如何迁移到 LangGraph 内存
自 LangChain 的 v0.3 版本发布以来，我们建议 LangChain 用户利用 LangGraph 持久化功能，将 memory 集成到他们的 LangChain 应用程序中。
- 依赖
RunnableWithMessageHistory或BaseChatMessageHistory的用户 无需 进行任何更改，但建议考虑在更复杂的使用场景中使用 LangGraph。 - 依赖 LangChain 0.0.x 中已弃用的内存抽象的用户，应遵循本指南，将 LangChain 0.3.x 中的新 LangGraph 持久化功能升级至该版本。
为什么使用 LangGraph 进行记忆？
LangGraph 中持久化的主要优势包括：
- 内置支持多用户和对话功能，这是现实世界对话式 AI 应用的典型需求。
- 能够随时保存和恢复复杂的对话。这有助于：
- 错误恢复
- 在AI工作流中引入人工干预
- 探索不同的对话路径（“时间旅行”）
- 完全兼容传统的语言模型和现代的聊天模型。LangChain 早期的内存实现并非为新的聊天模型 API 设计，导致工具调用等功能出现问题。LangGraph 的内存可以持久化任何自定义状态。
- 高度可定制，允许您完全控制内存的工作方式并使用不同的存储后端。
LangChain 中记忆的演变
自 LangChain 首次发布以来，记忆的概念已发生了显著演变。
LangChain 0.0.x 记忆
广义上，LangChain 0.0.x 的内存用于处理三个主要用例：
| 应用场景 | 示例 |
|---|---|
| Managing conversation history | Keep only the last n turns of the conversation between the user and the AI. |
| Extraction of structured information | Extract structured information from the conversation history, such as a list of facts learned about the user. |
| Composite memory implementations | Combine multiple memory sources, e.g., a list of known facts about the user along with facts learned during a given conversation. |
虽然 LangChain 0.0.x 版本的内存抽象机制很有用，但其功能有限，并不适合现实世界的对话式 AI 应用。这些内存抽象缺乏对多用户、多会话场景的原生支持，而这对实际落地的对话式 AI 系统至关重要。
这些实现中的大多数已在 LangChain 0.3.x 中被正式弃用，转而推荐使用 LangGraph 的持久化功能。
RunnableWithMessageHistory 和 BaseChatMessageHistory
请参阅 如何在 LangGraph 中使用 BaseChatMessageHistory，如果您希望在 LangGraph 中使用BaseChatMessageHistory（无论是否配合RunnableWithMessageHistory使用）。
自 LangChain v0.1 起，我们建议用户主要依赖 BaseChatMessageHistory。BaseChatMessageHistory 用作存储和检索对话消息的简单持久化方案。
当时，编排 LangChain 链的唯一选择是通过 LCEL。要在 LCEL 中集成记忆功能，用户必须使用 RunnableWithMessageHistory 接口。尽管这足以满足基本的聊天应用需求，但许多用户认为该 API 不够直观且难以使用。
自 LangChain v0.3 起，我们建议新代码利用 LangGraph 进行编排和持久化：
- 编排：在 LangGraph 中，用户定义 图形 来指定应用程序的流程。这使得用户在需要时可以在各个节点内继续使用
LCEL，同时轻松定义更易于阅读和维护的复杂编排逻辑。 - 持久化：用户可以依赖 LangGraph 的持久化功能来存储和检索数据。LangGraph 持久化功能极为灵活，能够支持比
RunnableWithMessageHistory接口更广泛的使用场景。
如果您一直在使用 RunnableWithMessageHistory 或 BaseChatMessageHistory，则无需进行任何更改。我们近期不打算弃用其中任何一项功能。此功能足以满足简单聊天应用的需求，且所有使用 RunnableWithMessageHistory 的代码将继续按预期工作。
迁移
这些指南假设您熟悉以下概念：
1. 管理对话历史
管理对话历史的目标是以一种最适合聊天模型使用的方式存储和检索历史记录。
通常这需要修剪和/或总结对话历史，以保留对话中最相关的部分，同时确保对话内容适合聊天模型的上下文窗口。
属于此类别的内存类包括：
| 内存类型 | 如何迁移 | 描述 |
|---|---|---|
ConversationTokenBufferMemory | Link to Migration Guide | Keeps only the most recent messages in the conversation under the constraint that the total number of tokens in the conversation does not exceed a certain limit. |
ConversationSummaryMemory | Link to Migration Guide | Continually summarizes the conversation history. The summary is updated after each conversation turn. The abstraction returns the summary of the conversation history. |
ConversationSummaryBufferMemory | Link to Migration Guide | Provides a running summary of the conversation together with the most recent messages in the conversation under the constraint that the total number of tokens in the conversation does not exceed a certain limit. |
2. 从对话历史中提取结构化信息
属于此类别的内存类包括：
| 内存类型 | 描述 |
|---|---|
BaseEntityStore | An abstract interface that resembles a key-value store. It was used for storing structured information learned during the conversation. The information had to be represented as an object of key-value pairs. |
以及抽象层的具体后端实现：
| 内存类型 | 描述 |
|---|---|
InMemoryEntityStore | An implementation of BaseEntityStore that stores the information in the literal computer memory (RAM). |
这些抽象自首次发布以来没有得到太多开发。原因是这些抽象若要发挥作用，通常需要针对特定应用进行大量定制，因此它们的应用范围不如对话历史管理的抽象那样广泛。
出于这个原因，这些抽象没有迁移指南。如果您在迁移依赖这些抽象的应用程序时遇到困难，请在 LangChain GitHub 仓库中提交一个问题，说明您的使用场景，我们将尽力提供有关如何迁移这些抽象的更多指导。
从对话历史中提取结构化信息的通用策略是使用具备工具调用功能的聊天模型，从对话历史中提取结构化信息。 然后可以将提取的信息保存到适当的数据结构（例如，对象）中，并根据需要从中检索信息并添加到提示中。
3. 在一个或多个内存实现之上提供组合逻辑的实现
属于此类别的内存类包括：
| 内存类型 | 描述 |
|---|---|
CombinedMemory | This abstraction accepted a list of BaseMemory and fetched relevant memory information from each of them based on the input. |
这些实现似乎未被广泛使用，也未提供显著价值。用户应能够在自定义代码中相对轻松地重新实现这些内容。
相关资源
使用 LangGraph 探索持久性：
使用简单的 LCEL 添加持久化（对于更复杂的使用场景，推荐使用 LangGraph）：
处理消息历史：