LangChain Mémoire de conversation -- Checkpointer

Par défaut, chaque agent.invoke() est indépendant, et l'Agent ne se souvient pas de ce qui a été dit auparavant.

Checkpointer (sauvegardeur de points de contrôle) permet à l'Agent de se souvenir de l'historique de conversation, ce qui permet de véritables conversations multi-tours.


Problèmes sans Checkpointer

Tout d'abord, examinons la situation sans Checkpointer :

Exemple

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="Vous êtes l'assistant de EXAMPLE Tutorial.",
)

# Tour 1
result1 = agent.invoke({
    "messages": [HumanMessage(content=Je m'appelle Xiaoming)]
})
print(fTour 1 : {result1['messages'][-1].content})

# Tour 2 — L'agent ne se souvient pas du contenu du premier tour !
result2 = agent.invoke({
    "messages": [HumanMessage(content=Quel est mon nom ?)]
})
print(fTour 2 : {result2['messages'][-1].content})

Sortie :

Round 1: Hello Xiaoming! Nice to meet you.
Round 2: Sorry, I don't have your information, and I don't know what your name is.

Utiliser Checkpointer pour se souvenir des conversations

Après avoir ajouté Checkpointer, les conversations sous le même thread_id sont automatiquement liées :

Exemple

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

# Créer un Checkpointer en mémoire
checkpointer = InMemorySaver()

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
    model=model,
    checkpointer=checkpointer,  # Passer le Checkpointer
    system_prompt="Vous êtes l'assistant de EXAMPLE Tutorial.",
)

# Utiliser thread_id pour identifier le fil de conversation
config = {"configurable": {"thread_id": "user-001"}}

# Tour 1
result1 = agent.invoke(
    {"messages": [HumanMessage(content="Je m'appelle Xiaoming, j'apprends Python")]},
    config=config,
)
print(fTour 1 : {result1['messages'][-1].content})

# Deuxième tour — en utilisant le même thread_id, l'Agent s'est souvenu !
result2 = agent.invoke(
    {"messages": [HumanMessage(content="Quel est mon nom ? Qu'est-ce que j'apprends ?")]},
    config=config,
)
print(fTour 2 : {result2['messages'][-1].content})

Sortie :

Round 1: Hello Xiaoming! Python is a great language to start with. How can I help you?
Round 2: Your name is Xiaoming and you are learning Python. Is there anything specific I can help with?

thread_id est la clé. Les conversations sous le même thread_id sont continues, tandis que les conversations sous des valeurs de thread_id différentes sont complètement isolées. Cela vous permet de servir plusieurs utilisateurs avec une seule instance d'Agent.


Fonctionnement du Checkpointer

Le Checkpointer enregistre automatiquement un instantané d'état (checkpoint) après chaque exécution de l'Agent. La prochaine fois que le même thread_id est utilisé, l'état est automatiquement restauré à partir du checkpoint le plus récent.

Flux de travail détaillé :

  1. Appelez agent.invoke() et passez config (contenant thread_id)
  2. L'Agent vérifie si un checkpoint existe pour ce thread_id
  3. S'il existe, chargez les messages historiques, ajoutez les nouveaux messages et continuez
  4. Après l'exécution, enregistrez automatiquement un nouveau checkpoint

Exemple

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="Vous êtes l'assistant de EXAMPLE Tutorial.",
)

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

# Simuler une conversation multi-tours
questions = [
    Je m'appelle Xiaoming,
    "J'apprends Python",
    "Aide-moi à résumer les informations me concernant",
]

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

    # Vérifier l'état du checkpoint
    state = agent.get_state(config)
    print(f"\nAprès le tour {i}:")
    print(f" Nombre de messages: {len(state.values.get('messages', []))}")
    print(f" Étape suivante: {state.next}")
    print(f" Réponse: {result['messages'][-1].content[:80]}...")

Sortie :

After round 1:
  Message count: 2
  Next step: ()
  Reply: Hello Xiaoming! Nice to meet you.

After round 2:
  Message count: 4
  Next step: ()
  Reply: Python is a very popular programming language, simple and easy to learn.

After round 3:
  Message count: 6
  Next step: ()
  Reply: Based on our conversation, here is your info: your name is Xiaoming, and you are learning Python.

Types de checkpointer

Type Emplacement de stockage Persistance Installation Scénarios applicables
InMemorySaver Mémoire Non (perdu après la fin du programme) Intégré Débogage en développement, tests unitaires
SqliteSaver Base de données SQLite Oui langgraph-checkpoint-sqlite Déploiement autonome, petites applications
PostgresSaver PostgreSQL Oui langgraph-checkpoint-postgres Environnement de production, partage multi-instance

Si l'Agent utiliseainvoke()appels asynchrones, vous devez passer à la version asynchrone correspondanteAsyncSqliteSaver / AsyncPostgresSaver, l'utilisation est similaire à la version synchrone, sauf qu'il faut l'associer àasync withpour l'utiliser.

Exemple SqliteSaver

InMemorySaverEnregistré uniquement en mémoire, les données sont perdues après la fermeture du programme. Si vous souhaitez que les conversations soient persistées, vous pouvez utiliserSqliteSaver。

La première utilisation nécessite l'installation de SQLite Checkpointer:

pip install langgraph-checkpoint-sqlite

Exemple

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,
)

# Doit utiliser l'instruction with pour entrer ; la connexion à la base de données sera fermée automatiquement à la sortie
with SqliteSaver.from_conn_string("conversations.db") as checkpointer:
    agent = create_agent(
        model=model,
        checkpointer=checkpointer,
        system_prompt="Vous êtes l'assistant de EXAMPLE Tutorial.",
    )

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

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

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

SqliteSaver enregistre les points de contrôle générés par chaque conversation dans la base de données SQLite. Même si le programme se termine ou redémarre, tant que vous continuez à utiliser le même fichier de base de données etthread_id, l'Agent peut restaurer l'état de conversation précédemment enregistré. Remarque :withLa connexion à la base de données se fermera après la fin du bloc de code, donc la logique impliquant plusieurs appels à l'Agent doit être placéewithà l'intérieur du bloc ; pour les services de longue durée (tels que les applications web), il est recommandé de conserver la connexion pendant toute la durée de vie de l'application, ou d'utiliser la version asynchrone deAsyncSqliteSaver。


Gestion des fils de conversation

Affichage de l'état de la conversation

Exemple

# Voir l'état de la conversation
state = agent.get_state(config)
print(f"Étape suivante : {state.next}")  # () indique inactif
print(f"Nombre de messages : {len(state.values.get('messages', []))}")

# Afficher l'historique de la conversation
for msg in state.values.get("messages", []):
    print(f" [{msg.type}] {str(msg.content)[:60]}")

Création d'un nouveau thread

Exemple

# Un thread_id différent = différentes conversations indépendantes
config_alice = {"configurable": {"thread_id": "alice"}}
config_bob = {"configurable": {"thread_id": "bob"}}

# Conversation d'Alice
agent.invoke(
    {"messages": [HumanMessage(content="Je suis Alice")]},
    config=config_alice,
)

# Conversation de Bob — complètement indépendante, ne sait pas ce qu'Alice a dit
agent.invoke(
    {"messages": [HumanMessage(content=# Vérifier l'isolation)]},
    config=config_bob,
)

"Nombre de messages de la conversation d'Alice : {len(alice_state.values['messages'])}"
alice_state = agent.get_state(config_alice)
bob_state = agent.get_state(config_bob)
print(f"Nombre de messages de la conversation de Bob : {len(bob_state.values['messages'])}")
print(fMise à jour de l'état — Modification manuelle des conversations)

Mise à jour de l'état — Modification manuelle des conversations

Exemple

Exemple

from langchain.messages import SystemMessage

"(L'utilisateur est passé à l'adhésion VIP)"
agent.update_state(
    config,
    {
        "messages": [
            SystemMessage(content=# Les conversations suivantes incluront ce message inséré)
        ]
    }
)

Les paramètres de update_state() sont traités via le réducteur add_messages (pour le champ messages), donc les nouveaux messages sont ajoutés plutôt qu'écrasés. Si vous voulez effacer l'historique et repartir de zéro, la façon la plus simple est d'utiliser un nouveau

; si vous avez vraiment besoin de supprimer certains messages historiques, vous pouvez passer le correspondantthread_id(fromRemoveMessage) pour supprimer précisément les messages spécifiés.langchain.messagesAutres extensions

Réflexion de l'IA...