LangChain Memoria de Conversación -- Checkpointer

Por defecto, cada agent.invoke() es independiente; el Agent no recuerda lo que se habló anteriormente.

Checkpointer (guardador de puntos de control) permite que el Agent recuerde el historial de la conversación, logrando verdaderas conversaciones de múltiples turnos.


El problema de no usar Checkpointer

Veamos primero qué sucede sin Checkpointer:

Ejemplo

from dotenv import load_dotenv
load_dotenv()

from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
    model=model,
    system_prompt="Eres el asistente del tutorial EJEMPLO.",
)

# Primera ronda
result1 = agent.invoke({
    "messages": [HumanMessage(content="Me llamo Xiaoming")]
})
print(f"Primera ronda: {result1['messages'][-1].content}")

# Segunda ronda: ¡el Agent no recuerda el contenido de la primera!
result2 = agent.invoke({
    "messages": [HumanMessage(content="¿Cómo me llamo?")]
})
print(f"Segunda ronda: {result2['messages'][-1].content}")

Resultado de la ejecución:

Primera ronda: ¡Hola Xiaoming! Encantado de conocerte.
Segunda ronda: Lo siento, no tengo tu información, no sé cómo te llamas.

Usar Checkpointer para recordar conversaciones

Tras añadir Checkpointer, las conversaciones bajo el mismo thread_id se asocian automáticamente:

Ejemplo

from langgraph.checkpoint.memory import InMemorySaver
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage

# Crea un Checkpointer en memoria
checkpointer = InMemorySaver()

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
    model=model,
    checkpointer=checkpointer,  # Pasa el Checkpointer
    system_prompt="Eres el asistente del tutorial EJEMPLO.",
)

# Usa thread_id para identificar el hilo de conversación
config = {"configurable": {"thread_id": "user-001"}}

# Primera ronda
result1 = agent.invoke(
    {"messages": [HumanMessage(content="Me llamo Xiaoming, estoy aprendiendo Python")]},
    config=config,
)
print(f"Primera ronda: {result1['messages'][-1].content}")

# Segunda ronda: con el mismo thread_id, ¡el Agent lo recuerda!
result2 = agent.invoke(
    {"messages": [HumanMessage(content="¿Cómo me llamo? ¿Qué estoy aprendiendo?")]},
    config=config,
)
print(f"Segunda ronda: {result2['messages'][-1].content}")

Resultado de la ejecución:

Ronda 1: ¡Hola Xiaoming! Python es un gran idioma para empezar. ¿En qué puedo ayudarte?
Ronda 2: Te llamas Xiaoming y estás aprendiendo Python. ¿Hay algo específico en lo que pueda ayudarte?

thread_id es la clave. Las conversaciones bajo el mismo thread_id son continuas, mientras que las conversaciones con diferentes thread_id están totalmente aisladas. Esto te permite atender a varios usuarios simultáneamente con una única instancia del Agent.


Cómo funciona Checkpointer

Checkpointer guarda automáticamente una instantánea del estado (checkpoint) después de cada ejecución del Agent. La próxima vez que se invoque con el mismo thread_id, el estado se restaura automáticamente desde el checkpoint más reciente.

Flujo de trabajo detallado:

  1. Se llama a agent.invoke() pasando el config (que contiene thread_id)
  2. El Agent comprueba si existe un checkpoint para ese thread_id
  3. Si existe, carga los mensajes históricos, añade los nuevos mensajes y continúa
  4. Al terminar la ejecución, guarda automáticamente un nuevo checkpoint

Ejemplo

from langgraph.checkpoint.memory import InMemorySaver
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage

checkpointer = InMemorySaver()
agent = create_agent(
    model=init_chat_model("deepseek:deepseek-v4-flash", temperature=0),
    checkpointer=checkpointer,
    system_prompt="Eres el asistente del tutorial EJEMPLO.",
)

config = {"configurable": {"thread_id": "demo-001"}}

# Simula una conversación de varios turnos
questions = [
    "Me llamo Xiaoming",
    "Estoy aprendiendo Python",
    "Resume la información sobre mí",
]

for i, q in enumerate(questions, 1):
    result = agent.invoke(
        {"messages": [HumanMessage(content=q)]},
        config=config,
    )

    # Consulta el estado del checkpoint
    state = agent.get_state(config)
    print(f"\nDespués de la ronda {i}:")
    print(f" Número de mensajes: {len(state.values.get('messages', []))}")
    print(f" Siguiente paso: {state.next}")
    print(f" Respuesta: {result['messages'][-1].content[:80]}...")

Resultado de la ejecución:

Después de la ronda 1:
  Número de mensajes: 2
  Siguiente paso: ()
  Respuesta: ¡Hola Xiaoming! Encantado de conocerte.

Después de la ronda 2:
  Número de mensajes: 4
  Siguiente paso: ()
  Respuesta: Python es un lenguaje de programación muy popular, sencillo y fácil de aprender.

Después de la ronda 3:
  Número de mensajes: 6
  Siguiente paso: ()
  Respuesta: Según nuestra conversación, tu información es: te llamas Xiaoming y estás aprendiendo Python.

Tipos de Checkpointer

Tipo Ubicación de almacenamiento Persistencia Instalación Escenarios de uso
InMemorySaver Memoria No (se pierde al salir del programa) Integrado Depuración de desarrollo, pruebas unitarias
SqliteSaver Base de datos SQLite Sí langgraph-checkpoint-sqlite Despliegue en un solo equipo, aplicaciones pequeñas
PostgresSaver PostgreSQL Sí langgraph-checkpoint-postgres Entorno de producción, uso compartido entre múltiples instancias

Si el Agent utilizaainvoke()llamadas asíncronas, debe cambiarse a la versión asíncrona correspondienteAsyncSqliteSaver / AsyncPostgresSaver, el uso es similar a la versión síncrona, solo que debe utilizarse junto conasync withpara su uso.

Ejemplo de SqliteSaver

InMemorySaverSolo se guarda en memoria; los datos se pierden al salir del programa. Si deseas que la conversación se guarde de forma persistente, puedes usarSqliteSaver。

La primera vez que se usa, es necesario instalar SQLite Checkpointer:

pip install langgraph-checkpoint-sqlite

Ejemplo

from langgraph.checkpoint.sqlite import SqliteSaver
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage

model = init_chat_model(
    "deepseek:deepseek-v4-flash",
    temperature=0,
)

# Debe usarse la sentencia with para entrar; al salir se cierra automáticamente la conexión a la base de datos
with SqliteSaver.from_conn_string("conversations.db") as checkpointer:
    agent = create_agent(
        model=model,
        checkpointer=checkpointer,
        system_prompt="Eres el asistente del tutorial EJEMPLO.",
    )

    config = {"configurable": {"thread_id": "user-001"}}

    result = agent.invoke(
        {
            "messages": [
                HumanMessage(content="Hola")
            ]
        },
        config=config,
    )

    print(result["messages"][-1].content)

SqliteSaver guarda en la base de datos SQLite el checkpoint generado en cada conversación. Incluso si el programa se cierra o se reinicia, mientras se sigan usando el mismo archivo de base de datos ythread_id, el Agent podrá recuperar el estado de conversación guardado anteriormente. Nota:withAl terminar el bloque de código se cierra la conexión a la base de datos, por lo que toda la lógica que implique múltiples llamadas al Agent debe colocarse dentro del bloquewith; si se trata de un servicio de larga duración (como una aplicación web), se recomienda mantener la conexión durante todo el ciclo de vida de la aplicación, o cambiar a la versión asíncrona deAsyncSqliteSaver。


Gestionar hilos de conversación

Ver el estado de la conversación

Ejemplo

# Consulta el estado de la conversación
state = agent.get_state(config)
print(f"Siguiente paso: {state.next}")  # () indica inactividad
print(f"Número de mensajes: {len(state.values.get('messages', []))}")

# Consulta el historial de la conversación
for msg in state.values.get("messages", []):
    print(f"  [{msg.type}] {str(msg.content)[:60]}")

Crear un nuevo hilo

Ejemplo

# Diferente thread_id = conversaciones independientes diferentes
config_alice = {"configurable": {"thread_id": "alice"}}
config_bob = {"configurable": {"thread_id": "bob"}}

# Conversación de Alice
agent.invoke(
    {"messages": [HumanMessage(content="Soy Alice")]},
    config=config_alice,
)

# Conversación de Bob: totalmente independiente, no sabe lo que dijo Alice
agent.invoke(
    {"messages": [HumanMessage(content=# Verificar el aislamiento)]},
    config=config_bob,
)

"Número de mensajes en la conversación de Alice: {len(alice_state.values['messages'])}"
alice_state = agent.get_state(config_alice)
bob_state = agent.get_state(config_bob)
print(f"Número de mensajes en la conversación de Bob: {len(bob_state.values['messages'])}")
print(fActualizar estado: modificar manualmente la conversación)

Actualizar estado: modificar manualmente la conversación

Ejemplo

Ejemplo

from langchain.messages import SystemMessage

"(El usuario se ha actualizado a miembro VIP)"
agent.update_state(
    config,
    {
        "messages": [
            SystemMessage(content=# Las conversaciones posteriores incluirán este mensaje insertado)
        ]
    }
)

Los parámetros de update_state() se procesan mediante el reducer add_messages (en el caso del campo messages), por lo que los nuevos mensajes se añaden en lugar de sobrescribirse. Si quieres borrar el historial y empezar de nuevo, la forma más sencilla es usar un nuevo

; si realmente necesitas eliminar algunos mensajes históricos, puedes pasar los correspondientesthread_id(provenientes deRemoveMessage) en update_state() para eliminar con precisión los mensajes especificados.langchain.messagesOtras extensiones

AI pensando...