---
title: "LangGraph教程(三)：为你的Agent添加记忆（Checkpoint持久化与Mem0）"
description: "本文是 《LangGraph入门全解》系列的第三篇。在这篇文章中，我们为聊天机器人增加长短期记忆能力，并使用redis持久化记忆。以及使用Mem0为chat bot增加用户级别的记忆。LangGraph记忆, LangGraph Checkpoint, LangGraph Redis记忆, LangGraph Mem0"
image: "https://wileyzhang.com/posts/cover/264605ee-e889-808d-aa04-e8fe07bc9ec7_9518555453a138560623f1c4e847e47f.png"
url: "https://wileyzhang.com/posts/langgraph-agent-checkpoint-mem0"
date: "2025-09-04"
updated: "2026-08-19"
type: "blog-post"
tags: ["LLM", "Prompt", "LangChain", "LangGraph", "AI"]
reading_time_minutes: 5
estimated_tokens: 2389
---

# LangGraph教程(三)：为你的Agent添加记忆（Checkpoint持久化与Mem0）

本文是 **《LangGraph入门全解》[LangGraph介绍](https://wileyzhang.com/posts/langgraph) **系列的第三篇。在这篇文章中，我们为聊天机器人增加长短期记忆能力，并使用redis持久化记忆。以及使用Mem0为chat bot增加用户级别的记忆。如果出你是新手，建议先阅读主指南以了解LangGraph的全貌。

# 三、在LangGraph中添加记忆

我们简单区分为任务级别记忆、用户级别记忆，或短期记忆、长期记忆

- **任务级别记忆（Checkpointing）**：适合短期会话和任务流程的状态保存，轻量易用。

- **用户级别记忆（Mem0）**：适合需要长期交互和个性化体验的应用，比如智能客服、AI 助手。

两者结合，在不同层面增强 LangGraph 应用的智能化和可持续性。

## 任务级记忆

在LangGraph中又被称为**检查点**（checkpointing），它是 LangGraph 能够支持 **长周期任务执行** 和 **断点续执行** 的关键机制。

在前两节中，我们通过手动维护一个 `messages` 列表来实现多轮对话。然而，这种方式在面对 **多用户、多任务** 以及 **复杂图结构** 时，维护成本会急剧上升。

![1280X1280.png](https://wileyzhang.com/posts/images/264605ee-e889-808d-aa04-e8fe07bc9ec7/264605ee-e889-808d-aa04-e8fe07bc9ec7_f7897e7a94be4db5b6c57dae748aac87.png)

### 添加记忆模块

为了解决这一问题，LangGraph 提供了更为简洁的记忆模块。只需修改3行代码，就能启用内存记忆：

```python
from langgraph.checkpoint.memory import InMemorySaver
memory = InMemorySaver()
# ...省略重复代码
app = graph_builder.compile(checkpointer=memory)
```

在调用时，只需配置 `thread_id`：

```python
# ...省略重复代码，注意 config thread_id的配置
response = app.invoke({"messages": {"role": "user", "content": user_input}},
                      config = {"configurable": {"thread_id": "1"}})

```

这样便实现了基于内存的记忆。但需要注意的是：**一旦程序重启，记忆会丢失**。

### 使用 Redis 持久化记忆

为了避免重启导致数据丢失，我们可以改用 **Redis** 作为记忆存储。只要 Redis 保持正常运行，记忆就能持续存在。

1. 安装医依赖

```plain text
pip install langgraph-checkpoint-redis

```

2. 修改代码：

```python
from redis import Redis
from langgraph.checkpoint.redis import RedisSaver

redis_client = Redis(
host="127.0.0.1",
port=6379,
password="Tali1234"
)
memory = RedisSaver(redis_client=redis_client)
```

Redis 中的存储内容大致如下：

![redis.png](https://wileyzhang.com/posts/images/264605ee-e889-808d-aa04-e8fe07bc9ec7/264605ee-e889-808d-aa04-e8fe07bc9ec7_9bac6ff251df49adf59c7c10415d3929.png)

在 PyPI 上搜索 `langgraph-checkpoint`，还能发现更多数据库的存储实现，方便不同场景使用。

![43797a91-3e42-475c-8159-7017c38825a5.png](https://wileyzhang.com/posts/images/264605ee-e889-808d-aa04-e8fe07bc9ec7/264605ee-e889-808d-aa04-e8fe07bc9ec7_7f67bf460354ffacc69279266879055f.png)

### 效果如下

![74c91a0f-fbc3-4595-ab6f-f2da850c1b46.png](https://wileyzhang.com/posts/images/264605ee-e889-808d-aa04-e8fe07bc9ec7/264605ee-e889-808d-aa04-e8fe07bc9ec7_63e54ba62dd49dab5ab7d466ea9845dd.png)

## **LangGraph集成Mem0(用户级别记忆)**

任务级别记忆帮助我们保持单个对话的上下文， **Mem0** 更进一步，提供了 **跨任务、跨会话的用户级别记忆**。

**Mem0 是一个轻量化、模块化的智能记忆层框架**，其目标是：

> “通过保留用户偏好与上下文信息，随着时间推移不断适应，提供个性化和高效的交互体验。”

它支持 **对话层、用户层和 Agent 层** 的多层记忆组织方式，常用于聊天机器人、RPA 自动化助手、AI Copilot 等场景。

Mem0 的记忆流程分为 **提取** 和 **更新** 两个阶段：

- 在提取阶段，系统会从 **最新对话、滚动摘要、最近 m 条对话** 中抓取关键信息，并借助 LLM 生成简洁候选记忆。

- 在后台，长期摘要会异步更新，从而保证推理流程不会被打断。

> 更多内容，见之前的专题文章https://mp.weixin.qq.com/s/rqnd8nVtdtH2DXS4xhGQhQ

### 安装 Mem0

```plain text
pip install mem0ai
```

### 示例代码（核心逻辑已标注）

```python
from typing import Annotated
from typing_extensions import TypedDict
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START
from langgraph.graph.message import add_messages
from langchain_tavily import TavilySearch
from langgraph.prebuilt import ToolNode, tools_condition
from mem0 import Memory
from langchain_openai import OpenAIEmbeddings

openai_embeddings = OpenAIEmbeddings(
    model="gte-large-zh",
    check_embedding_ctx_length=False
)
# 此处定义你自己的模型
llm = ChatOpenAI(model="qwen3_32")

# 定义工具
tool = TavilySearch(max_results=2)
tools = [tool]
# 工具绑定到模型
llm_with_tools = llm.bind_tools(tools)
# 创建Mem0记忆配置
config = {
    "vector_store": {
        "provider": "milvus",
        "config": {
            "collection_name": "mem0",
            "embedding_model_dims": "1024",
            "url": "http://127.0.0.1:9530",
            "token": "root:root",
        },
    },
    "embedder": {
        "provider": "langchain",
        "config": {
            "model": openai_embeddings,
        },
    },
    "llm": {
        "provider": "openai",
        "config": {
            "model": "qwen3_32",
            "temperature": 0.2,
            "max_tokens": 20000,
        },
    },
}
memory = Memory.from_config(config)

# 定义图状态
class State(TypedDict):
    messages: Annotated[list, add_messages]  # 此处维护完整的消息历史
    mem0_user_id: str # 增加用户id

graph = StateGraph(State)

def chatbot(state: State):
    messages = state["messages"]
    user_id = state["mem0_user_id"]

    # 检索记忆
    memories = memory.search(messages[-1].content, user_id=user_id)

    context = "Relevant information from previous conversations:\n"
    for m in memories.get("results", []):
        context += f"- {m['memory']}\n"

    system_message = {"role":"system", "content": f"""You are a helpful customer support assistant. Use the provided context to personalize your responses and remember user preferences and past interactions.
    {context}"""}

    full_messages = [system_message] + messages
    response = llm_with_tools.invoke(full_messages)

    # 存储记忆
    memory.add(
        f"User: {messages[-1].content}\nAssistant: {response.content}", user_id=user_id
    )
    return {"messages": [response]}

# 使用LangGraph提供的工具节点
tool_node = ToolNode(tools=tools)

graph.add_node("chatbot", chatbot)
# 添加工具节点
graph.add_node("tools", tool_node)
# 添加工具 条件分支
graph.add_conditional_edges(
    "chatbot",
    tools_condition,
)
graph.add_edge("tools", "chatbot")
graph.add_edge(START, "chatbot")

app = graph.compile()

if __name__ == "__main__":
    while True:
        user_input = input("👨💻: ")
        if user_input.lower() in ["quit", "exit", "q"]:
            print("Exiting...")
            break
        response = app.invoke({"messages": {"role": "user", "content": user_input}, "mem0_user_id":"mem0_wiley"})
        messages = response["messages"]
        print(f'🤖: {response["messages"][-1].content}')
```

### 效果如下

![8b75d01e-cf6b-4e63-b439-f62b3951426a.png](https://wileyzhang.com/posts/images/264605ee-e889-808d-aa04-e8fe07bc9ec7/264605ee-e889-808d-aa04-e8fe07bc9ec7_64ba582a060a2d66e1c5bc1adc2555c6.png)

---

> 本文由 WileyZhang 原创，首发于 [Wiley Blog](https://wileyzhang.com/posts/langgraph-agent-checkpoint-mem0)。

```json
{
  "@context": "https://schema.org",
  "@type": "BlogPosting",
  "headline": "LangGraph教程(三)：为你的Agent添加记忆（Checkpoint持久化与Mem0）",
  "datePublished": "2025-09-04T00:00:00.000Z",
  "dateModified": "2026-08-19T00:00:00.000Z",
  "author": [
    {
      "@type": "Person",
      "name": "WileyZhang",
      "url": "https://wileyzhang.com/about"
    }
  ],
  "image": "https://wileyzhang.com/posts/cover/264605ee-e889-808d-aa04-e8fe07bc9ec7_9518555453a138560623f1c4e847e47f.png",
  "description": "本文是 《LangGraph入门全解》系列的第三篇。在这篇文章中，我们为聊天机器人增加长短期记忆能力，并使用redis持久化记忆。以及使用Mem0为chat bot增加用户级别的记忆。LangGraph记忆, LangGraph Checkpoint, LangGraph Redis记忆, LangGraph Mem0",
  "mainEntityOfPage": {
    "@type": "WebPage",
    "@id": "https://wileyzhang.com/posts/langgraph-agent-checkpoint-mem0"
  }
}
```