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
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 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 :
- Appelez agent.invoke() et passez config (contenant thread_id)
- L'Agent vérifie si un checkpoint existe pour ce thread_id
- S'il existe, chargez les messages historiques, ajoutez les nouveaux messages et continuez
- Après l'exécution, enregistrez automatiquement un nouveau checkpoint
Exemple
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 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 et
thread_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
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
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
"(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
Réflexion de l'IA...; si vous avez vraiment besoin de supprimer certains messages historiques, vous pouvez passer le correspondant
thread_id(fromRemoveMessage) pour supprimer précisément les messages spécifiés.langchain.messagesAutres extensions