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

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="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 langgraph.checkpoint.memory import InMemorySaver
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:

  1. Вызовите agent.invoke() и передайте config (содержащий thread_id)
  2. Агент проверяет, существует ли контрольная точка для этого thread_id
  3. Если она существует, загрузить исторические сообщения, добавить новые сообщения и продолжить
  4. После выполнения автоматически сохранить новую контрольную точку

Пример

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="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 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,
)

# 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 иthread_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

# Просмотр статуса разговора
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

# Разные thread_id = разные независимые разговоры
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

from langchain.messages import SystemMessage

"(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

; если вам действительно нужно удалить некоторые исторические сообщения, вы можете передать соответствующийthread_id(fromRemoveMessage) чтобы точно удалить указанные сообщения.langchain.messagesДругие расширения

ИИ думает...