1.2 如何解决记忆问题

1.2.1 上下文工程

实现这个记忆功能，就需要额外的模块去保存我们和模型对话的上下文信息，然后在下一次请求时，把历史信息都输入给模型，让模型输出结果。
在 LangChain 中， 记忆(Memory) 就是专门负责“ 存储历史交互信息”的组件，核心作用是「保存上下文」和「提供上下文」，让LLM在每次响应时，都能“看到”之前的对话内容。
上下文工程(Context Engineering) 负责“合理组织”这些记忆和任务信息，让LLM的响应更连贯、更贴合需求。这也是Agent能实现复杂多轮交互的核心基础。

1.2.2 上下文类型及相关的API

LangChain的上下文工程是基于Agent讨论的，而上下文工程是构建在LangGraph之上的。
LangGraph 提供了三种管理上下文的方法，这些方法结合了可变性和生命周期维度：

1.3 LangChain的记忆

1.3.1 记忆的分类
官方说明：https://docs.langchain.com/oss/python/concepts/memory
记忆分为短期记忆和长期记忆，对应不同的使用场景：

• 短期记忆（Short-term memory、会话级记忆、thread-scoped memory）：作用范围是单个对话线程（Thread）内，一旦开启新对话（更换 thread_id ），记忆即消失。
• 长期记忆（Long-term memory，跨会话级记忆 ）：在会话间存储用户特定或应用级数据， 并在会话线程间共享。它可以随时在任何线程中被调用。记忆的范围是任意自定义命名空间，而不仅仅是单一线程 ID。

1.3.2 记忆的管理

在LangChain v0.x版本中，通过专用的xxxMemory类管理记忆。
在LangChain v1.x版本中，Agent是构建在LangGraph图结构之上的，通过上文提到的state和store构建记忆系统。使用更简单、功能更统一。

• state：短期记忆对象，以会话为单位组织，包含当前会话的所有消息记录以及自定义信息。
• store：长期记忆对象， 跨会话持久化的数据，通常需要结合向量数据库或外部存储实现。