前言

---

在现代由大型语言模型（LLM）驱动的应用中，尤其是涉及多轮对话和多智能体推理的应用，追踪 “谁在何时说了什么、为何这么说” 变得至关重要。而 LangMem 正是为解决这一问题而生。

LangMem 是 “Language Memory”（语言记忆）的缩写，指的是为基于智能体的系统量身定制的一种结构化、上下文感知型记忆模块。与简单的聊天记录或上下文窗口不同，LangMem 会根据目的、参与者和时间相关性对记忆进行存储、检索、总结和更新。

为何需要 LangMem？

典型的 LLM 调用会使用单个提示窗口，将所有上下文信息挤入其中。这种方式效率低下，且会限制模型在更长时间跨度内的推理能力。而 LangMem 具备以下优势：

• 类型化记忆槽位（事实、历史记录、计划、目标、反馈）
• 具名记忆主体（智能体 Alpha、人类、工具 X）
• 可通过嵌入（embedding）/ 检索增强生成（RAG）查询的记忆
• 利用 LLM 自身实现的自我反思功能

LangMem 的结构

LangMem 的结构可表示为：

LangMem = {
    "short_term": [...],   # 近期消息（滚动窗口）
    "long_term": [...],    # 关键事实/事件/结果
    "agent_acts": [...],   # 智能体的行为、言论、决策
    "user_feedback": [...],# 用户反馈
    "memory_graph": {...}  # 可选：使用LangGraph风格的关联边
}

每个记忆条目可包含以下内容：

{
  "role": "agent",  # 角色（如智能体、用户）
  "content": "我建议搭建一个木质底座。",  # 
  "timestamp": "2025-09-01T00:00:00Z",  # 时间戳
  "tags": ["建议", "材料选择"],  # 标签
  "embedding": [...]  # 嵌入向量（用于检索）
}

LangMem 的 Python 极简实现

import uuid
from datetime import datetime
from typing import List
import openai
class LangMem:
    def __init__(self):
        # 初始化记忆结构，包含短期记忆、长期记忆、智能体行为、用户反馈
        self.memory = {
            "short_term": [],
            "long_term": [],
            "agent_acts": [],
            "user_feedback": [],
        }
    def add(self, role: str, content: str, tags: List[str], store_in="short_term"):
        """添加记忆条目到指定记忆类型中"""
        entry = {
            "id": str(uuid.uuid4()),  # 生成唯一ID
            "role": role,  # 角色（如"user"用户、"agent"智能体）
            "content": content,  # 记忆内容
            "tags": tags,  # 标签（用于分类和检索）
            "timestamp": datetime.utcnow().isoformat(),  # UTC时间戳
        }
        self.memory[store_in].append(entry)  # 将条目添加到指定记忆池
    def retrieve(self, query: str, k=3):
        """根据查询语句从长期记忆中检索前k条相关条目（示例：简单文本匹配）"""
        return [m for m in self.memory["long_term"] if query.lower() in m["content"].lower()][:k]
    def summarize(self, topic="当前目标"):
        """对短期记忆中最近5条内容进行总结，并将总结存入长期记忆"""
        # 提取短期记忆中最近5条内容的文本
        context = "\n".join([m["content"] for m in self.memory["short_term"][-5:]])
        # 构建总结提示词
        prompt = f"总结一下关键点： {topic}\n\n{context}"
        # 调用deepseek生成总结
        response = openai.ChatCompletion.create(
            model="deepseek",
            messages=[{"role": "user", "content": prompt}]
        )
        # 提取总结结果并去除首尾空白
        summary = response.choices[0].message.content.strip()
        # 将总结作为智能体生成的内容存入长期记忆
        self.add("agent", f"Summary: {summary}", tags=["summary"], store_in="long_term")
        return summary

使用示例

# 初始化LangMem实例
mem = LangMem()
# 模拟多轮交互，添加记忆条目
mem.add("user", "我们建一座石塔吧。", ["goal"])  # 用户：“我们建一座石塔吧。”（标签：目标）
mem.add("agent", "好的，我先从5x5的底座开始。", ["plan"])  # 智能体：“好的，我先从5x5的底座开始。”（标签：计划）
mem.add("user", "记得加上窗户。", ["feedback"])  # 用户：“记得加上窗户。”（标签：反馈）
# 智能体对“塔的规划”相关记忆进行总结
summary = mem.summarize("塔楼规划")
# 打印总结结果
print("🧠 Agent记忆摘要:\n", summary)

LangMem 的扩展方向

1. LangChain 记忆集成

   ：可接入 ConversationBufferMemory（对话缓冲记忆）或 VectorStoreRetrieverMemory（向量存储检索记忆）；

2. RAG 后端支持

   ：可使用 Chroma、FAISS、Weaviate 或 Qdrant 等向量数据库，为相似性搜索提供支持；

3. 时间衰减机制

   ：对旧记忆进行 “老化” 处理或自动总结，减少冗余；

4. LangGraph 关联链接

   ：追踪 “某事件导致某结果” 的因果关系，构建记忆图谱。

LangMem 与多智能体系统的结合

在多智能体架构中（例如 “规划者 + 研究者 + 评价者” 组合），LangMem 的应用方式如下：

• 每个智能体拥有独立的 LangMem，存储自身的交互与推理记忆；
• 可通过 RAG 增强构建共享记忆池，供所有智能体访问；
• 智能体可通过消息协议查询彼此的记忆，实现协同推理。

总结

LangMem 是一种为 LLM 设计的灵活记忆模式，能为长时间运行的对话和基于智能体的任务赋予结构化与智能性。通过使用 LangMem，你可以让由 LLM 驱动的应用拥有 “不会遗忘” 的 “大脑”—— 它能理解上下文，并随使用过程不断进化。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】