tool]
llm_with_tools = llm.bind_tools(tools)
# 3. 定义图的节点
def chatbot(state: State):
return {"messages": [llm_with_tools.invoke(state["messages"])]}
tool_node = ToolNode(tools=[tool])
# 4. 构建图
graph_builder = StateGraph(State)
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_node("tools", tool_node)
graph_builder.add_conditional_edges(
"chatbot",
tools_condition,
)
graph_builder.add_edge("tools", "chatbot")
graph_builder.set_entry_point("chatbot")
# 5. 添加 Checkpointer 并编译
memory = InMemorySaver()
graph = graph_builder.compile(checkpointer=memory)
下一步
在下一篇教程中，我们将为 Chatbot 添加“人机协作” (Human-in-the-loop) 机制，以处理那些需要人工指导或验证才能继续执行的复杂情况。
关于
关注我获取更多资讯
