Agent 记忆管理：从手动拼接到 PostgreSQL 持久化

大模型没有记忆。你跟它说了名字，下一轮它就忘了。要让对话连贯，得自己管理消息历史。

最原始的方式：手动拼消息

```python from langchain.agents import create_agent

agent = create_agent(model="openai:gpt-4o-mini") history = []

response = agent.invoke({"messages": [{"role": "user", "content": "来一首宋词"}]}) history.extend(response["messages"])

history.append({"role": "user", "content": "再来"}) response = agent.invoke({"messages": history}) ```

能用，但要自己维护消息列表，多会话管理起来很麻烦。

InMemorySaver：内存级持久化

LangGraph 提供了 Checkpointer 机制，用 `thread_id` 区分不同会话，框架自动管理消息历史：

```python from langgraph.checkpoint.memory import InMemorySaver

checkpointer = InMemorySaver() agent = create_agent(model="openai:gpt-4o-mini", checkpointer=checkpointer)

config = {"configurable": {"thread_id": "1"}}

agent.invoke({"messages": [{"role": "user", "content": "来一首宋词"}]}, config=config) agent.invoke({"messages": [{"role": "user", "content": "再来"}]}, config=config) ```

不用手动拼消息了。换个 thread_id 就是新会话，互不干扰。

PostgresSaver：数据库级持久化

InMemorySaver 进程一关数据就没了。生产环境用 PostgresSaver：

```python from langgraph.checkpoint.postgres import PostgresSaver

DB_URI = "postgresql://user:pass@localhost:5432/mydb"

with PostgresSaver.from_conn_string(DB_URI) as checkpointer: agent = create_agent(model="openai:gpt-4o-mini", checkpointer=checkpointer) config = {"configurable": {"thread_id": "1"}} agent.invoke({"messages": [{"role": "user", "content": "来一首宋词"}]}, config=config) ```

第一次用需要调 `checkpointer.setup()` 建表。之后重启程序，用同一个 thread_id 还能接着聊。

查看历史记录

```python with PostgresSaver.from_conn_string(DB_URI) as checkpointer: config = {"configurable": {"thread_id": "1"}} checkpoints = checkpointer.list(config=config) for cp in checkpoints: for msg in cp[1]["channel_values"]["messages"]: print(f"[{type(msg).name}] {msg.content}") break ```

小结

记忆管理三个层次：手动拼接理解原理用，InMemorySaver 开发调试用，PostgresSaver 生产环境用。Checkpointer 机制不光管记忆，还是后面 Human-in-the-Loop 和时间旅行功能的基础。