Harness 与 Agent 工程 · 上下文与记忆 · 2025-07-04

让你的 AI Agent 拥有“永不遗忘”的超能力:LangGraph 与 PostgreSQL 实现长期记忆的深度实践

让AI Agent告别"金鱼记忆"!深度解析如何通过LangGraph+PostgreSQL实现长期记忆,打造真正智能的AI助手。

核心内容:

  1. AI Agent"失忆症"的痛点分析与长期记忆的重要性
  2. LangGraph核心机制:状态管理、图结构与检查点技术
  3. PostgreSQL数据库实现持久化存储的详细技术方案

🚀 引言:AI Agent 的“失忆症”与长期记忆的迫切性

在当今 AI 飞速发展的时代,LLM (大型语言模型) 驱动的 AI Agent 正在成为自动化复杂任务、提升生产力的核心力量。从智能客服、招聘助理到自动化代码生成,Agent 的应用场景日益广泛。然而,许多开发者在构建 Agent 时,都会遇到一个核心痛点:Agent 的“金鱼记忆”问题。

标准的 LLM 调用是无状态的。每次交互,它都像第一次见到你一样,无法记住上文、无法积累经验、更无法在多轮对话或跨会话中保持上下文连贯性。这极大地限制了 Agent 的应用深度和用户体验。想象一下,一个招聘 Agent 每次都让你重复职位要求;一个客服 Agent 无法记住你上次的投诉详情,这是多么糟糕的体验!

为了解决这一问题,赋予 AI Agent 长期记忆(Long-Term Memory)能力成为了构建真正智能、高效 Agent 的关键。它让 Agent 不仅能理解当前指令,更能记住过往的交互、学习到的知识,甚至从历史经验中进行“反思”和“成长”。

本文将深入探讨如何在 LangGraph (LangChain 家族中用于编排复杂 Agent 行为的框架) 中,结合PostgreSQL (一个强大、稳定、可扩展的关系型数据库) 来实现 Agent 的长期记忆。我们将提供详细的技术原理、工程实践、可直接使用的代码示例,并讨论其带来的变革、面临的挑战与最佳实践。


🧠 LangGraph 核心机制:状态、图与检查点

在深入实现之前,我们需要先理解 LangGraph 的几个核心概念:

  1. Agent State(Agent 状态):这是 LangGraph 中最基本的概念,它是一个 Python 字典或 TypedDict,存储着 Agent 在特定时刻的所有相关信息。例如,对于一个对话 Agent,它的状态可能包含 messages (消息列表)、current_task (当前正在执行的任务)、tool_outputs (工具执行结果) 等。在 Agent 的每次运行中,这个状态会被不断读取、修改和传递。
  2. Graph(图):LangGraph 将 Agent 的工作流程建模为一个有向图。图中的每个节点(Node)代表 Agent 的一个原子操作(例如调用 LLM、执行工具、进行数据处理)。节点之间通过边(Edge)连接,定义了状态流转的路径。
  3. Conditional Edge(条件边):这是 LangGraph 灵活性的核心。它允许 Agent 根据当前状态中的特定条件,动态地决定下一步跳转到哪个节点,从而实现复杂的决策逻辑和非线性流程。
  4. Checkpointer(检查点):这是实现长期记忆的关键组件。Checkpointer 负责将 Agent 的状态快照保存到持久化存储中,并在需要时恢复。这意味着无论 Agent 的运行中断、应用程序重启,甚至跨越数小时或数天,它都能从上次中断的地方继续,或者加载特定会话的历史上下文。

通过 Checkpointer 机制,LangGraph 解耦了 Agent 的运行时状态与持久化存储,使得开发者可以灵活选择不同的后端(如 SQLite、PostgreSQL、Redis 等)来实现长期记忆。


💾 为什么选择 PostgreSQL 作为 Agent 的长期记忆库?

在众多持久化存储方案中,PostgreSQL 作为关系型数据库的佼佼者,具备以下显著优势,使其成为 Agent 长期记忆的理想选择:


💻 工程实践:LangGraph Agent 与 PostgreSQL 的深度集成

接下来,我们将通过一个实际的 ReAct Agent 示例,详细演示如何将其与 PostgreSQL 进行集成,赋予它强大的长期记忆能力。

1. 环境准备与依赖安装

首先,确保你的 Python 环境就绪,并安装必要的库:

## 核心依赖:LangGraph, LangChain核心库pip install langgraph langchain-core# PostgreSQL 驱动和 SQLAlchemy ORM# psycopg2-binary 是一个预编译版本,安装更简便pip install psycopg2-binary sqlalchemy# 如果需要 OpenAI 的 LLMpip install langchain-openai# (可选但强烈推荐) 用于调试和可观测性的 LangSmith# pip install langsmith

2. PostgreSQL 数据库设置

确保你有一个运行中的 PostgreSQL 实例,并创建用于 Agent 记忆的数据库和用户。

方法一:使用 Docker 快速启动 (适合本地开发和测试)

## 1. 拉取 PostgreSQL 镜像docker pull postgres:latest# 2. 运行 PostgreSQL 容器# -p 5432:5432: 将容器的5432端口映射到宿主机的5432端口# -e POSTGRES_PASSWORD=mysecretpassword: 设置PostgreSQL的root用户密码# --name some-postgres: 给容器命名# -d: 后台运行docker run --name some-postgres -e POSTGRES_PASSWORD=mysecretpassword -p 5432:5432 -d postgres

方法二:通过 psql 创建数据库和用户

连接到你的 PostgreSQL 服务器(例如,使用 psql -U postgres -h localhost 并输入密码),然后执行以下 SQL 命令:

-- 创建一个独立的数据库用于Agent的记忆CREATEDATABASE langgraph_agent_memory;-- 创建一个专门的用户,增强安全性CREATEUSER langgraph_user WITHPASSWORD'your_secure_password';-- 授予用户对数据库的所有权限GRANTALLPRIVILEGESONDATABASE langgraph_agent_memory TO langgraph_user;

PostgreSQL 连接字符串 (URI)

根据你的设置,连接字符串通常遵循以下格式:postgresql+psycopg2://<user>:<password>@<host>:<port>/<database_name>

例如:postgresql+psycopg2://langgraph_user:your_secure_password@localhost:5432/langgraph_agent_memory

在后续代码中,我们会将这个字符串赋值给 POSTGRES_CONNECTION_STRING 变量。

3. 构建 LangGraph ReAct Agent

我们将构建一个经典的 ReAct Agent,它能够接收用户输入,决定是调用工具还是直接回答,并执行相应操作。

3.1 Agent 状态定义

Agent 的状态是其内部信息的载体,messages 是最核心的部分,用于存储对话历史。

from typing import List, Dict, TypedDict, Union, Annotatedimport operatorfrom langchain_core.messages import BaseMessage, HumanMessage, AIMessage, ToolMessagefrom langgraph.graph.message import add_messagesclass AgentState(TypedDict): """ AgentState 定义了 Agent 在 LangGraph 图中传递的状态。 'messages':核心,用于存储对话历史。 使用 Annotated[List[BaseMessage], add_messages], LangGraph 会自动将新消息添加到列表中。 'current_plan':可选,Agent 对当前任务的规划。 'tool_output': 可选,上次工具的输出结果。 """ messages: Annotated[List[BaseMessage], add_messages] # 你可以根据需要添加更多状态变量,例如: # current_job_query: Optional[str] = None # 招聘Agent可能需要记住当前职位查询 # relevant_docs: List[str] = [] # RAG Agent可能需要存储检索到的相关文档

3.2 工具定义

Agent 通过调用工具来与外部世界交互,执行特定任务。这里我们定义一个简单的模拟网页搜索工具。

from langchain_core.tools import tool@tooldef search_web(query: str) -> str: """ 模拟一个网页搜索工具。 在实际应用中,这里会调用真正的搜索引擎API(如Google Search API, Serper API等)。 """ print(f"\n--- 🌍 Agent 正在执行工具:search_web,查询内容:'{query}' ---") if"current weather"in query.lower(): return"模拟结果:当前天气晴朗,气温25摄氏度。" elif"capital of France"in query.lower(): return"模拟结果:法国的首都是巴黎。" else: returnf"模拟结果:关于 '{query}' 的信息 (这是一个模拟的搜索结果)。"tools = [search_web]

3.3 LLM 配置

我们将使用 OpenAI 的模型,并绑定我们定义的工具。bind_tools 让 LLM 知道何时以及如何调用这些工具。

import osfrom langchain_openai import ChatOpenAI# 确保你的 OpenAI API Key 已经设置在环境变量中# os.environ["OPENAI_API_KEY"] = "YOUR_OPENAI_API_KEY"# (可选) 配置 LangSmith 提高可观测性,便于调试# os.environ["LANGCHAIN_API_KEY"] = "YOUR_LANGSMITH_API_KEY"# os.environ["LANGCHAIN_TRACING_V2"] = "true"# os.environ["LANGCHAIN_PROJECT"] = "LangGraph_Postgres_Memory_ReAct_Agent"# 初始化 LLM 并绑定工具# streaming=True 对于实时响应很有用llm = ChatOpenAI(model="gpt-4o-mini", temperature=0, streaming=True)llm_with_tools = llm.bind_tools(tools)

3.4 Agent 节点与决策逻辑

我们将 Agent 的核心逻辑拆分为两个节点 (call_llm 和 call_tool) 和一个条件函数 (should_continue)。

from langgraph.graph import StateGraph, END# Agent 节点:调用 LLMdef call_llm(state: AgentState) -> AgentState: """ LLM 节点:将当前对话历史发送给 LLM,获取 LLM 的响应。 响应可能是直接回答,也可能是调用工具的指令。 """ messages = state['messages'] print(f"\n--- 🧠 Agent 思考中:调用LLM处理消息:{messages[-1].content[:50]}... ---") response = llm_with_tools.invoke(messages) # LLM 的响应会自动添加到 state['messages'] 中 (因为使用了 add_messages 注解) return {"messages": [response]}# Agent 节点:执行工具def call_tool(state: AgentState) -> AgentState: """ 工具节点:执行 LLM 决定的工具调用。 """ messages = state['messages'] last_message = messages[-1] # 获取 LLM 的最新响应,检查是否有…
— 以上为试看内容(约 40%),开通会员后阅读全文 —

原文出处:https://www.53ai.com/news/LargeLanguageModel/2025070491876.html