一、基本运用：线程隔离的持久化层

先定义一个基本的图结构

import operator
from pathlib import Path
import sys
from typing import Annotated, TypedDict, Sequence
from langchain_core.messages import BaseMessage, HumanMessage
from langchain_core.runnables.config import RunnableConfig
from langgraph.graph import START, END, MessagesState, StateGraph
from langgraph.types import Send
from pydantic import BaseModel, Field

# Ensure project root is importable when running this file in IDLE.
PROJECT_ROOT = Path(__file__).resolve().parent.parent
if str(PROJECT_ROOT) not in sys.path:
    sys.path.insert(0, str(PROJECT_ROOT))


from llm.llm import get_deepseek_llm, get_mega_llm, get_qwen_llm
from IPython.display import display, Image

# mega_llm = get_mega_llm()
llm = get_qwen_llm()

def call_model(state: MessagesState) -> MessagesState:
    response = llm.invoke(state["messages"])
    return {"messages": response}

graph = StateGraph(MessagesState)
graph.add_node("call_model", call_model)
graph.add_edge(START, "call_model")
graph.add_edge("call_model", END)

1.1 没有激活持久化层，无法实现多轮对话

每次对话，模型都不记得上一轮

## 2.1 如果没有激活持久化层，无法实现多轮对话的
graph_build = graph.compile()  
graph_image = graph_build.get_graph().draw_mermaid_png()
im = Image(graph_image)
with open('持久化与记忆.png', 'wb') as f:
    f.write(im.data)

input_message = {"role":"user", "content":"你好，我是张三"}
for chunk in graph_build.stream({"messages": [input_message]}, stream_mode="values"):
    chunk["messages"][-1].pretty_print()

input_message = {"role":"user", "content":"你好，我叫什么名字"}
for chunk in graph_build.stream({"messages": [input_message]}, stream_mode="values"):
    chunk["messages"][-1].pretty_print()

llm一点都记不住问答记录

1.2 引入MemorySaver激活持久性层

简单来说，MemorySaver 是 LangGraph 中 BaseCheckpointSaver 接口的一个内存实现。它就像一个内置的自动“存档”工具。当 Agent 执行时，它会在后台悄悄地为每一步的执行状态拍一张“快照”（即Checkpoint），并按“线程ID”（thread_id）归档。当你再次调用 Agent 并传入相同的 thread_id，MemorySaver 会自动找到并恢复上次的“存档”，让 Agent 能接着之前的对话继续

## 2.2 激活持久化层
from langgraph.checkpoint.memory import MemorySaver
# 创建一个内存保存器, 使用MemorySaver,保存中间状态
memory = MemorySaver()
# 创建一个图，并激活持久化层
graph_build = graph.compile(checkpointer=memory)
# 创建一个图，并激活持久化层        
# 这里启动第二个参数，config，配置了一个线程Id,
# 注意 thread_id的输入，如果是不同的线程，则没有记忆。 也就是线程隔离
config = {"configurable": {"thread_id": "1"}}
input_message = {"role":"user", "content":"你好，我是张三"}
for chunk in graph_build.stream({"messages": [input_message]}, config, stream_mode="values"):
    chunk["messages"][-1].pretty_print()

input_message = {"role":"user", "content":"你好，我叫什么名字"}
for chunk in graph_build.stream({"messages": [input_message]}, config, stream_mode="values"):
    chunk["messages"][-1].pretty_print()

如果thread_id不同，则互相之间没有记忆。这个就是线程隔离的概念。

二、基本运用：跨线程持久化调用

2.1 引入InMemoryStore用于长期记忆

InMemoryStore 是 LangGraph 中专用于长期记忆（Long-term Memory） 的纯内存存储组件，旨在实现跨线程、跨对话会话的数据持久化。它实现了 BaseStore 接口，以命名空间+唯一键的组织形式来存储 JSON 文档，并支持向量语义搜索

三、记忆：短期记忆的实现

四、记忆：长期以及实现

五、记忆：使用总结技术优化记忆