如何添加线程级别持久性（函数式 API）¶

先决条件

本指南假定您熟悉以下内容

LangGraph API 用户无需此操作

如果您使用的是 LangGraph API，则无需手动实现检查点保存器。API 会自动为您处理检查点。本指南适用于在您自己的自定义服务器中实现 LangGraph 的情况。

许多 AI 应用程序需要记忆来在同一线程上的多次交互（例如，多次对话回合）中共享上下文。在 LangGraph 函数式 API 中，可以使用线程级别持久性将此类记忆添加到任何entrypoint() 工作流中。

创建 LangGraph 工作流时，您可以通过使用检查点保存器来设置其结果的持久性

创建检查点保存器实例

from langgraph.checkpoint.memory import MemorySaver

checkpointer = MemorySaver()

将 checkpointer 实例传递给 entrypoint() 装饰器

from langgraph.func import entrypoint

@entrypoint(checkpointer=checkpointer)
def workflow(inputs)
    ...

（可选）在工作流函数签名中暴露 previous 参数

@entrypoint(checkpointer=checkpointer)
def workflow(
    inputs,
    *,
    # you can optionally specify `previous` in the workflow function signature
    # to access the return value from the workflow as of the last execution
    previous
):
    previous = previous or []
    combined_inputs = previous + inputs
    result = do_something(combined_inputs)
    ...

（可选）选择将从工作流返回哪些值以及检查点保存器将哪些值保存为 previous

@entrypoint(checkpointer=checkpointer)
def workflow(inputs, *, previous):
    ...
    result = do_something(...)
    return entrypoint.final(value=result, save=combine(inputs, result))

本指南介绍如何向工作流添加线程级别持久性。

注意

如果您需要跨多个对话或用户共享的记忆（跨线程持久性），请查阅此操作指南。

注意

如果您需要为 StateGraph 添加线程级别持久性，请查阅此操作指南。

设置¶

首先，我们需要安装所需的软件包

pip install --quiet -U langgraph langchain_anthropic

接下来，我们需要设置 Anthropic（我们将使用的 LLM）的 API 密钥。

import getpass
import os


def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")


_set_env("ANTHROPIC_API_KEY")

为 LangGraph 开发设置 LangSmith

注册 LangSmith，快速发现问题并提高 LangGraph 项目的性能。LangSmith 允许您使用跟踪数据来调试、测试和监控使用 LangGraph 构建的 LLM 应用程序 — 在此处阅读更多关于如何入门的信息。

示例：具有短期记忆的简单聊天机器人¶

我们将使用一个包含单个任务的工作流，该任务调用一个聊天模型。

我们先定义将要使用的模型

API 参考：ChatAnthropic

from langchain_anthropic import ChatAnthropic

model = ChatAnthropic(model="claude-3-5-sonnet-latest")

现在我们可以定义任务和工作流了。要添加持久性，我们需要将Checkpointer 传递给entrypoint() 装饰器。

API 参考：BaseMessage | add_messages | entrypoint | task | MemorySaver

from langchain_core.messages import BaseMessage
from langgraph.graph import add_messages
from langgraph.func import entrypoint, task
from langgraph.checkpoint.memory import MemorySaver


@task
def call_model(messages: list[BaseMessage]):
    response = model.invoke(messages)
    return response


checkpointer = MemorySaver()


@entrypoint(checkpointer=checkpointer)
def workflow(inputs: list[BaseMessage], *, previous: list[BaseMessage]):
    if previous:
        inputs = add_messages(previous, inputs)

    response = call_model(inputs).result()
    return entrypoint.final(value=response, save=add_messages(inputs, response))

如果我们尝试使用此工作流，对话的上下文将在交互之间持久化

注意

如果您正在使用 LangGraph Cloud 或 LangGraph Studio，则无需将 checkpointer 传递给 entrypoint 装饰器，因为这是自动完成的。

现在我们可以与智能体交互，并看到它记住了之前的消息！

config = {"configurable": {"thread_id": "1"}}
input_message = {"role": "user", "content": "hi! I'm bob"}
for chunk in workflow.stream([input_message], config, stream_mode="values"):
    chunk.pretty_print()

================================== Ai Message ==================================

Hi Bob! I'm Claude. Nice to meet you! How are you today?

您可以随时恢复之前的线程

input_message = {"role": "user", "content": "what's my name?"}
for chunk in workflow.stream([input_message], config, stream_mode="values"):
    chunk.pretty_print()

================================== Ai Message ==================================

Your name is Bob.

如果我们想开始新的对话，可以传入不同的 thread_id。唰！所有记忆都消失了！

input_message = {"role": "user", "content": "what's my name?"}
for chunk in workflow.stream(
    [input_message],
    {"configurable": {"thread_id": "2"}},
    stream_mode="values",
):
    chunk.pretty_print()

================================== Ai Message ==================================

I don't know your name unless you tell me. Each conversation I have starts fresh, so I don't have access to any previous interactions or personal information unless you share it with me.

流式传输令牌

如果您想从聊天机器人流式传输 LLM 令牌，可以使用 stream_mode="messages"。查阅此操作指南了解更多信息。

如何添加线程级别持久性（函数式 API）¶

设置¶

示例：具有短期记忆的简单聊天机器人¶

评论