Память диалога LangChain -- Checkpointer
По умолчанию каждый вызов agent.invoke() независим, и Агент не помнит, что было сказано ранее.
Checkpointer (средство сохранения контрольных точек) позволяет Агенту запоминать историю диалога, обеспечивая настоящие многоходовые разговоры.
Проблемы без Checkpointer
Сначала рассмотрим ситуацию без Checkpointer:
Пример
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="Вы — ассистент EXAMPLE Tutorial.",
)
# Раунд 1
result1 = agent.invoke({
"messages": [HumanMessage(content=Меня зовут Сяомин)]
})
print(fРаунд 1: {result1['messages'][-1].content})
# Раунд 2 — Агент не помнит содержание первого раунда!
result2 = agent.invoke({
"messages": [HumanMessage(content=Как меня зовут?)]
})
print(fРаунд 2: {result2['messages'][-1].content})
Вывод:
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.
Использование Checkpointer для запоминания диалогов
После добавления Checkpointer диалоги с одинаковым thread_id автоматически связываются:
Пример
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage
# Создать Checkpointer в памяти
checkpointer = InMemorySaver()
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
agent = create_agent(
model=model,
checkpointer=checkpointer, # Передать Checkpointer
system_prompt="Вы — ассистент EXAMPLE Tutorial.",
)
# Используйте thread_id для идентификации потока разговора
config = {"configurable": {"thread_id": "user-001"}}
# Раунд 1
result1 = agent.invoke(
{"messages": [HumanMessage(content="Меня зовут Сяомин, я изучаю Python")]},
config=config,
)
print(fРаунд 1: {result1['messages'][-1].content})
# Второй раунд — используя тот же thread_id, Агент запомнил!
result2 = agent.invoke(
{"messages": [HumanMessage(content="Как меня зовут? Что я изучаю?")]},
config=config,
)
print(fРаунд 2: {result2['messages'][-1].content})
Вывод:
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 — это ключ. Диалоги с одинаковым thread_id непрерывны, а диалоги с разными значениями thread_id полностью изолированы. Это позволяет обслуживать нескольких пользователей одним экземпляром Агента.
Как работает Checkpointer
Checkpointer автоматически сохраняет снимок состояния (чекпоинт) после каждого выполнения Агента. При следующем использовании того же thread_id состояние автоматически восстанавливается из последнего чекпоинта.
Подробный рабочий процесс:
- Вызовите agent.invoke() и передайте config (содержащий thread_id)
- Агент проверяет, существует ли контрольная точка для этого thread_id
- Если она существует, загрузить исторические сообщения, добавить новые сообщения и продолжить
- После выполнения автоматически сохранить новую контрольную точку
Пример
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="Вы — ассистент EXAMPLE Tutorial.",
)
config = {"configurable": {"thread_id": "demo-001"}}
# Симуляция многоходового диалога
questions = [
Меня зовут Сяомин,
"Я изучаю Python",
"Помоги мне обобщить информацию обо мне",
]
for i, q in enumerate(questions, 1):
result = agent.invoke(
{"messages": [HumanMessage(content=q)]},
config=config,
)
# Проверить статус контрольной точки
state = agent.get_state(config)
print(f"\nПосле раунда {i}:")
print(f" Количество сообщений: {len(state.values.get('messages', []))}")
print(f" Следующий шаг: {state.next}")
print(f" Ответ: {result['messages'][-1].content[:80]}...")
Вывод:
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.
Типы Checkpointer
| Type | Место хранения | Персистентность | Установка | Применимые сценарии |
|---|---|---|---|---|
| InMemorySaver | Память | Нет (теряется после завершения программы) | Встроенный | Отладка при разработке, модульное тестирование |
| SqliteSaver | База данных SQLite | Да | langgraph-checkpoint-sqlite | Автономное развёртывание, небольшие приложения |
| PostgresSaver | PostgreSQL | Да | langgraph-checkpoint-postgres | Продакшн-среда, совместное использование несколькими экземплярами |
Если Агент используетainvoke()асинхронные вызовы, необходимо переключиться на соответствующую асинхронную версиюAsyncSqliteSaver / AsyncPostgresSaver, использование аналогично синхронной версии, за исключением того, что его нужно использовать в паре сasync withдля использования.
Пример SqliteSaver
InMemorySaverСохраняется только в памяти, данные теряются после выхода из программы. Если вы хотите, чтобы диалоги сохранялись, вы можете использоватьSqliteSaver。
При первом использовании требуется установить SQLite Checkpointer:
pip install langgraph-checkpoint-sqlite
Пример
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,
)
# Для входа необходимо использовать инструкцию with; соединение с базой данных будет автоматически закрыто при выходе
with SqliteSaver.from_conn_string("conversations.db") as checkpointer:
agent = create_agent(
model=model,
checkpointer=checkpointer,
system_prompt="Вы — ассистент EXAMPLE Tutorial.",
)
config = {"configurable": {"thread_id": "user-001"}}
result = agent.invoke(
{
"messages": [
HumanMessage(content=Hello)
]
},
config=config,
)
print(result["messages"][-1].content)
SqliteSaver сохраняет контрольные точки, создаваемые в ходе каждого разговора, в базе данных SQLite. Даже если программа завершится или перезапустится, при условии, что вы продолжаете использовать тот же файл базы данных и
thread_id, Агент может восстановить ранее сохранённое состояние разговора. Примечание:withСоединение с базой данных закроется после завершения блока кода, поэтому логику, включающую несколько вызовов Агента, следует размещатьwithвнутри блока; для длительно работающих сервисов (таких как веб-приложения) рекомендуется удерживать соединение в течение всего времени работы приложения или использовать асинхронную версиюAsyncSqliteSaver。
Управление потоками разговоров
Просмотр состояния разговора
Пример
state = agent.get_state(config)
print(f"Следующий шаг: {state.next}") # () означает бездействие
print(f"Количество сообщений: {len(state.values.get('messages', []))}")
# Просмотреть историю разговора
for msg in state.values.get("messages", []):
print(f" [{msg.type}] {str(msg.content)[:60]}")
Создание нового потока
Пример
config_alice = {"configurable": {"thread_id": "alice"}}
config_bob = {"configurable": {"thread_id": "bob"}}
# Беседа Алисы
agent.invoke(
{"messages": [HumanMessage(content="Я Алиса")]},
config=config_alice,
)
# Разговор Боба — полностью независим, не знает, что сказала Алиса
agent.invoke(
{"messages": [HumanMessage(content=# Проверить изоляцию)]},
config=config_bob,
)
"Количество сообщений в разговоре Алисы: {len(alice_state.values['messages'])}"
alice_state = agent.get_state(config_alice)
bob_state = agent.get_state(config_bob)
print(f"Количество сообщений в разговоре Боба: {len(bob_state.values['messages'])}")
print(fОбновление состояния — ручное изменение разговоров)
Обновление состояния — ручное изменение разговоров
Пример
Пример
"(Пользователь перешёл на VIP-членство)"
agent.update_state(
config,
{
"messages": [
SystemMessage(content=# Последующие разговоры будут включать это вставленное сообщение)
]
}
)
Параметры update_state() обрабатываются через редьюсер add_messages (для поля messages), поэтому новые сообщения добавляются, а не перезаписываются. Если вы хотите очистить историю и начать заново, проще всего использовать новый
ИИ думает...; если вам действительно нужно удалить некоторые исторические сообщения, вы можете передать соответствующий
thread_id(fromRemoveMessage) чтобы точно удалить указанные сообщения.langchain.messagesДругие расширения